陳海永， 楊佳博， 陳 鵬， 劉 坤

(河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院， 天津 300130)

人工物理檢測(cè)法的檢測(cè)效率低而且容易造成二次損傷. Chen等[3]基于噪聲方式進(jìn)行檢測(cè)，該方法利用晶硅太陽(yáng)能電池片的低頻噪聲與可靠性相關(guān)的性質(zhì)，通過(guò)對(duì)比缺陷太陽(yáng)能電池片的噪聲和其非缺陷噪聲的差異來(lái)判斷是否有缺陷；Duenas等[4]和Istratov等[5]利用電路相關(guān)理論，通過(guò)分析硅片中的多數(shù)載流子和少數(shù)載流子的數(shù)量造成外部電壓的不同來(lái)判斷太陽(yáng)能電池片缺陷的存在性. 與上述檢測(cè)方法相比，基于機(jī)器視覺(jué)的太陽(yáng)能電池片表面缺陷檢測(cè)，具有穩(wěn)定、實(shí)時(shí)、精確且無(wú)二次損傷的優(yōu)點(diǎn)，已經(jīng)成為發(fā)展的主要方向. Anwar等[6]提出了基于缺陷梯度特征的檢測(cè)方法，但容易受到復(fù)雜背景的干擾，精度不高. Agroui等[7]利用聚類的方法，將缺陷部分和非缺陷部分區(qū)分，通過(guò)設(shè)定閾值得到缺陷部分的二值圖，但運(yùn)算速度慢，實(shí)時(shí)性較差. Li等[8]提出了基于頻域分析的缺陷檢測(cè)，但其檢測(cè)精度略低，容易造成誤檢.

為了消除太陽(yáng)能電池片復(fù)雜背景對(duì)缺陷識(shí)別與檢測(cè)的干擾，本文運(yùn)用Yin等[9]在2006年提出的結(jié)構(gòu)紋理分解方法作為預(yù)處理手段，通過(guò)對(duì)太陽(yáng)能電池片結(jié)構(gòu)與紋理的分離，去除復(fù)雜背景對(duì)融合效果的影響. 在單一條件下，無(wú)法兼顧把所有表面缺陷都很好地呈現(xiàn)出來(lái)，導(dǎo)致后續(xù)檢測(cè)漏檢率比較高，適用性比較局限. 應(yīng)用圖像融合技術(shù)來(lái)彌補(bǔ)去除背景帶來(lái)的細(xì)節(jié)問(wèn)題以及互補(bǔ)不同采集條件下采集到的不同圖像的信息，可以提高圖像整體的質(zhì)量，更準(zhǔn)確地表達(dá)電池片本身所包含的信息. 因此，本文采取多光譜的方式進(jìn)行數(shù)據(jù)采集，最大程度上降低檢測(cè)難度，減少了復(fù)雜表面對(duì)特征信息提取的干擾. Gilles[10]在2013年提出經(jīng)驗(yàn)小波變換(empirical wavelet transform，EWT)，其生成的經(jīng)驗(yàn)濾波器含有經(jīng)驗(yàn)信息，并且符合圖像內(nèi)在模式. 本文利用該小波變換對(duì)多光譜圖像濾波后產(chǎn)生的細(xì)節(jié)層進(jìn)行顯著性計(jì)算，得到顯著性圖，并根據(jù)顯著性圖得到缺陷區(qū)域的權(quán)重，然后對(duì)權(quán)重較大區(qū)域進(jìn)行基于對(duì)數(shù)變換的對(duì)比度增強(qiáng)，最后通過(guò)逆經(jīng)驗(yàn)小波變換得到最后融合的圖像. 實(shí)驗(yàn)結(jié)果表明，該算法可以有效提取電池片缺陷信息，同時(shí)抑制復(fù)雜背景帶來(lái)的噪聲.

1 多光譜圖像采集

1.1 多光譜成像

多光譜成像常用于遙感影像，是由不同波長(zhǎng)可見光拍攝所形成的圖像，其像素值可以描述物體的光譜反射率，具有照明無(wú)關(guān)性. 利用這個(gè)特性，可以在一定程度上減少電池片復(fù)雜背景對(duì)缺陷檢測(cè)的影響. 圖1所示為本文算法流程圖. 圖2所示為白光條件下采集到的缺陷電池片圖像，背景干擾較大. 圖3所示為采集到的5種不同波長(zhǎng)的多光譜灰度圖像，雖然減少了背景噪聲，但是同時(shí)丟失了大量信息；因此，需要通過(guò)圖像融合方法進(jìn)行重構(gòu).

