秦文麗

（北京信息科技大學(xué)機(jī)電工程學(xué)院，北京 100192）

基于圖像識(shí)別的太陽(yáng)能電池片缺陷檢測(cè)

秦文麗

（北京信息科技大學(xué)機(jī)電工程學(xué)院，北京 100192）

一種應(yīng)用于工廠流水線快速分選檢測(cè)的方法，即基于圖像識(shí)別的太陽(yáng)能電池片檢測(cè)方法。通過(guò)顯著圖模型對(duì)生產(chǎn)線上的電池片進(jìn)行圖像采集，通過(guò)基于OpenCV的程序?qū)D像進(jìn)行處理，得出電池片對(duì)應(yīng)的顯著圖并判斷是否有色斑等缺陷。實(shí)驗(yàn)表明，該方法為快速且較準(zhǔn)確地進(jìn)行分選檢測(cè)提供了一種新的手段，較傳統(tǒng)的人工檢測(cè)或通電檢測(cè)方式有更好的實(shí)際應(yīng)用意義。

圖像識(shí)別；Itti模型；顯著圖；OpenCV

10.16621/j.cnki.issn1001-0599.2017.12.12

0 引言

能源短缺和環(huán)境污染是當(dāng)今世界關(guān)注的重要問(wèn)題，由此提出的基于新能源的各類利用方式成為發(fā)展和解決問(wèn)題的主要支撐點(diǎn)。為了更好的利用太陽(yáng)能這種具有諸多優(yōu)點(diǎn)的一次能源，太陽(yáng)能電池片已經(jīng)廣泛的出現(xiàn)在大眾生活中。一些研究機(jī)構(gòu)在提高太陽(yáng)能使用率方面也加大了研究力度。從1999年至2009年，全球太陽(yáng)能電池產(chǎn)量平均年增長(zhǎng)率達(dá)到48.5%，而最近 5 a，這個(gè)數(shù)據(jù)更是高達(dá) 55.2%[1]。

雖然太陽(yáng)能電池具有成本低、電池使用壽命長(zhǎng)、無(wú)公害等優(yōu)點(diǎn)，但生產(chǎn)太陽(yáng)能電池片的過(guò)程中，由于材料和制作工藝等因素，生產(chǎn)的產(chǎn)品中可能有斷角、缺柵、色斑或顏色不均等缺陷。色差類缺陷影響電池片的轉(zhuǎn)換效率；缺陷類型為缺柵斷線，則可能直接成為廢品。當(dāng)有色差的太陽(yáng)能電池片與正常合格品放在一起使用時(shí)，將會(huì)影響整體的光電轉(zhuǎn)換效率，所以在太陽(yáng)能電池片生產(chǎn)后，還要按照同樣的顏色標(biāo)準(zhǔn)進(jìn)行檢測(cè)。

為適合工廠生產(chǎn)自動(dòng)化的檢測(cè)方式，提出一種適用于流水線快速分選檢測(cè)的方法，即基于圖像識(shí)別的太陽(yáng)能電池片檢測(cè)方法。該方法主要通過(guò)顯著圖的方法，先對(duì)生產(chǎn)線上的電池片進(jìn)行圖像采集，再將采集到的圖像傳輸?shù)接?jì)算機(jī)，通過(guò)在Visual Studio程序?qū)D像進(jìn)行處理，得出它對(duì)應(yīng)的顯著圖并判斷是否有色斑等缺陷。

1 太陽(yáng)能電池片缺陷檢測(cè)

現(xiàn)代生產(chǎn)太陽(yáng)能電池片的工藝，會(huì)出現(xiàn)不少帶有缺陷的電池片，而這些缺陷不僅對(duì)電池片光電轉(zhuǎn)換率造成影響，從而降低發(fā)電量以外，還對(duì)整個(gè)組件的表面美觀造成一定影響。太陽(yáng)能電池片的加工工藝流程如圖1所示[2]。

圖1 太陽(yáng)能電池片加工工藝流程

太陽(yáng)能電池片缺陷類型[3]：①邊緣漏電——去背結(jié)不完全引起的漏電；②前電極燒結(jié)過(guò)度——電極金屬過(guò)于深入發(fā)射極易造成漏電；③發(fā)射極破損、漿料污染、雜質(zhì)污染、掛鉤點(diǎn)——易漏電；④裂紋——可見(jiàn)和不易見(jiàn)的微小裂紋；⑤斷柵——細(xì)柵局部不連續(xù)；⑥網(wǎng)帶??；⑦背場(chǎng)缺陷——鋁背場(chǎng)出現(xiàn)明顯的異常區(qū)域；⑧電極接觸不良；⑨無(wú)pn結(jié)；⑩黑芯片、位錯(cuò)簇、硅料邊緣缺陷。

