陳智強，樓佩煌，錢曉明

(南京航空航天大學(xué) 機電學(xué)院，江蘇 南京 210016)

0 引 言

作為太陽能發(fā)電的主要載體材料，硅電池片的產(chǎn)量近年來迅速增長[1]。太陽能電池的生產(chǎn)需要很多的工序。在生產(chǎn)出標準硅電池片后，先將單片太陽能硅電池片焊接為電池串，再將電池串敷設(shè)層壓成為太陽能電池板。為了提高焊接質(zhì)量和效率，目前在硅電池片集成過程中使用自動串焊機。

在硅電池片表面缺陷檢測方面，國內(nèi)外學(xué)者已經(jīng)做了較為深入的研究。孫智權(quán)、童鋼等[2]對制備過程中或焊前單片電池片的表面缺陷檢測做了相應(yīng)研究，其成果方法對于單片電池片的固有缺陷如邊緣缺損、斷柵裂紋有較好的檢測效果，但均屬于離線或生產(chǎn)節(jié)拍較慢的制備生產(chǎn)線測量，未在高速集成生產(chǎn)線進行相應(yīng)實驗；高志良[3]對太陽能電池自動焊接中的視覺檢測關(guān)鍵技術(shù)進行研究，設(shè)計了面向自動焊接過程的檢測系統(tǒng)，討論了電池片偏轉(zhuǎn)、分級相關(guān)方法，但其檢測仍然針對焊接前的電池片，對于焊后成串電池的焊帶偏移、臟污劃痕及一些焊后尺寸測量未加討論。硅電池片焊后缺陷主要由串焊機自動焊接產(chǎn)生或串焊機焊前檢測的漏檢造成，主要有邊角缺損、色差、臟污、劃痕、斷柵、露白、尺寸偏差等缺陷。

對于電池片的贓污、劃痕等缺陷檢測，現(xiàn)有研究一般通過多種濾波、圖像增強與閾值門限操作等預(yù)處理，將待檢特征分離后再進行特征識別[3-4]，對于不同缺陷采用的投影特征或紋理特征也不相同。WANG Yong-qing等[5]提出將矩特征與SVM結(jié)合的監(jiān)督算法，對于電池片生產(chǎn)過程均具有較好的檢測效果，然而對于經(jīng)常更換電池片種類與部分檢測指標的集成生產(chǎn)線，樣本的多樣性要求較高，一種無監(jiān)督的目標檢測方法更具優(yōu)勢；周維芳等[6]采用局部自適應(yīng)閾值的二值化處理方法并做水平投影來提取缺陷信息，通過缺陷的矩形輪廓信息檢測斷線、履帶印等缺陷，效果良好，但對集成過程中的其他缺陷如臟污、劃痕尚未深入研究；龍建武等[7]提出一種自適應(yīng)最小誤差閾值分割算法，僅含一個敏感性很低的參數(shù),同時對均勻光照圖像以及不均勻光照小目標圖像均有著優(yōu)秀的處理效果,提升了最小誤差算法的分割性能，但該算法僅限于對文本、米粒等小目標圖像的處理,無法處理大目標圖像。

針對太陽能硅電池片由單片焊接為電池串的串焊生產(chǎn)線，本文提出一種焊后硅電池片多種缺陷在線檢測方法。

1 焊后電池片幾何類參數(shù)視覺測量技術(shù)

1.1 焊后電池片總體檢測流程

本文提出的硅電池片缺陷識別方法首先通過CCD攝像機在線采集每一節(jié)拍的片間圖像，然后對采集得到的圖像進行圖像預(yù)處理。焊接生產(chǎn)線控制器在獲取串焊機輸送停止信號時，在線檢測控制器則控制相機獲取片間圖像，并對獲取的圖像進行預(yù)處理。經(jīng)過圖像預(yù)處理后得到的二值化圖像，對其進行感興趣區(qū)域分割，針對崩邊、斷柵、贓污等不同缺陷將圖像劃分為傳送帶、片間距、主副柵等不同區(qū)域[8]。本研究在進行某項缺陷檢測時僅對部分感興趣區(qū)域進行特征識別，從而縮短檢測時間，實現(xiàn)對所要求尺寸的精確測量以及缺陷檢測。

