太阳能电池板表面缺陷检测关键技术--中国期刊网

字体：大中小

首页> 原创作品> 正文

太阳能电池板表面缺陷检测关键技术

发表时间：2020/8/24 来源：《基层建设》2020年第10期作者：赵炎炷刘馨尧

[导读]

        沈阳建筑大学信息与控制工程学院辽宁沈阳 110168
        1.研究背景和意义
        目前，“表面缺陷检测”还没有一个科学的标准定义。从字面本意上理解，表面缺陷检测是针对物体表面局部物理、化学性质不均匀区域或产品完整性的检查与测量技术。因此，可认为表面缺陷检测技术就是针对产品表面的样貌、形态、性能相关的检测与对比。表面缺陷检测作为一门实用的技术，己经在很多领域得到了应用，比如：农产品表面缺陷检测、钢板表面缺陷检测、铝板外观缺陷检测、PVC管瑕疵缺陷检测、轴承凸面缺陷检测等。
        在太阳能电池片生产领域，表面缺陷检测技术已经广泛应用到各大生产厂家。旨在生产符合生产质量要求的工业产品，为销售、售后等一系列后续步骤提供了极大程度上的便利。
        在表面缺陷检测方面，机器视觉更是有着相当广泛的应用领域，针对于太阳能电池板，机器视觉在此领域发挥着不容小觑的作用。我们所能观察到的电池板产品都有着本身的表面，因此其表面都有可能存在同大小的缺陷，有时缺陷的存在很有可能影响到产品的质量，因此对其进行检测是势在必行的。
        2.太阳能电池板表面缺陷检测技术现状
        2.1 太阳能电池板表面缺陷
        太阳能电池板表面缺陷多种多样，产生缺陷的原因也各不相同、且复杂。而且太阳能在不同的太阳能电池片生产厂家，呈现的缺陷即使相同类型，呈现的效果也不尽相同。如缺角、裂纹、断栅、破损、斑点、轮印（指纹）、颜色异常（边角区域）、不均匀等。如下介绍太阳能电池板的三种缺陷类别及形成原因。
        ① 形状缺陷
        太阳能电池板形状缺陷包括：缺角、裂纹、断栅、破损等。与标准的产品图像相比，此类含有缺陷的产品图像具有部分缺损或多余的部分，无法到达太阳能电池板的产品质量需求。此类产品表面缺陷主要成因是操作人员在生产过程中的切割失误、碰撞产品关键部位等一系列生产流水线上出现的失误；
        ② 纹理缺陷
        太阳能电池板纹理缺陷包括：斑点、轮印（指纹）等。与标准的产品图像相比，此类含有缺陷的产品图像部分区域存在过亮或过暗区域，有相对明显的斑点状、指纹或轮印。此类产品缺陷主要成因是人工操作失误或生产太阳能电池板某个或某些机器压力过大，以至于产品无法达到生产质量的需求；
        ③ 颜色缺陷
        太阳能电池板颜色缺陷包括：颜色异常（边角区域）、不均匀等。与标准的产品图像相比，此类含有缺陷的产品图像大部分区域存在着颜色异常、不均匀的效果。此类产品缺陷主要成因是在进行太阳能电池板镀膜的过程中，化学反应不均匀。
        2.2 技术现状
        现阶段，大部分生产厂家仍采用人工检测产品表面缺陷的方法，这种方法的确简单，方便。但特定的产品具有特定的产品表面缺陷，以太阳能电池板为例，具有数十种产品缺陷，且某些表面缺陷并不经常出现在产品之中，这给人工检测提高了极大的难度；另外人工监测受到操作人员自身的心理、生理以及经验因素的制约，并且处于高危的工作环境之下，难免对产品表面缺陷的检测产生误差或误判。实时性差，误检率极高。至此国内外不少厂家开始研制基于视觉的缺陷检测机器。
        3.太阳能电池板表面缺陷检测关键技术
        3.1 基于梯度特征的检测方法
        此类方法的依据是：根据亮度差异——太阳能电池片表面缺陷区域和其余部分的亮度。两者交界处具有较高的梯度。
        具有代表意义的作法为梯度特征与各向异性扩散相结合的检测方法。其算法的主要步骤为：对电致发光图像进行图像的前期处理（灰度归一化、频率域滤波），其次进行各向异性扩散滤波（通过各向异性扩散滤波器进行图像相减），接着进行图像的后期处理（双阈值处理、灰度跟踪和阈值处理），形态分析最后进行支持向量机的方法得到检测结果。
        基于梯度特征的检测方法主要根据太阳能电池片的裂纹、断栅处和背景有明显亮度差异的特点，以两者之间存在的梯度进行表面缺陷检测。此类方法的特点是对裂纹和断栅等亮度差异较大的表面缺陷类型有较好的效果。