對(duì)不同缺陷的太陽(yáng)能電池片的檢測(cè)方法，根據(jù)是否需要通電，分為通電檢測(cè)和非通電檢測(cè)；根據(jù)主要檢測(cè)的缺陷類型分為電致發(fā)光檢測(cè)、光致發(fā)光檢測(cè)和紅外測(cè)量等方法[4]。E（I電致發(fā)光）適用于檢測(cè)電池片電不均勻性缺陷，但是EI測(cè)試的劣勢(shì)為不是總能確定某些缺陷的成因細(xì)節(jié)[5]。PL（光致發(fā)光）測(cè)量可用于整個(gè)太陽(yáng)能電池制造過(guò)程的缺陷檢測(cè)，且該測(cè)量有助于研究有材料缺陷或接觸問(wèn)題引起的太陽(yáng)能電池功率損耗問(wèn)題。IR（紅外測(cè)量）適用于檢測(cè)電池片的短路、分流、不活躍的電池部件或濕氣等，但研究表明[5]并不是所有缺陷都會(huì)導(dǎo)致電池溫度的升高，而且正常太陽(yáng)能電池片在有較高的功率損耗時(shí)也會(huì)出現(xiàn)熱區(qū)。故IR有時(shí)并不能正確識(shí)別缺陷。

2 顯著圖方法

典型圖像識(shí)別系統(tǒng)的基本組成如圖2所示，該系統(tǒng)一般分成2個(gè)階段，訓(xùn)練階段，訓(xùn)練集經(jīng)過(guò)預(yù)處理、特征提取，然后利用提取到的特征學(xué)習(xí)分類器的參數(shù)，在學(xué)習(xí)的過(guò)程中，根據(jù)一些反饋信息重新調(diào)整預(yù)處理和特征提取的方式，直到學(xué)習(xí)出一個(gè)滿意的模型為止[6]。

圖2 典型圖像識(shí)別系統(tǒng)的基本組成

顯著圖是在視覺(jué)環(huán)境中表明物體顯著性的一種二維圖像。當(dāng)觀察一張非純色的圖像時(shí)，人的視覺(jué)一般會(huì)在某些區(qū)域先進(jìn)行觀察，這些區(qū)域往往是一些相比與周?chē)?huà)面更突出的區(qū)域。將較周?chē)h(huán)境突出的區(qū)域和觀察者感興趣的區(qū)域稱為顯著區(qū)域[7]。

Itti模型在顯著圖方法的發(fā)展和實(shí)現(xiàn)中具有重要意義。該顯著圖模型的具體實(shí)現(xiàn)方法如圖3所示，基本過(guò)程如下[8]。首先將輸入圖像表示為9層的高斯金字塔，第0層是輸入圖像，第1～8層是5×5高斯濾波器對(duì)上一層圖像進(jìn)行線性濾波采樣得到的，大小為上一層圖像的1/2n。利用中心邊緣算法計(jì)算每個(gè)特征，中心采用細(xì)致標(biāo)度、邊緣采用粗糙標(biāo)度。將某一點(diǎn)作為中心，該點(diǎn)的像素相當(dāng)于金字塔比例 C={2，3，4}而周?chē)鷧^(qū)域的比例為 s=c+d，d={3.4}，所以每個(gè)特征就會(huì)產(chǎn)生6個(gè)特征圖。研究中所選的特征為一般視覺(jué)特征，即亮度特征、顏色特征和方向特征。因三原色分別是紅、綠、藍(lán)，所以將顏色特征劃分為紅綠、黃藍(lán)特征。亮度特征相對(duì)好提取。方向特征劃分為4個(gè)：0°，45°，90°，135°。此時(shí)出現(xiàn)42個(gè)特征圖。而迭代側(cè)抑制方法使每張?zhí)卣鲌D中顯著性競(jìng)爭(zhēng)實(shí)例化。競(jìng)爭(zhēng)實(shí)例化后，將每個(gè)特征類型的幾個(gè)特征圖融合成1個(gè)顯著圖。然后再將3個(gè)特征顯著圖融合成1個(gè)最終的地形顯著圖。這個(gè)顯著圖就是實(shí)現(xiàn)了刺激整合神經(jīng)元的二維表。該過(guò)程中還有返回抑制機(jī)制，該機(jī)制的作用是先通過(guò)WTA網(wǎng)絡(luò)掃描大多數(shù)的顯著點(diǎn)或區(qū)域并找到注意力趨向的點(diǎn)或位置，找到后通過(guò)返回抑制機(jī)制瞬時(shí)抑制顯著圖中找到的該最顯著點(diǎn)，使注意指針指向下一個(gè)最顯著的點(diǎn)，然后相同的方法多次進(jìn)行。

3 建立模型及具體實(shí)現(xiàn)