1.2 多光譜圖像預(yù)處理

太陽(yáng)能電池片的復(fù)雜背景會(huì)影響表面缺陷的可靠檢測(cè)，因此，為了消除影響，本文采用Yin等[9]提出的一種結(jié)構(gòu)紋理分解方法，將圖像結(jié)構(gòu)紋理看作分段光滑且具有銳利邊緣輪廓的結(jié)構(gòu)圖像u，以及僅包含精細(xì)尺度細(xì)節(jié)且具有一些振蕩性質(zhì)的紋理圖像v的總和，即f=u+v，公式為

(1)

采用真空預(yù)壓法加固軟土地基，施工過(guò)程如下：(1)在基礎(chǔ)上設(shè)置砂井或塑料排水板，在地面上鋪設(shè)一層砂墊層：(2)在砂墊上放置密封膜，使其與空氣隔離；(3)利用砂墊中的吸力管將密封膜中存在的空氣抽出，形成真空砂墊，同時(shí)在密封膜的內(nèi)外逐漸形成壓差。將其作用地基荷載，可增加地基的有效應(yīng)力，進(jìn)而起到加固作用。進(jìn)行空氣抽提作業(yè)前，土壤有效應(yīng)力為其質(zhì)量應(yīng)力，而空氣連續(xù)還原后，土壤有效應(yīng)力呈上升趨勢(shì)，形成地基固結(jié)。在泵送作業(yè)結(jié)束時(shí)，完成基礎(chǔ)的固結(jié)反應(yīng)。對(duì)軟基進(jìn)行處理后，采用真空預(yù)壓法能夠大幅度提高地基承載力，可取得良好的經(jīng)濟(jì)效益和社會(huì)效益。

(2)

式中：Ω是f的作用域；λ越大，逼近項(xiàng)越小，也就是說(shuō)u的平滑程度越小，越接近f. Aujol等[12]提到u和v的相關(guān)性最小值可以用來(lái)估計(jì)λ，通常λ為0.2～2.0，本文中λ取為0.4. 處理結(jié)果如圖4、5所示.

2 多光譜圖像融合

2.1 經(jīng)驗(yàn)小波變換

EWT[10]是一種自適應(yīng)的方法，它會(huì)根據(jù)信號(hào)本身的特征生成一組濾波器，用生成的濾波器對(duì)多光譜圖像進(jìn)行濾波，得到細(xì)節(jié)層和近似層子圖像，濾波過(guò)程如下.

1) 構(gòu)造行濾波器

(3)

式中Nrow為圖像的行數(shù).

② 使用邊緣探測(cè)法[13]，根據(jù)指定的N值來(lái)確定濾波器數(shù)量，再取輸入信號(hào)傅里葉頻譜的前N個(gè)相鄰2個(gè)最大值的中值來(lái)確定分割頻譜的N-1個(gè)邊緣ωn(1≤n≤N-1)，同時(shí)假定ω0=0，ωN=π.

③ 根據(jù)

(4)

(5)

3) 對(duì)圖像按行使用行濾波器組中的濾波器進(jìn)行濾波，得到NR+1個(gè)中間結(jié)果，再對(duì)每個(gè)中間結(jié)果使用列濾波器進(jìn)行濾波，得到最終的(NR+1)×(NC+1)個(gè)子帶圖.

(6)

式中β可以是任意Ck([0,1])函數(shù)[14]，這里取β=x4(35-84x+70x2-20x3).

為了達(dá)到簡(jiǎn)單的目的，可以假設(shè)τn=λωn(0<λ<1)[13]，這樣只需要一個(gè)參數(shù)λ，而不用為尺度函數(shù)和每個(gè)小波函數(shù)指定τn.

2.2 顯著性權(quán)重計(jì)算

本文利用圖像特征顯著性算法，計(jì)算出經(jīng)驗(yàn)小波變換生成的細(xì)節(jié)層子圖像的顯著性圖，進(jìn)而根據(jù)顯著性圖得到權(quán)重較大的缺陷區(qū)域. 圖像特征是Hou等[15]在2012年提出的一種簡(jiǎn)單的圖像描述符. 在稀疏信號(hào)混合的理論框架內(nèi)，這個(gè)描述符在空間上近似于圖像的前景，這種近似前景與視覺(jué)上明顯的圖像位置重疊. 由圖像特征所引起的像距離更接近于人類的感知距離[15]. 可以將灰度圖像看作

x=f+b，x,f,b∈RN

(7)

式中：f代表前景或者圖像信號(hào)，并且假設(shè)在標(biāo)準(zhǔn)空間基礎(chǔ)上得到稀疏支持；b代表背景，并且假設(shè)在離散余弦變換基礎(chǔ)上得到稀疏支持. 通常圖像特征的定義為

ImageSignature(x)=sign(DCT(x))

(8)

式中sign(·)表示特征算子.

假設(shè)圖像的前景相對(duì)于它的背景來(lái)說(shuō)是顯而易見的，那么可以根據(jù)

(9)

定義一個(gè)顯著性圖. 式中：g代表高斯核；°為阿達(dá)瑪積運(yùn)算符.

