【技术实现步骤摘要】
一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法
[0001]本专利技术属于数字图像处理
,具体涉及一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法。
技术介绍
[0002]太阳能光伏发电作为一种可再生能源发电技术,具有清洁高效的优点,同时,隐裂作为太阳能电池片的一种常见缺陷,其特征为肉眼不可见,通过电致发光成像技术可以观察到有明显明暗亮度差异的区域,太阳能电池片的隐裂会造成光伏发电系统的功率损失。为了最大限度地利用太阳能,提高光伏系统的发电效率,通常需要检测太阳能电池是否有隐裂。因此,对太阳能电池片进行隐裂检测具有重要意义。
[0003]基于深度学习的太阳能电池片隐裂的检测算法被相继提出,例如卷积神经网络CNN和残差网络ResNet等。然而,这些方法的性能依赖于足够数量的图像样本,由于电池片存在栅线,会对隐裂的检测造成干扰,因此直接将深度学习方法应用于隐裂检测问题中存在准确率低的问题。
技术实现思路
[0004]为解决上述问题,本专利技术公开了一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法,通过栅线补全来消除单晶硅太阳能电池片表面的栅线,同时,利用自适应二值化和形态学闭运算等相结合的方法在无栅线图像中检测隐裂区域,提高了单晶组件隐裂检测的精度。
[0005]为达到上述目的,本专利技术的技术方案如下:
[0006]一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法,包括以下步骤:
[0007](1)单晶硅组件图像的预处理;
[0008](2)单晶硅 ...
【技术保护点】
【技术特征摘要】
1.一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法,其特征在于:包括以下步骤:(1)单晶硅组件图像的预处理;(2)单晶硅太阳能电池片的栅线检测;(3)单晶硅太阳能电池片的隐裂检测。2.根据权利要求1所述的一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法,其特征在于:步骤(1)所述的单晶硅组件图像的预处理包括图像灰度化、图像缩放、大津法二值化和开闭运算方法:1a)图像灰度化:利用OpenCV的cvtColor函数预先对大小为a
×
b的单晶硅组件图像I进行灰度化处理,得到灰度图像I1,a、b分别代表图像I的行数和列数;1b)图像缩放:对灰度图像I1利用OpenCV中的resize函数采用双线性插值的方式缩放,得到大小为m
×
n的缩放图像I2;其中,缩放的比例为r=0.25,m=round(r
×
k),n=round(r
×
p),k,p,m,n均是非负整数,k、p代表灰度图像I1的行数和列数,k=a,p=b,m、n代表缩放图像I2的行数和列数,round(g)代表四舍五入运算;1c)大津法二值化:将缩放后的图像I2采用大津法进行二值化,二值化后的图像记为I3,大小为c
×
d,c=m,d=n,图像I2中的像素值范围为0~P,0<P≤255;其中,图像I2中灰度为i对应的像素个数为n(i),根据公式一得到图像I2的平均灰度值;u=∑i
×
n(i)/(m
×
n) (公式一)记k为图像二值化分割的阈值,0<k<255,灰度大于k的像素占图像的比例为w1,灰度值大于k的像素的平均值为u1,根据公式二和公式三分别计算得到w1和u1;w1=W/(m
×
n) (公式二)u1=∑i
×
n(i)/W,i>k (公式三)其中,W是灰度值大于k的统计数,同理,灰度值小于k的像素占图像的比例w2,u2表示灰度值小于k的像素的平均灰度值,遍历k,使得G=w1×
(u1‑
u)
×
(u1‑
u)+w2×
(u2‑
u)
×
(u2‑
u)最大,得到最佳阈值k,将图像I2的像素值分为两个区间:A0:0~k和A1:k~P,1d)开闭运算方法:利用OpenCV中的morphologyEx函数对二值化后的图像I3分别进行开运算和闭运算得到图像I4;1e)采用OpenCV中的canny函数检测图像I4的边缘,得到图像I5;1f)采用OpenCV中的findContours函数提取图像I5的边缘轮廓信息得到轮廓拐角处的点;1g)采用OpenCV中的approxPolyDP函数对轮廓拐角处的点进行近似,得到单晶硅组件图像的左上、左下、右上和右下四个角点坐标,根据四个角点的坐标以及每行每列的太阳能电池片数量进行等分切割,得到的单晶硅太阳能电池片图像作为单晶硅隐裂检测算法的处理单元。3.根据权利要求1所述的一种基于栅线补全的单晶硅太阳能电池片的隐裂检测方法,其特征在于:步骤(2)所述的单晶硅太阳能电池片的栅线检测方法包括灰度图像转换、canny边缘检测和霍夫直线检测方法:...
【专利技术属性】
技术研发人员:魏海坤,王艺沁,陈思睿,张侃健,沈堉,单硕,张娜威,谢丽萍,张金霞,方仕雄,葛健,
申请(专利权)人:东南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。