圖3 遺傳算法運(yùn)算過(guò)程

基于Itti模型的基礎(chǔ)提出一種針對(duì)檢測(cè)太陽(yáng)能電池片缺陷的模型。為了適合生產(chǎn)線檢測(cè)的需要，借鑒傳統(tǒng)的ITTI模型主體思路的基礎(chǔ)上先加入攝像頭采集圖像過(guò)程，其次將整體過(guò)程劃分為圖像預(yù)處理部分、顯著圖計(jì)算部分和結(jié)果判定部分。通過(guò)OpenCV的C++程序編譯，使計(jì)算機(jī)程序的快速處理滿足工廠生產(chǎn)線流水線快速性、高效性、自動(dòng)化的要求。

（1）圖像預(yù)處理部分。由于圖像在獲取過(guò)程中，往往會(huì)受到外界因素的干擾，造成實(shí)際獲取的圖像信息有所干擾，且需要對(duì)整個(gè)模型系統(tǒng)進(jìn)行一個(gè)初步的處理，所以需要采用預(yù)處理[9]。通過(guò)程序調(diào)用普通相機(jī)攝像頭拍攝流水線上的太陽(yáng)能電池片，每隔1000 ms進(jìn)行一次圖像采集，并將采集到的圖像傳送到計(jì)算機(jī)中，作為程序的輸入，然后在程序中進(jìn)行檢查是否為空和載入內(nèi)存操作。

該部分程序的功能是調(diào)取攝像頭采集圖像并返回?cái)?shù)據(jù)。編程方法為先初始化一個(gè)capture指針，判斷是否該指針中有數(shù)據(jù)，若有則通過(guò)OpenCV的cvCaptureFromCAM（0）從攝像頭讀入數(shù)據(jù)并放入capture中；若無(wú)則創(chuàng)建視頻文件，然后判斷該指針是否為空，若為空則退出程序；若不為空則將圖像放入Ip1Image類型的以frame命名的內(nèi)存空間下[10]。

（2）顯著圖計(jì)算部分。該模型的主體框架主要由5個(gè)模塊組成。即當(dāng)采集到流水線上太陽(yáng)能電池片的圖像并進(jìn)行初步的預(yù)處理后，首先進(jìn)行亮度特征模塊處理，再進(jìn)行顏色特征模塊處理，方向特征模塊處理；其次進(jìn)入中心邊緣模塊處理，最后進(jìn)行特征融合模塊，最終生成顯著圖。

當(dāng)有原始圖像輸入時(shí)，亮度特征通過(guò)I=（R+B+G）/3公式計(jì)算后得出提取后的亮度特征圖。第二個(gè)模塊程序的功能是對(duì)亮度特征圖進(jìn)行處理，提取出一張RG特征圖和一張BY特征圖。編程方法為首先輸入之前處理過(guò)的亮度特征圖，然后判斷圖上所有點(diǎn)的值是否小于最大值的0.1倍，若小于則結(jié)束該模塊；若大于或等于則重新定義每一點(diǎn)的r，g，b值，且g值和b值算法相同。再通過(guò)公式（1）計(jì)算求出RG顏色特征圖和BY顏色特征圖。

方向特征模塊的功能是依舊對(duì)每張亮度特征圖提取4張方向特征圖。編程方法為輸入亮度特征圖，然后通過(guò)filter2D濾波器就可以分別提取出4個(gè)不同方向的特征圖。由于信號(hào)或圖像的能量平常集中在幅度譜的低中頻段，所以要對(duì)圖像進(jìn)行濾波，抑制較高頻段的噪聲對(duì)該頻段有用信息的影響。

中心環(huán)繞模塊即center-surround，該模塊的功能為對(duì)上述模塊結(jié)果特征圖進(jìn)行center-surround算法處理，最終得到6幅亮度特征圖、12幅顏色特征圖和24幅方向特征圖。特征融合模塊的功能是首先進(jìn)行亮度、顏色、方向三大類的自身融合，得到3張?zhí)卣鲌D，再融合成最終的顯著圖。具體編程為將標(biāo)準(zhǔn)化后的特征圖統(tǒng)一到σ=4的尺度上相加，用⊕表示，通過(guò)公式（2）進(jìn)行計(jì)算提取。

（3）結(jié)果判定部分。對(duì)生成的顯著圖進(jìn)行缺陷判斷。若最終的顯著圖上除柵線位置白色區(qū)域面積是否大于柵線所占面積來(lái)實(shí)現(xiàn)。

當(dāng)?shù)贸鲎罱K的顯著圖之后，若圖上有顯著區(qū)域，即圖中有部分區(qū)域內(nèi)的值大于某一限定值，則對(duì)該顯著圖中的顯著區(qū)域進(jìn)行面積計(jì)算。將所有顯著區(qū)域面積減去柵線面積后判斷是否大于0，若大于則為有缺陷的電池片。上述中的限定值選為0.8。

