技术领域
[0001] 本
发明涉及光伏电池片缺陷检测技术领域，特别是涉及基于结构相似性度量的
多晶硅电池片裂纹缺陷检测方法。
背景技术
[0002] 近几年，人们对清洁
能源的依赖程度越来越高，光伏电池片的产量也进一步扩大。裂纹是电池片常见的缺陷，也是电池片生产中需要重点检测的缺陷类型。电池片裂纹缺陷会引起
栅线断裂，阻碍
电流的传输，导致电池片部分甚至全部失效，直接影响
光伏发电系统的
稳定性和可靠性。目前在生产现场主要是依赖人工视觉抽样检测，其检测效率和检测
质量均较低，并且检测重复性差，成本高。基于
计算机视觉的电池片裂纹缺陷自动检测技术对于确保电池片质量、提升光伏组件的发电效率具有重要的意义。
[0003] 根据检测
算法所处理对象的纹理特征差异，现有方法可分为基于学习的算法、均匀纹理的算法、非均匀纹理的算法。基于学习的算法需要大量的标记图像和训练样本，并且针对多晶硅电池片复杂的背景而言，将完整的裂纹缺陷准确地
定位在检测图像上具有一定的挑战性。均匀纹理的算法处理的图像上的缺陷或瑕疵与背景具有较高的
对比度，并且各个图像背景呈现均匀性纹理的特点，较容易实现缺陷或瑕疵的检测。对于多晶硅电池片而言，随机分布的大小、方向、
位置不一的晶粒形成了非均匀纹理背景；裂纹缺陷强度与晶粒强度接近，二者之间呈现低对比度的特点；裂纹缺陷形态复杂，且存在晶粒伪缺陷，这些难点给多晶硅电池片裂纹缺陷检测算法的研究带来了极大的挑战。因此，研究非均匀纹理背景下的多晶硅电池片裂纹缺陷检测方法，具有非常重要的现实意义。
[0004] 对电致发光成像下获取的多晶硅电池片EL图像的三维强度分布图和侧视图进行分析，可以得出，多晶硅电池片EL图像可分为裂纹缺陷和晶粒两种结构特征，裂纹缺陷表现为线状结构特征，晶粒则表现为
块状结构特征。因此，可根据裂纹缺陷和晶粒的结构特征差异展开裂纹缺陷检测算法的研究。
发明内容
[0005] 针对
现有技术的不足，本发明提供一种基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法。该方法从图像结构特征的
角度，建立结构相似度量函数，解决非均匀纹理背景干扰的难题。
[0006] 本发明解决所述技术问题采用的技术方案是，提供基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法，其特征在于，包括如下步骤：
[0007] 步骤1，结构相似性度量函数设计
[0008] 根据多晶硅电池片EL图像的结构特征设计基于Hessian矩阵的增强滤波函数即结构相似度量函数来增强裂纹缺陷，同时抑制随机晶粒伪缺陷和背景信息，获取一致均匀的背景，具体过程如下：
[0009] 1-1：结构建模：利用直线和斑点分别表示线状的裂纹缺陷结构和块状的晶粒结构特征，得到直线l(x，y)和斑点b(x，y)的函数表达式为：
[0010]
[0011]
[0012] 1-2：求解特征值：多晶硅电池片EL图像上一点u＝(x，y)处的 Hessian矩阵H(u)是一个二维矩阵，其含有两个特征值λ1和λ2，具体求解方法为：
[0013]
[0014]
[0015] 其中，K＝(fxx+fyy)/2，
[0016] 可得线状结构特征条件为： 块状结构特征条件为：
[0017] 1-3：为区分线状结构和块状结构，令 则线状结构的e2＝ 0，块状结构的e2＝1；进而建立相似度Si(i＝l，b)识别不同结构特征：
[0018]
[0019]
[0020] 1-4：线状结构和块状结构的特征值大小也有较大差异，故也可选取特征值的绝对值大小Mi(i＝l，b)函数作为区分条件，其分别满足：
[0021] Ml(λ1，λ2)＝|λ1|
[0022] Mb(λ1，λ2)＝|λ2|
[0023] 1-5：综合相似度函数Si和特征值的绝对值函数Mi分别得到线状结构识别函数φl和块状结构识别函数φb为
[0024]
[0025]