期刊文章分类查询,尽在期刊图书馆

        3.2 基于聚类的检测方法
        基于最大类间方差的太阳能电池片表面缺陷检测方法。此类方法运用高斯滤波器对待测图像进行平滑的预处理，紧接着对待测图像进行边缘定位和图像分割，分离出单个的电池模块，接下来采用最大类间方差法对图像进行阈值分割，将待测图像分成具有前景的缺陷部分和背景部分的完好部分（无缺陷部分），最后利用 Hough 变换对分割过后的二值图像进行直线检测，并且将得到的图像与平滑预处理后的图像相减，得到检测结果。
        此类方法关键是在于将待测图像分割成缺陷部分和非缺陷部分两个集合，采用图像分割的方法以得到检测结果。此类方法对不同类型的表面缺陷有着较强的识别能力；弊端是聚类算法中的某些关键的参数需要手工设定。
        3.3 基于频域分析的检测方法
        基于傅里叶变换的表面缺陷检测方法。首先，将输入图像进行傅里叶变换，考虑到图像中的缺陷区域主要出现在“线”或“条形”形状中，设置“线”或“条形”形状的相关缺陷频率。将缺陷和非缺陷图像组合成3D图像，进行傅里叶变换并进行带阻滤波，排除存在的缺陷，最后进行3D傅里叶反变换重建图像，从而得到检测结果。还存在基于小波变换的非均匀纹理分析方法迎来进行太阳能电池片表面缺陷检测、以及基于自适应高频滤波的太阳能电池片表面缺陷检测方法。
        此类方法将图像从空间域变换到频率域，通过设定合适的频率值做带阻滤波，实现缺陷部分的凸显。基于频域分析的检测方法复杂度较低，实时性较好，对于检测断栅、斑点以及裂纹检测效果较好
        3.4 基于矩阵分解的检测方法
        此类方法主要是通过某种矩阵算法，将待测图像分解成一个具有大量相同特征的矩阵和一个特征的矩阵。具有大量特征的矩阵表示待测图像中无缺陷的部分，而一个特征的矩阵则代表缺陷部分。基于矩阵奇异值分解的表面缺陷检测方法，通过选择能代表背景纹理的奇异值来重建矩阵，可以得到仅包含无缺陷的图像，最后重建的图像和原始图像相减即可得出待测图像中的缺陷区域。姚明海等[1]提出了基于鲁棒主分量分析的太阳能电池片表面缺陷检测方法。该方法的核心思想是直接以输入图像的原始数据作为矩阵，将其分解成一个低秩矩阵和一个稀疏矩阵之和。分别代表了无缺陷图像和缺陷图像，该方法的前提是分解出的无缺陷矩阵确实具有低秩性，且只有很少一部分元素被严重破坏，即分解出另一个矩阵是稀疏的。
        此类方法将电池片表面图像数据看作矩阵，通过某种矩阵分解算法分解出仅包含电池片缺陷的矩阵。此方法的适用范围广，算法简洁，尤其适合对微笑缺陷的检测。
        3.5 基于机器学习的检测方法
        龚芳等[2]提出了基于独立成分分析的表面缺陷检测方法。该方法将无缺陷的电池片表面图像拆分成众多的图像块，然后采用ICA算法从这些图像块中学习出一个词典（包含多个基向量。测试模式下，依旧将输入图像拆分成图像块，然后采用词典对图像块进行特征提取，再根据这些特征向量和词典对图像块进行重构，如果重构误差较大，则说明该图像块所在的区域存在缺陷的概率较大。
        基于机器学习的检测方法分别要收集无缺陷和有缺陷的图像作为训练样本，选择合适的机器学习算法进行分类，将待测图像代入该模型即可得到实验结果。此类方法对已收集的常见缺陷类型能够较好的识别。
        4.总结与展望
        本文主要对太阳能电池板表面缺陷检测研究的关键技术进行了系统的总结，主要包括以下方面：
        ① 就目前“表面缺陷检测技术”的前景阐述该技术在工业领域的重要性；
        ② 对太阳能电池板表面缺陷检测目前普遍厂商的检测方式进行概述；
        ③ 对太阳能电池片表面常见的缺陷样式进行了简要介绍，主要包括纹理缺陷、形状缺陷、颜色缺陷等三个方面；
        ④ 太阳能电池板的缺陷检测五大技术方法进行了系统的介绍，并针对于每一种检测技术进行了特点分析以及适用范围的初步介绍，五者之间形成了鲜明的对比。
        参考文献：
        [1] 姚明海，李洁，王宪保.基于 RPCA 的太阳能电池片表面缺陷检测[J].计算机学报，2013，36（9）：1943-1952.
        [2]龚芳，张学武，孙浩. 基于独立分量分析和粒子群算法的太阳能电池表面缺陷红外热成像检测[J].光学学报，2012，32（4）：169-177.