整個視覺檢測的處理流程如圖1所示。

圖1 系統(tǒng)流程圖

1.2 缺陷分類及圖像預(yù)處理

焊接采用的焊帶是鍍錫銅帶，在電池片主柵上噴涂助焊劑，銀漿在紅外加熱作用下與焊帶形成銀錫合金層。焊接過程中，會因為焊帶切斷應(yīng)力、翻面真空吸力、焊帶偏移、助焊劑殘留等各種原因?qū)е掳ㄟ吔侨睋p、贓污劃痕、焊接短路在內(nèi)的多種缺陷，影響硅電池光電轉(zhuǎn)化效率(FF)。目前，焊前檢測還不能完全杜絕斷柵缺陷。

本文檢測的主要缺陷如圖2所示。

圖2 常見焊后缺陷

對于劃痕、贓污、缺邊3種特征類缺陷，先通過初步的感興趣區(qū)域分割與圖像預(yù)處理，去除無關(guān)區(qū)域，再根據(jù)不同特征進行處理，根據(jù)面積、外接圓半徑、長度等參數(shù)篩選真實缺陷；對于尺寸類缺陷如焊帶偏移、起焊點短路等，則采用基于像素點的影像測量方法，通過采樣區(qū)域的最小外界矩形得到所需尺寸，從而據(jù)此對所檢電池串做出評判。

本文采用CCD彩色相機采集電池串圖像，通過GigE接口獲取CCD相機采集得到的電池串原始圖像。將采集得到的圖像轉(zhuǎn)換至RGB空間和三角變換的IHS空間，S分量即飽和度下的圖像中電池片與露出的傳送帶有較好的分割效果。采用動態(tài)閾值方法，將S分量進行均值濾波后作為模板，將模板中的像素值減去設(shè)定值與S分量對應(yīng)點的值比較，即相當于對平滑去噪的圖像進行閾值化，減少普通閾值下的噪聲。對動態(tài)閾值后的圖像進行形態(tài)學(xué)處理，對二值圖像進行開運算可以去除一些細小的毛刺，由于片間邊緣對片間距測量有精度要求，故在不影響精度的前提下采用小結(jié)構(gòu)元處理，處理后的邊緣可用canny算子提取。

普通閾值與動態(tài)閾值下邊緣區(qū)的截取圖像如圖3所示。

圖3 普通閾值與動態(tài)閾值后的圖像

對于不同的檢測參數(shù)，實際需要檢測的圖像在原圖中中只占一小部分，可根據(jù)已得到的上下邊緣與中央邊緣建立坐標，從而設(shè)置感興趣區(qū)域，只提取包含待檢測區(qū)域的一小部分圖像，減少大量的像素點，提高算法的效率。采用一種圖像掩膜的方法來設(shè)置不規(guī)則的感興趣區(qū)域。由于硅電池片具有的高度對稱性，主體檢測區(qū)域由片間區(qū)軸線對稱展開。

主柵與輔柵的定位坐標為：

(1)

式中：n—主柵條數(shù)；D—主柵寬度；d—輔柵寬度；Yi—主柵定位坐標；yi—輔柵定位坐標。

主輔柵區(qū)域長度覆蓋全片，寬度由電池規(guī)格決定，因此掩膜由計算出的矩形左上角點y坐標即可得到。本研究用掩膜對待處理的圖像進行全部或局部的遮擋，使得原圖在感興趣區(qū)域內(nèi)的像素值保持不變。每一幀圖像的主體檢測區(qū)主要檢測斷柵、贓污和劃痕缺陷，上下邊緣檢測區(qū)識別邊角缺陷，片間區(qū)與主柵區(qū)用于片間距、焊帶偏移量的視覺測量，輔柵區(qū)的白色虛線對斷柵、劃痕等多種缺陷的檢測有所干擾，在檢測時用以屏蔽。

1.3 幾何類參數(shù)視覺測量

焊后電池串的主要幾何類檢測要求為片間距與焊帶偏移量。通過動態(tài)閾值得到上下邊緣、中央片間區(qū)、主輔柵區(qū)域及硅電池片主體感興趣區(qū)域掩膜，尺寸測量使用主柵區(qū)與片間區(qū)掩膜屏蔽原圖無關(guān)區(qū)域，構(gòu)建取樣矩形單元及集合運算得到包含待檢測尺寸的特征矩形，從而計算需求尺寸。

以焊帶偏移檢測為例，正確焊接的焊帶在主體檢測區(qū)域的打光條件下呈現(xiàn)不反光的深色，偏移的焊帶會使焊后電池片產(chǎn)生露白現(xiàn)象。掩膜處理后的主柵區(qū)域即為感興趣區(qū)域，但整條主柵區(qū)域過于狹長，且焊帶的物理特性使其的彎折一般不會產(chǎn)生弧狀彎曲而是線性偏折，可利用相交線所夾線段的數(shù)學(xué)增長特性設(shè)計一種合理的采樣方式，縮短檢測時間。