4 實(shí)驗(yàn)結(jié)果及分析

基于建立的模型及對(duì)應(yīng)程序，進(jìn)行生產(chǎn)流水線檢測(cè)模擬。通過(guò)在電腦攝像頭前投放不同太陽(yáng)能電池片來(lái)模擬工廠采集圖像過(guò)程；當(dāng)程序處理出對(duì)應(yīng)顯著圖并判斷是否有缺陷后，一次實(shí)驗(yàn)結(jié)束，相同方法重復(fù)多次。

由圖4可看出，該方法得出了原圖像對(duì)應(yīng)的顯著圖，而且在顯著圖上可清楚地觀察到色斑的位置形狀大小等。而正常的太陽(yáng)能電池片對(duì)應(yīng)的顯著圖中只有主柵位置較為顯著，其他區(qū)域沒(méi)有顯著區(qū)域。實(shí)驗(yàn)中采集檢測(cè)一張圖像的時(shí)間為（3～5）s。由此實(shí)驗(yàn)可得出該顯著圖方法對(duì)于太陽(yáng)能電池片缺陷的檢測(cè)十分有效，能準(zhǔn)確找出電池片上的缺陷位置并最終判斷出該電池片是否為缺陷產(chǎn)品。由于檢測(cè)過(guò)程的速度較為快速，適合工廠生產(chǎn)流水線的檢測(cè)，滿足了預(yù)期要求。

運(yùn)用顯著圖方法進(jìn)行圖像檢測(cè)的優(yōu)點(diǎn)：①圖像處理較為迅速。由于目前對(duì)視覺(jué)感受的要求逐漸提高，處理圖像意味著處理大量的信息，對(duì)計(jì)算機(jī)也是復(fù)雜的過(guò)程；②顯著圖方法可找出圖像中的顯著區(qū)域。顯著圖在其他領(lǐng)域的應(yīng)用效果顯示結(jié)果都較為準(zhǔn)確。將顯著圖法應(yīng)用于電池片檢測(cè)，實(shí)驗(yàn)表明該方法可行且取得了預(yù)期的效果。

圖4 斷角缺柵的圖像對(duì)比

5 結(jié)束語(yǔ)

本文利用Itti提出的模型建立既考慮實(shí)際應(yīng)用又保障識(shí)別效率、速度等方面的顯著圖模型。實(shí)驗(yàn)結(jié)果表明，采用圖像識(shí)別的太陽(yáng)能電池片缺陷檢測(cè)，可以對(duì)電池片進(jìn)行有效識(shí)別檢測(cè)從而達(dá)到篩選的目的。圖像識(shí)別技術(shù)尤其在目前具有更大的提升空間，因?yàn)樯疃葘W(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的發(fā)展，圖像識(shí)別方法檢測(cè)將會(huì)具有更廣泛更優(yōu)化的工廠應(yīng)用。

［1］童鋼.太陽(yáng)能電池片分色及缺陷檢測(cè)系統(tǒng)的研究［D］.南京：江蘇大學(xué).2016.

［2］周達(dá)凱.基于VisionPro太陽(yáng)能電池片外觀檢測(cè)系統(tǒng)設(shè)計(jì)［D］.南京：南京理工大學(xué).2016.

［3］王學(xué)盂，葉子銳，沈輝，梁璄強(qiáng)，尹浩平.晶體硅太陽(yáng)能電池缺陷檢測(cè)與分類評(píng)價(jià)體系［J］.激光與光電子進(jìn)展.2013（3）:143-147.

［4］陳軍.硅太陽(yáng)能電池制備過(guò)程的全自動(dòng)視覺(jué)檢測(cè)設(shè)備關(guān)鍵技術(shù)研究［D］.廣州：華南理工大學(xué).2011.

［5］Ebner.R，B.Kubicek，G.Ujvari.Non-destrutive techniques for quality control of PV modules:infrared thermography electro and photoluminescence imaging［J］.Conference of the IEEE industrial Electronics Society.2012，Vol.20:8104-8109.

［6］李義.基于相關(guān)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué).2015.

［7］婁樹(shù)旗.基于視覺(jué)顯著性的圖像分割方法［D］.北京：北京理工大學(xué).2013.

［8］Itti.L，Koch.C.A saliency-based search mechanism for overt and covert shifts of visual attention［J］.Vision Research.2000，Vol.40:1489-1506.

［9］韓修禮.面向移動(dòng)設(shè)備的圖像識(shí)別算法研究［D］.北京：北京交通大學(xué).2016.

［10］Bradski.G，于仕琪（譯者）.學(xué)習(xí) OpenCV（中文版）［M］.北京：清華大學(xué)出版社，2009.

TP317.4

B

〔編輯 李 波〕