光伏电池片裂纹检测方法总结

1、太阳能组件裂纹检测方法研究1、研究背景 : 随着科学技术的不断发展， 太阳能的应用越来越广。 在新能源领域， 我们通过光电转换的原理，将清洁的太阳能转换成电能，为我们提供源 源不断的能源。目前，光伏行业发展迅速，年增长率在 20%左右。这些 生产出来的电池片首先就是要对其质量进行检测， 电池片的质量影响着 其使用的寿命、稳定性、以及光电转换效率，传统的人工分拣已经无法 满足市场需求。光伏电池片在层叠、层压、装框、清洗等生产过程中，会导致电池 板内部出现断栅、裂纹、黑片等不同类型的缺陷，这些缺陷严重影响了 电池片的质量。因此，电池片 EL 缺陷检测与识别就成为生产过程中极 其重要的环节。机器视觉

2、的技术已经广泛的应用到了缺陷检测的领域，但是这些技 术针对的都是表面纹理分布比较均匀缺陷。在太阳能电池片领域，多晶 硅的表面纹理特征复杂，而且部分缺陷容易受到晶格的影响。多晶硅缺 陷检测一直就是机器视觉缺陷检测的难点，其主要原因有以下三点： 、由于电池片的发光效率不一样，所以 EL 图片的亮暗程度不同。 、每张电池片的背景不同，而且十分复杂。、不同光伏厂家的生产工艺不同，标准不一样。 目前只有德国伊斯拉视像设备制造有限公司可以实现实时 EL 图像 缺陷检测国内国外的一些厂家如 pi4、沛德、捷得宝等有一定的识别率 不过需要人工辅助检测。2、研究现状： 机器视觉已经广泛的运用到了机器视觉领域。但

3、是，大多数的方法 都只能处理背景比较均匀的缺陷。多晶硅包含着复杂的纹理，而且缺陷 可能出现在电池片的任何一个区域，这些大大增加了缺陷检测的难度。 图像处理技术已经应用到了太阳能电池片的缺陷检测领域 , Fu et al1采 用机器视觉的方法检测缺陷， 这种方法只能识别在裂纹边缘有着高对比 灰度的裂纹。 Pilla et al2使用热成像技术检测裂纹，再用一个简单的的 阈值化，就能把缺陷从一个均匀的背景下提取出来。 Warta3总结了不 同传感器就是在太阳能缺陷检测领域的应用。Tsai et al4把用于隐裂检测的各向异性扩散算法应用到了太阳能电 池片的裂纹检测领域。这种方法去除了晶粒背景，只保

4、留了裂纹纹理。 这种方法在检测镜子缺陷时效果非常好，而且速度非常快，但是他不能能够直接应用到其他缺陷的检测当中。 Li and Tsai5提出了一种检测硅 片上锯痕的算法，运用傅里叶变换来移除晶格的背景。在移除背景后的 图像中，一行一行的直线检测过程用于检测可能的缺陷点，则种方法只 能检测特定的锯齿状缺陷。 Chiou and Liu6使用一种近红外成像技术来 增强隐裂缺陷。这种方法只适用于检测裂纹比背景更暗的情况，也就是 有较大的灰度值差异。CCD 芯片的相机不能有效地捕获一些不明显的裂纹， 像隐裂和细微 的断栅。 EL 成像技术已经被引入光伏缺陷检测行业，使得我们可以检 测到电池片内部的缺

5、陷。当我们给光伏电池片通上电压，这是电池片会 发出红外光，我们再用近红外相机采集单通道灰度图片，这时就会得到 EL 图像。如果 EL 的光电转化效率很高，那么电池片将发出明亮的光， 我们采集的图像也会整体发亮。 有缺陷的电池片区域在电池片上呈现的 区域更加暗。常见的光伏裂纹有两种形状： 网状裂纹图 1（a）和线形裂纹图 1（b）图 1（ a）网状裂纹图 1（ b）线状裂纹虽然有缺陷的区域会被显示成暗区域，但是晶格的边界也会显现出 来。这样就会导致误检。因此，通过算法来进行裂纹缺陷的自动检测就 变得十分的困难。当前，在制造业当中，能够通过工业相机获取电池片 的 EL 图像，并将其显示在显示器上。

6、但是，仍然需要一个操作员从这 些 EL 图像当中挑选出有缺陷的电池片。而一些很小的或者很细的裂纹 缺陷很容易被人忽略。为了解决这个问题我们就要寻找一种方法，将各 种裂纹缺陷准确的提取出来， 并反馈给 PLC 通过机器自动的将有缺陷的 电池片检测出来。方法研究的现状 :1、台湾元智大学蔡笃铭等研究了基于均值漂移的多晶硅表面指纹缺 陷检测。（1）通过滑动窗口扫描原图像，根据图像熵计算公式得到熵图像。（ 2）然后根据像素的坐标信息，还有 RGB 三个值得到均值漂移方 法的核函数。（3）利用均值漂移方法对熵图像进行滤波处理。（4）利用简单的自适应阈值对滤波后的图像进行分割，得到缺陷。2、基于傅里叶变换