[0026] 其中，多晶硅电池片EL图像f(u)中任意一点u＝(x，y)；
[0027] 1-6：综合线状结构识别函数φl(u)和块状结构识别函数φb(u)设计初始结构相似性度量函数φ0(u)：
[0028]
[0029] 1-7：增加
曲率度量函数m来区分出背景
像素，进而构造函数n用于抑制背景，得到结构相似性度量函数φ(u)；
[0030] m＝λ12+λ22
[0031]
[0032]
[0033] 其中，a为一个可调的常数；
[0034] 步骤2，预处理待检测图像
[0035] 将从电池片生产现场采集的电致发光成像下的多晶硅电池片EL 图像首先进行高斯滤波的平滑处理来降低图像的噪声，然后利用结构相似性度量函数φ(u)进行处理，得到多晶硅电池片EL图像的裂纹缺陷响应图；
[0036] 步骤3，裂纹缺陷提取和定位
[0037] 3-1：张量投票：经过结构相似性度量函数φ(u)处理后，多晶硅电池片EL图像的裂纹缺陷响应图上裂纹缺陷的强度不一致，采用张量投票方法进一步提高裂纹缺陷响应值的均匀度，获取裂纹概率图；
[0038] 3-2：两个对称的等腰三角形区域内的非极大值抑制：在步骤3-1 的
基础上，在两个对称的等腰三角形内将强度不是最大的所有像素点标记为零，提取裂纹概率图中的裂纹点；
[0039] 3-3：形态学处理：在步骤3-2的基础上，采取形态学运算去除图像中一些非裂纹点的局部极大值点；
[0040] 3-4：裂纹缺陷定位：将提取的裂纹缺陷点精准的定位在多晶硅电池片EL图像上。
[0041] 与现有技术相比，本发明的检测方法能够增强裂纹缺陷，抑制晶粒，从而提高裂纹缺陷和EL图像背景的对比度，获取一致均匀的背景，实现非均匀纹理背景下裂纹缺陷检测。
具体实施方式
[0042] 下面将结合
实施例，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043] 本发明基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法，包括如下步骤：
[0044] 步骤1，结构相似性度量函数设计
[0045] 根据多晶硅电池片EL图像的结构特征设计基于Hessian矩阵的增强滤波函数即结构相似度量函数来增强裂纹缺陷，同时抑制随机晶粒伪缺陷和背景信息，获取一致均匀的背景，具体过程如下：
[0046] 1-1：结构建模：利用直线和斑点分别表示线状的裂纹缺陷结构和块状的晶粒结构特征，得到直线l(x，y)和斑点b(x，y)的函数表达式为：
[0047]
[0048]
[0049] 因需求解Hessian矩阵，故要确保建立的函数表达式连续且二阶可导；
[0050] 1-2：求解特征值：多晶硅电池片EL图像上一点u＝(x，y)处的 Hessian矩阵H(u)是一个二维矩阵，其含有两个特征值λ1和λ2，具体求解方法为：
[0051]
[0052]
[0053] 其中，K＝(fxx+fyy)/2，
[0054] 可得线状结构特征条件为： 块状结构特征条件为：
[0055] 1-3：为区分线状结构和块状结构，令 则线状结构的e2＝ 0，块状结构的e2＝1；进而建立相似度Si(i＝l，b，其中l表示线状结构， b表示块状结构，下同)识别不同结构特征：
[0056]
[0057]
[0058] 可以看出，每一个相似度函数Si对于特定的结构特征的输出值为 1，而对另外的结构特征输出值为0，可根据相似度函数Si准确地判断图像中某个像素所属的结构特征；
[0059] 1-4：线状结构和块状结构的特征值大小也有较大差异，故也可选取特征值的绝对值大小Mi(i＝l，b)函数作为区分条件，其分别满足：
[0060] Ml(λ1，λ2)＝|λ1|
[0061] Mb(λ1，λ2)＝|λ2|
[0062] 可以看出|λ2|能很好地区分线状结构和块状结构。若图像中某一像素为块状结构，其值大于0；同样的，若为线状结构，其值等于0。