如圖6所示，圖中亮度較高部分即是權(quán)重較大的缺陷區(qū)域，根據(jù)顯著性圖信息，即可進(jìn)行基于對(duì)數(shù)變換的對(duì)比度增強(qiáng). 通過(guò)熱度圖可以表示子圖像缺陷強(qiáng)弱程度，顏色越深，表示缺陷特征越明顯；顏色越淺，表示缺陷特征越不明顯，需要進(jìn)行對(duì)比度增強(qiáng)，如圖7所示.

2.3 融合規(guī)則

本文使用經(jīng)驗(yàn)小波變換將源圖像分解成近似層子圖像與細(xì)節(jié)層子圖像. 近似層包含能量較高，代表了原圖像的整體信息，細(xì)節(jié)層包含能量較低，代表了原圖像的細(xì)節(jié)信息. 通過(guò)顯著性圖得到細(xì)節(jié)層子圖像權(quán)重較大的部分，并使用對(duì)數(shù)變換方法提高該部分的對(duì)比度，再將處理后各細(xì)節(jié)層子圖像通過(guò)均值規(guī)則進(jìn)行融合，得到融合后的細(xì)節(jié)層子圖像. 對(duì)于近似層子圖像，只采取均值規(guī)則進(jìn)行融合，得到融合后的近似層子圖像. 最后，通過(guò)逆經(jīng)驗(yàn)小波變換，將融合后的近似層和細(xì)節(jié)層整合，得到最終的融合圖像. 對(duì)顯著性區(qū)域進(jìn)行基于對(duì)數(shù)變換的對(duì)比度增強(qiáng)效果如圖8所示，劃痕和指紋缺陷區(qū)域均有明顯的增強(qiáng). 融合后的近似層和細(xì)節(jié)層如圖9所示.

3 實(shí)驗(yàn)結(jié)果與分析

本文算法實(shí)現(xiàn)的環(huán)境為MATLAB 2016a. 所采用的PC配置為Intel Core i5-3230M 2.6 GHz CPU，操作系統(tǒng)為Windows 7 旗艦版. 選擇拉普拉斯金字塔(Laplacian pyramid，LP)變換[16]、交叉雙邊濾波(cross bilateral filter，CBF)[17]、非下采樣輪廓波變換(nonsubsampled contourlet transform，NSCT)[16]以及結(jié)構(gòu)塊分解(structural patch decomposition，SPD)方法[18]作為對(duì)比算法，對(duì)本文算法進(jìn)行對(duì)比論證.

為了定量地比較4種算法的綜合性能，采用平均梯度(average gradient，AVG)、邊緣強(qiáng)度(edge intensity，EDG)、圖像清晰度(figure definition，F(xiàn)IG)、標(biāo)準(zhǔn)差(standard deviation，STD)作為量化指標(biāo). 表1列出了不同融合方法對(duì)比的實(shí)驗(yàn)結(jié)果，可以看出本文算法在平均梯度、邊緣強(qiáng)度、圖像清晰度以及標(biāo)準(zhǔn)差4個(gè)指標(biāo)上均優(yōu)于其他3種算法. 表2列出了本文算法融合結(jié)果圖與融合前原圖對(duì)比的實(shí)驗(yàn)結(jié)果，4個(gè)評(píng)估指標(biāo)均是最高，達(dá)到了融合的目的. 上述實(shí)驗(yàn)數(shù)據(jù)綜合表明，本文算法融合效果較好，融合后的圖像信息更加完整，細(xì)節(jié)方面有了增強(qiáng). 使用各算法得到的融合結(jié)果如圖10所示.

表1 不同算法融合圖像指標(biāo)

表2 融合結(jié)果與原圖對(duì)比結(jié)果

4 結(jié)論

1) 本文將多光譜成像特點(diǎn)應(yīng)用于太陽(yáng)能電池片非均勻復(fù)雜表面缺陷檢測(cè)上，利用缺陷特征與波段的關(guān)系，增強(qiáng)了缺陷信息，并且在一定程度上抑制了復(fù)雜背景的影響.

2) 利用結(jié)構(gòu)紋理分解的方法作為融合前的預(yù)處理，可以有效地去除復(fù)雜背景的干擾，降低了缺陷檢測(cè)的難度.

3) 通過(guò)二維張量經(jīng)驗(yàn)小波的內(nèi)在經(jīng)驗(yàn)信息，將太陽(yáng)能電池片分解為細(xì)節(jié)層和近似層. 近似層表征了整體特性，而細(xì)節(jié)層包含了缺陷信息，通過(guò)多尺度分解的方法，可很好地將缺陷信息提取出來(lái).

4) 利用顯著性的方法確定需要增強(qiáng)的區(qū)域，得到顯著性權(quán)重圖. 根據(jù)權(quán)重的不同，對(duì)缺陷部分進(jìn)行對(duì)比度提升，增強(qiáng)了缺陷特征.