论文部分内容阅读
随着全球能源危机和环境污染的不断加剧,绿色可持续发展的能源得到世界各国的高度关注。太阳能是一种极具吸引力的替代能源,太阳能光伏电池是太阳能发电系统的基础。因此保障太阳能光伏电池高品质生产,对环境保护和缓解能源紧缺具有重要意义。而生产过程中的太阳能光伏电池会产生许多缺陷,因其缺陷类型复杂,给太阳能光伏电池生产过程中产品的质量检测带来了很多困难。为了实现自动检测电池质量,本文以光学成像后的光伏电池图像为研究对象,利用图像处理的方法检测电池缺陷。为此,我们研究了基于图像重建的晶体硅光伏电池隐性缺陷检测方案,首先利用独立分量分析算法分类出太阳能光伏电池图像中含有缺陷和不含缺陷的图像,对分离出的缺陷图像进一步利用独立分量分析方法检测出缺陷的具体位置,然后对于缺陷类型更复杂的图像,通过数据删除模型重建图像的背景,通过比较待检图像与背景差异实现缺陷的检测。本文的主要内容有:(1)提出了一种基于独立分量分析的太阳能光伏电池图像分类和缺陷检测方法。独立分量分析算法广泛应用在信号处理、图像去噪等多个领域。为实现太阳能光伏电池图像的分类和缺陷位置检测,根据独立分量分析算法使用一组无缺陷图像训练得到一组图像基,这样任一幅待检图像均能通过这组基表示得到一组系数,利用求得的系数可估算出待检图像的背景。在图像分类阶段,首先用这组图像基表示训练图像并将得到的系数取均值,根据系数均值可估计出一幅最有代表性的无缺陷背景图像,对任一幅待检图像计算其与该背景的残差值,通过预定的阈值对每幅待检图像的残差值进行分类,从而将太阳能光伏电池图像分为了含有缺陷和不含缺陷两类。在缺陷检测阶段,对分类过程中得到的缺陷图像,利用训练的图像基来构造光伏电池隐性缺陷图像的背景,通过待检图像与背景图像做减法突出缺陷区域进行分割,即得到带有缺陷位置和形状的二值图像。这样利用独立分量分析算法同时实现了光伏电池中隐性缺陷图像的分类和缺陷位置的检测。其中,在分类阶段对98幅图像(38幅无缺陷、60幅缺陷)的分类准确率达93.2%,在检测阶段对223幅带有多种缺陷类型图像的缺陷检测率达到了 95.79%。(2)为检测无训练样本的光伏电池中的隐性缺陷,提出了 一种基于块数据删除模型的缺陷检测方法。首先,对待检图像建立其灰度值与坐标间的非线性回归模型,得到模型的系数。然后,将图像分块,每删除一块,建立删除后的灰度值及其坐标间的非线性回归模型,计算删除后的系数。通过计算块删除前后系数间的Cook距离并以上截断点为阈值,筛选出所有异常的系数对应的图像块,将找到的所有异常图像块剔除后重建图像的背景。最后,用原图像与得到的背景图像作差以突出缺陷区域,从而达到缺陷检测的目的。实验结果表明,所提出的方法能够有效地检测出太阳能光伏电池中隐裂、断栅和碎片等多种类型的缺陷。该方法对不含缺陷的太阳能光伏电池图像具有稳定的检测效果,用该方法对313幅太阳能光伏电池图像进行实验,其中158幅无缺陷图像均未检测出缺陷,而另外155幅含有隐裂、断栅等缺陷的图像,仅有5幅出现误检,缺陷检测率达96.77%。