7、重构图像的多晶硅的裂纹缺陷检测。（ 1）将缺陷图像进行分块， 对子块进行傅里叶变换， 变换后的傅里 叶频谱图，如果图像存在裂纹，那么图中会出现一条过中心点的亮线。（2）根据 hough 变换检测亮线。（3）将亮线区域置零。（4）对频域图像进行傅里叶反变换。 比较相似的方法是基于小波变换的缺陷检测， 当时域特征不明显时， 可以考虑在频率域内做处理。3、基于模糊 C 均值的聚类多晶硅缺陷检测。（1）将集群数据的方差引入到原始模糊 C 均值的距离计算公。（2）对图像进行边缘检测。（3）提取边缘检测效果图的 haar-like 特征。（4）确定类别数对正常的样本集进行聚类。（5）提取测试图像的 haa

8、r-like 特征，计算其到各个聚类中心的距离 来确定缺陷的边缘区域。与这个方法比较类似的是基于独立成分分析的多晶硅缺陷检测，都 是通过对复杂背景建立模型，计算图像到模型的距离来进行判别，距离 大缺陷，距离小非缺陷。4、台湾中华大学邱奕契基于局部阈值的多晶硅裂纹缺陷检测。（1）根据像素领域内的均值和方差设定动态阈值分割图像。（2）进行形态学处理。（3）提取连通域特征。 与这个方法比较类似的是基于区域增长的裂纹缺陷检测。5、基于深度学习的表面缺陷检测。 三菱电子研究实验室通过深度残差神经网络 ResNet-based分类器并 引入 Active Learning 作为数据增量训练， 对城市中管道

9、、 桥梁进行裂纹、 沉积等缺陷进行检测，数据由 603张 4096x4800的图片，使用滑窗的方 法，转换为 289440张 520x520张图片，数据中 60%作为训练数据， 20% 验证集和 20%测试集，测试集准确率为 87.5%。美国费城天普大学通过 卷积神经网络模型，对道路裂纹缺陷进行检测由 500 张 3264 2448 的 图像，分割为 64 万个样本，准确率为 0.8696。3、未来的发展方向。光伏电池片的 EL 裂纹检测目前的效果还可以在提升，而且提升空 间很大。本人打算从机器学习的方向入手来研究特征的提取、分类器的 选用。时间计划安排2018年 1月2月裂纹算法研究2018

10、年 2月5月算法加方法研究2018年 5月9月小论文论文写作2018年 9月12月机器学习方法研究2019年 1月3月第二篇小论文写作2019年 3月6月大论文写作2019年6月2020年 1月做项目1 Z. Fu, Y. Zhao, Y. Liu, Q. Cao, M. Chen, J. Zhang, J. Lee, Solar cell crack inspection by image processing, in: International Conference on the Business of Electronic Product Reliability and Liabili

11、ty, 2004, pp. 7780.2 M. Pilla, F. Galmiche, X. Maldague, Thermographic inspection of cracked solar cells, in: Proceedings of SPIE, 2002, pp. 699 703.3 W. Warta, Defect and impurity diagnostics and process monitoring, Sol. Energy Mater. Sol. Cells 72 (2002) 389 401.4 D.-M. Tsai, C.-C. Chang, S.-M. Ch

12、ao, Micro-crack inspection in heterogeneously textured solar wafers using anisotropic diffusion, Image Vis. Comput. 28(2010) 491 501.5 W.-C. Li, D.-M. Tsai, Automatic saw-mark detection in multicrystalline solar wafer images, Sol. Energy Mater. Sol. Cells 95 (2011) 22062220.6 Y.-C. Chiou, F.-Z. Liu,

13、 Micro crack detection of multi-crystalline silicon solar wafer using machine vision techniques, Sensor Rev. 31 (2011) 154165.希特勒飞行 平台康维尔XFY-1 战 斗 机洛克希德XFY-1 战斗机加拿大飞机 公 司 CL-84 倾转旋翼机麦克唐纳 - 道 格拉斯公司 XF-85 战斗机失败的原因速度慢， 战斗 力低，稳定性 差。不安全，飞行 员不容易登 上飞机同样飞行员不 容易上飞机。没直升机稳 定，没喷气 飞机快不容易回收。教训士兵用的话 还是得以稳 定，安全为 主。还得 考虑 容 易上飞机