對于單個主柵區(qū)域焊帶狀態(tài)建立模型如下：以主柵區(qū)域左下角點為坐標原點，焊帶彎折n次，即將焊帶分為n+1段矩形，假設(shè)每段焊帶起始點的集合為(x[n],y[n])，相關(guān)參數(shù)計算如下：

(2)

(3)

式中：S—取樣區(qū)偏移(露白)面積；L—取樣長度；x[i]—起始點橫坐標；y[i]—起始點縱坐標。

本研究分別取2、3、4、5個取樣矩形對10幅典型偏移的主柵區(qū)域圖像進行處理，L均取5，取樣數(shù)3、4具有最顯著特征，考慮到算法時間因素每條主柵取3個取樣矩形。取樣矩形二值化特征明顯，閾值化后用canny算子得到露白區(qū)輪廓，對此輪廓取最小包圍矩形，矩形左上角點與右下角點的y坐標差值作為檢測指標。差值計算方法為統(tǒng)計目標路徑的像素值與標定后像素當量的乘積。

像素是圖像坐標系內(nèi)的單位，將圖像坐標系的測量結(jié)果轉(zhuǎn)化為世界坐標系的真實值，需要對影像獲取裝置進行標定。由攝像機成像幾何關(guān)系可得：

(4)

式中：fu,fv—u軸和v軸上的歸一化焦距，fu=f/dX,fv=f/dY；f—相機的焦距；dX，dY—傳感器u軸和v軸上單位像素的大?。籪u、fv、u0、v0只與攝像機內(nèi)部參數(shù)有關(guān)，故稱矩陣M1為內(nèi)參數(shù)矩陣。

由于本文方法的影像系統(tǒng)位置固定不變，只需標定內(nèi)參數(shù)即可得到像素當量，即每個像素點對應(yīng)實際尺寸為0.06 mm，結(jié)合邊緣檢測算法得到的單像素邊緣，最終檢測精度為0.1 mm。

尺寸檢測的另一個參數(shù)片間距檢測方法與其類似，只是檢測區(qū)域由水平的主柵區(qū)域變?yōu)橹醒肫g區(qū)。片間區(qū)的左右邊界由預(yù)處理階段得到，其精度滿足要求，用4個或以上取樣矩形與片間區(qū)做交集運算，再對得到的特征矩形求最小包圍，最終算出需要尺寸。單幀圖像中每條主柵均有一個片間距值，任一片間距值不在要求區(qū)間內(nèi)，即判斷有短(斷)路缺陷。

2 焊后電池片在線缺陷檢測技術(shù)

2.1 斷柵檢測

區(qū)域分割后的斷柵特征檢測區(qū)域柵線中心像素值為255，氮化硅像素值為0，標準硅電池分割后的柵線將氮化硅分割為面積相等的矩形塊，因此可利用其連通性檢測每塊獨立氮化硅的面積，再通過頻域處理分離出面積突變的面積單元，從而得到斷柵數(shù)量。

斷柵檢測流程如圖4所示。

圖4 斷柵檢測流程

當系統(tǒng)獲取當前幀硅電池片圖像后，此時經(jīng)過預(yù)處理后得到的圖像如圖4(a)所示(矩形框內(nèi)為單個檢測區(qū)域，一幀圖像包含12至20塊檢測區(qū)不等)。

區(qū)域生長(即漫水填充)算法是目前應(yīng)用最為廣泛的連通域檢測方法。經(jīng)過預(yù)處理后的斷柵檢測區(qū)圖像具有較好的對稱及規(guī)律性，在起始點選擇時可進行優(yōu)化，如圖4(b)所示。

對生長中止規(guī)則的評價函數(shù)也是區(qū)域生長算法處理能力的重要影響因素，待選像素的灰度級和已加入生長區(qū)像素的相似性可用于提高算法的處理速度。本文提出了一種改進的區(qū)域生長算法，實現(xiàn)對斷柵區(qū)域的快速檢測。