[0063] 1-5：综合相似度函数Si和特征值的绝对值函数Mi分别得到线状结构识别函数φl和块状结构识别函数φb为
[0064]
[0065]
[0066] 其中，多晶硅电池片EL图像f(u)中任意一点u＝(x，y)。
[0067] 1-6：在多晶硅电池片裂纹缺陷检测任务中，为增强线状的裂纹缺陷结构，同时抑制块状的晶粒结构，综合线状结构识别函数φl(u) 和块状结构识别函数φb(u)设计初始结构相似性度量函数φ0(u)。在裂纹缺陷处将会产生较大的响应值，而在背景上的响应值较小，故其能够衡量裂纹缺陷存在的可能性大小；
[0068]
[0069] 1-7：多晶硅电池片EL图像经初始结构相似性度量函数φ0(u)处理后，裂纹缺陷处理后的响应值大于周围背景上其他结构的响应值，裂纹缺陷得到明显的增强。但是，背景上仍存在一些伪响应。增加曲率度量函数m来区分出
背景像素，进而构造函数n用于抑制背景，得到结构相似性度量函数φ(u)；
[0070] m＝λ12+λ22
[0071]
[0072]
[0073] 其中，a为一个可调的常数。
[0074] 步骤2，预处理待检测图像
[0075] 将从电池片生产现场采集的电致发光成像下的多晶硅电池片EL 图像首先进行高斯滤波的平滑处理来降低图像的噪声，然后利用结构相似性度量函数φ(u)进行处理，得到多晶硅电池片EL图像的裂纹缺陷响应图。
[0076] 步骤3，裂纹缺陷提取和定位
[0077] 3-1：张量投票：经过结构相似性度量函数φ(u)处理后，多晶硅电池片EL图像的裂纹缺陷响应图上裂纹缺陷的强度不一致，常见的
阈值分割方法难以确定合适的阈值，故采用张量投票方法进一步提高裂纹缺陷响应值的均匀度，获取裂纹概率图；
[0078] 3-2：两个对称的等腰三角形区域内的非极大值抑制：在步骤3-1 的基础上，在两个对称的等腰三角形内将强度不是最大的所有像素点标记为零，提取裂纹概率图中的裂纹点；
[0079] 3-3：形态学处理：在步骤3-2的基础上，采取形态学运算去除图像中一些非裂纹点的局部极大值点；
[0080] 3-4：裂纹缺陷定位：将提取的裂纹缺陷点精准的定位在多晶硅电池片EL图像上。
[0081] 所述步骤1-7中设计的结构相似度量函数中唯一的可调参数a影响响应图的平滑度，故通过一个详细的实验分析来选取参数a的最佳值。首先，需要说明的是在所提方法中，为更合理地展示所选取的参数变化情况，参数a是通过如下公式来计算的，其中参数q是一个需手动设置的常数。
[0082] a＝2q2
[0083] 分别选取不同的参数值q，q的取值分别为1，5，10，15，分析对应的响应值来反映参数a的变化对响应图的影响。从响应图上的响应值可以看出，如果a的值太小，曲率度量函数m的作用就会被放大，经φ(u)处理后的响应图上的响应值
波动较大。相反地，如果a的值太大，其会对曲率度量函数m的变化有一定的抑制作用，响应图就会变得平滑。
[0084] 总体来看，当参数q在5到10的范围内变化时，φ(u)处理后能够得到更加均匀的背景。另外，也应该考虑多晶硅电池片EL图像裂纹缺陷处的响应值分布。因为设计结构相似度量函数φ(u)的目的不但要抑制其他非裂纹缺陷结构来获取均匀的背景，并且要增强裂纹缺陷，提升裂纹与周围背景的对比度。然而，多晶硅电池片EL图像中的裂纹缺陷经过φ(u)处理后，裂纹缺陷处的响应值出现一定程度的损失，其强度是不均匀的。由响应值可以看出，随着参数q的增大，裂纹缺陷处的响应值在减小。因此，参数q的值不能无限大。
[0085] 实施例1
[0086] 本实施例提供一种基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法，包括如下步骤：
[0087] 步骤1，结构相似性度量函数设计
[0088] 根据多晶硅电池片EL图像的结构特征设计基于Hessian矩阵的增强滤波函数即结构相似度量函数来增强裂纹缺陷，同时抑制随机晶粒伪缺陷和背景信息，获取一致均匀的背景，具体过程如下：