以其中一塊斷柵檢測區(qū)為例，從該區(qū)域左上角像素開始行掃描。當提取到的像素點的灰度值為0時，將該點坐標值賦值給ui，依次判斷該像素點后5個點的灰度值是否也為0。若不滿足，將ui清除，繼續(xù)向右掃描判斷黑色氮化硅區(qū)域。若滿足，此時ui的值即為提取到的第一條氮化硅區(qū)域的起始種子點。提取到起始點之后，采用改進的掃描線填充算法逐個對氮化硅區(qū)域進行填充，設(shè)B和P分別是n×2和m×2的矩陣，將掃描得到的起始點放入b[i]，以第一區(qū)域B[0]為例，算法具體填充過程如下：

(1)將b[0]作為掃描線段起點，從b[0]向右掃描，當連續(xù)3個非0像素出現(xiàn)時，將中間像素存入P[0](P01,P02)，作為水平掃描線段的終點，將此線段填充該區(qū)域設(shè)定顏色C[0]，計算掃描線段長度L，若大于預(yù)設(shè)值的P[i]數(shù)目超過閾值，一般為8個像素，執(zhí)行步驟(3)；

(2)對b[0]的下鄰域進行判斷，像素坐標記為(B11,B12)，若(B11,B12)為0，則對b[2]重復(fù)步驟(1)線掃填充過程，并循環(huán)向下掃描，直到b[i]不為0；

(3)以P[i]為第二種子點，對下鄰域進行反向線段掃描填充,與步驟(2)類似；

(4)從具有最大Bij的區(qū)域像素b[end]向右掃描，直到提取到的像素點的灰度值為0時，將該點坐標值賦值給ui，依次判斷該像素點后5個點的灰度值是否也為0。若不滿足，將ui清除，繼續(xù)向右掃描判斷黑色氮化硅區(qū)域。若滿足，此時ui的值即為下一條氮化硅區(qū)域的起始種子點，由此專轉(zhuǎn)向步驟一開始循環(huán)，直到b[end]到達整塊斷柵檢測區(qū)最右端。

采用線掃式填充，避免了全局使用4鄰域或8鄰域遍歷導(dǎo)致的堆棧溢出及內(nèi)存占用過多等問題，并能有效提高算法運行效率。但原有的線段掃描式填充在狹小路徑連通型區(qū)域表現(xiàn)不佳，存在填充不完全等問題，因此本文算法針對斷柵造成的狹小路徑連通區(qū)域作出相應(yīng)改進，在掃描線通過狹小路徑后生成新種子點，從而徹底填充。而傳統(tǒng)的多種子點并發(fā)填充算法不能有效區(qū)分不同氮化硅區(qū)域，不便于之后的面積計算。

本研究將不同的氮化硅區(qū)域著色后，即取[1,255]中不同灰度值。循環(huán)對每個區(qū)域像素點個數(shù)進行計數(shù)。出現(xiàn)斷柵的相鄰氮化硅區(qū)域面積會成倍增加，從而能輕松判斷面積突變區(qū)域得到斷柵數(shù)量及所在區(qū)域編號，如圖4(c)所示。對單個檢測區(qū)處理完成后，對剩余檢測區(qū)做同樣處理，將斷柵數(shù)求和并在原圖標記位置。

為改善本文斷柵特征檢測方法的準確性與魯棒性，筆者將本文方法與直接區(qū)域生長、柵線種子填充及灰度差分統(tǒng)計方法進行對比實驗，根據(jù)結(jié)果繪制的ROC曲線。

2.2 臟污劃痕特征識別

硅電池片在串焊前同樣會經(jīng)過視覺、激光、電泳等多種方式檢測內(nèi)部區(qū)域的缺陷，但其針對的多是裂紋、缺邊、漏印等硅電池片生產(chǎn)工序中常見的問題，而在串焊的物料轉(zhuǎn)移和高溫焊接過程中，二次污染與運料劃傷不可避免，因此仍需對中央檢測區(qū)進行臟污與劃痕檢測。

由于不同規(guī)格的電池片(如多晶與單晶)氮化硅色度不同，本研究以實驗采集確定的不同參數(shù)對分割后的主體檢測區(qū)域進行自適應(yīng)閾值二值化，來得到較好的特征識別效果。如對于臟污與劃痕缺陷，所作圖像預(yù)處理有一定區(qū)別。但處理后的圖像仍會出現(xiàn)多重缺陷不便于統(tǒng)計，因此可采用多種特征進行特征區(qū)分。常用的特征如周長、不變矩、最小外接圓和伸長度等。

計算特征區(qū)域周長則是基于邊界追蹤算法，先利用Canny算子得到區(qū)域外輪廓，再隨機選取起始點，以八鄰域方向順時針掃描，滿足灰度條件即作為下一個起點，直到回到原點，最終可求得輪廓周長。選取周長特征避免了閾值化輪廓閉合不佳導(dǎo)致的溢出問題，但算法執(zhí)行時間較長。