[0089] 1-1：结构建模：利用直线和斑点分别表示线状的裂纹缺陷结构和块状的晶粒结构特征，得到直线l(x，y)和斑点b(x，y)的函数表达式为：
[0090]
[0091]
[0092] 因需求解Hessian矩阵，故要确保建立的函数表达式连续且二阶可导；
[0093] 1-2：求解特征值：多晶硅电池片EL图像上一点u＝(x，y)处的 Hessian矩阵H(u)是一个二维矩阵，其含有两个特征值λ1和λ2，具体求解方法为：
[0094]
[0095]
[0096] 其中，K＝(fxx+fyy)/2，
[0097] 可得线状结构特征条件为： 块状结构特征条件为：
[0098] 1-3：为区分线状结构和块状结构，令 则线状结构的e2＝ 0，块状结构的e2＝1；进而建立相似度Si(i＝l，b)识别不同结构特征：
[0099]
[0100]
[0101] 可以看出，每一个相似度函数Si对于特定的结构特征的输出值为 1，而对另外的结构特征输出值为0，可根据相似度函数Si准确地判断图像中某个像素所属的结构特征；
[0102] 1-4：线状结构和块状结构的特征值大小也有较大差异，故也可选取特征值的绝对值大小Mi(i＝l，b)函数作为区分条件，其分别满足：
[0103] Ml(λ1，λ2)＝|λ1|
[0104] Mb(λ1，λ2)＝|λ2|
[0105] 可以看出|λ2|能很好地区分线状结构和块状结构。若图像中某一像素为块状结构，其值大于0；同样的，若为线状结构，其值等于0。
[0106] 1-5：综合相似度函数Si和特征值的绝对值函数Mi分别得到线状结构识别函数φl和块状结构识别函数φb为
[0107]
[0108]
[0109] 其中，多晶硅电池片EL图像f(u)中任意一点u＝(x，y)。
[0110] 1-6：在多晶硅电池片裂纹缺陷检测任务中，为增强线状的裂纹缺陷结构，同时抑制块状的晶粒结构，综合线状结构识别函数φl(u) 和块状结构识别函数φb(u)设计初始结构相似性度量函数φ0(u)。在裂纹缺陷处将会产生较大的响应值，而在背景上的响应值较小，故其能够衡量裂纹缺陷存在的可能性大小；
[0111]
[0112] 1-7：多晶硅电池片EL图像经初始结构相似性度量函数φ0(u)处理后，裂纹缺陷处理后的响应值大于周围背景上其他结构的响应值，裂纹缺陷得到明显的增强。但是，背景上仍存在一些伪响应。增加曲率度量函数m来区分出背景像素，进而构造函数n用于抑制背景，得到结构相似性度量函数φ(u)；
[0113] m＝λ12+λ22
[0114]
[0115]
[0116] 其中，a为一个可调的常数。
[0117] 步骤2，预处理待检测图像
[0118] 首先进行高斯滤波的平滑处理来降低图像的噪声，然后利用结构相似性度量函数φ(u)进行处理，得到多晶硅电池片EL图像的裂纹缺陷响应图。
[0119] 步骤3，裂纹缺陷提取和定位
[0120] 3-1：张量投票：经过结构相似性度量函数φ(u)处理后，多晶硅电池片EL图像的裂纹缺陷响应图上裂纹缺陷的强度不一致，常见的阈值分割方法难以确定合适的阈值，故采用张量投票方法进一步提高裂纹缺陷响应值的均匀度，获取裂纹概率图；
[0121] 3-2：两个对称的等腰三角形区域内的非极大值抑制：在步骤3-1 的基础上，在两个对称的等腰三角形内将强度不是最大的所有像素点标记为零，提取裂纹概率图中的裂纹点；
[0122] 3-3：形态学处理：在步骤3-2的基础上，采取形态学运算去除图像中一些非裂纹点的局部极大值点；
[0123] 3-4：裂纹缺陷定位：将提取的裂纹缺陷点精准的定位在多晶硅电池片EL图像上。
[0124] 本实施例中，参数q的取值为5，故参数a的取值是50。
[0125] 上面对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和
权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