不變矩中的零階矩即區(qū)域的面積，使用類似斷柵檢測中處理方法，對一定灰度的像素點進行統(tǒng)計，根據(jù)像素比例關(guān)系得出贓污面積。但贓污的灰度跨度較大，自適應(yīng)二次閾值不能得到較為準確的輪廓；對于劃痕則面積法誤差更大。中心矩作為一種圖像數(shù)據(jù)的統(tǒng)計特征，可用來表現(xiàn)特征區(qū)域內(nèi)的像素同質(zhì)性，即像素偏離中心的程度。

最后根據(jù)零階矩、外接圓半徑R、歸一中心矩η等參數(shù)的范圍將不屬于檢測范圍的異類缺陷剔除。

3 實驗及分析

實驗中將檢測系統(tǒng)架設(shè)于多柵串焊機的焊接工位與原先的人工檢測工位之間，主要包括在線檢測控制器、CCD數(shù)字相機、鏡頭光源組件等。CCD安裝在暗箱內(nèi)部，位于傳送帶正上方。該實驗檢測結(jié)果如圖5所示。

圖5 實驗結(jié)果

為了驗證整個檢測系統(tǒng)的穩(wěn)定性，該實驗識別單晶、多晶4種不同色度的硅電池串，生產(chǎn)系統(tǒng)控制器與在線檢測控制器實時通訊，在傳送帶處于停止節(jié)拍時獲取圖像，在生產(chǎn)線試運行2周，以采集數(shù)據(jù)并驗證提出算法的穩(wěn)定性。對示例圖片中缺陷進行檢測的結(jié)果如圖6所示。

圖6 部分實驗結(jié)果圖

實驗中利用openCV計時函數(shù)獲得的相應(yīng)數(shù)據(jù)如表1所示。

表1 部分實驗數(shù)據(jù)

表1中時間數(shù)據(jù)為在CPU主頻為1.8 GHz的計算機上使用200組樣本圖片運行檢測的均值。在生產(chǎn)線連續(xù)30天運行中整個檢測程序總的運行時間不超過1 s，包括讀取圖片與顯示結(jié)果的時間，充分滿足了串焊生產(chǎn)線在線檢測的需求。

同時為進一步定量比較斷柵檢測算法的性能，筆者采用ROC曲線進行比較分析，如圖7所示。

圖7 3種方法的ROC特性曲線

該曲線描述了不同方法在對同一斷柵特征檢測時得到的虛警率(誤檢率)Pf與檢測率Pd間的變化關(guān)系。從ROC曲線中可以看出，本文方法上升速度最快，其檢測性能優(yōu)于針對柵線的種子填充；而柵線法又優(yōu)于直接的區(qū)域生長方法。

最后5天在線檢測率統(tǒng)計數(shù)據(jù)如表2所示。

表2 連續(xù)5天在線檢測率統(tǒng)計

檢測次數(shù)以處理的圖像張數(shù)計算，檢測率約達99.5%。標定像素當量為0.06 mm，尺寸測量精度可達0.1 mm。

4 結(jié)束語

(1)本研究提出了一種無監(jiān)督的缺陷檢測方法，它對先驗樣本無特別要求，通過基于改進的區(qū)域生長算法與不變矩特征識別的硅電池片缺陷識別方法，首先通過邊緣定位，在整幅圖片中分割不同ROI區(qū)域。然后，通過所提出的方法精確識別多種缺陷。對電池串多重缺陷綜合評價檢測準確度高，虛警率控制在2%以下綜合檢測率達99.5%；

(2)本研究提出的改進的區(qū)域生長算法能夠快速返回各氮化硅連通區(qū)域的面積、區(qū)域的中心位置；根據(jù)氮化硅區(qū)域面積的數(shù)據(jù)特征，分離面積激增的區(qū)域，在區(qū)域的理想柵線處標明斷柵；利用不變矩與最小外接

圓等特征去除圖像多次處理后仍存在的雜點或檢測標準外的缺陷。多重缺陷檢測總時間控制在1 s內(nèi)，充分滿足串焊生產(chǎn)線在線檢測需求；

(3)本研究提出的特征矩形測量方法能夠快速精確測算電池串(板)中的片間距、起焊點位置等尺寸參數(shù)。利用此方法結(jié)合基于亞像素的視覺測量方法，在樣機系統(tǒng)試運行中檢測精度可達0.1 mm。