一种基于机器视觉的光伏电池片丝网印刷缺陷检测方法

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种基于机器视觉的光伏电池片丝网印刷缺陷检测方法。

背景技术

在太阳能电池片的制造中，丝网印刷是一种重要的工艺步骤。在涂有浆料的丝网版上，通过刮刀将浆料涂覆在丝网版的开孔部位，形成图案。经过干燥和固化后，浆料形成所需的图案，完成丝网印刷的过程。丝网印刷可以完成光伏电池片的金属电极、铝背场、栅线等结构的制造。

在光伏电池片的丝网印刷中，表面可能会存在多种缺陷，如断栅、线粗、虚印、结点、漏浆、印刷偏移、划痕、背极缺损、铝珠、铝包、背场缺失等，导致发电效率降低。比如划痕会导致光线的散射和反射，降低光能利用率；结点会遮挡阳光，导致光能利用率降低。

为了提高太阳能电池片的发电效率，需要检测表面的丝网印刷缺陷，并对缺陷采取相应措施来减少表面缺陷，提高太阳能电池片的性能和发电效率。

目前对电池片表面缺陷的检测包括人工检查和图像检测等方法，人工检查效率不高，图像检测方法成本低，但检测效果还不够理想，特别是对于很细小的划痕和结点，检测效果不佳。

发明内容

有鉴于此，本申请采用一种较为准确的图像处理算法对缺陷进行检测，结合方向梯度矩进行自适应滤波增强，提高小缺陷目标的识别度。

为实现上述目的，本申请公开的基于机器视觉的光伏电池片丝网印刷缺陷检测方法，包括以下步骤：

使用相机采集光伏电池片丝网印刷后的RGB图像；

将RGB图像转换为HSV颜色空间；

对图像进行滤波增强，包括：计算图像每个像素的大尺度方向梯度矩和小尺度方向梯度矩，并与阈值T比较，如果某像素的大尺度方向梯度矩的平均值与小尺度方向梯度矩的平均值的比值大于所述阈值T，则保留该像素，否则滤除该像素；

消除图像中的栅线；

将图像进行形态学运算，得到图像中的目标图像，并识别图像中目标的缺陷类型。

更进一步地，所述多尺度方向梯度矩包括大尺度方向梯度矩和小尺度方向梯度矩，其中大尺度方向梯度矩为像素

更进一步地，所述方向梯度矩的计算如下：圆心像素为

其中，

更进一步地，所述阈值T计算方法如下：

为图像中的灰度最大的栅线中所有像素灰度平均值，/>

更进一步地，所述将RGB图像转换为HSV颜色空间，包括：

H通道分量h：

S通道分量s：

V通道分量v： v=

其中，

更进一步地，删除栅线的步骤为：

定位栅线位置：由于栅线的形状为水平或垂直的线段，当某个像素满足规则1：像素左边的梯度大于梯度阈值G1，且上边和下边梯度小于梯度阈值G2，则检测该像素的上一个像素和下一个像素，当上一个像素或下一个像素也符合规则1，则继续进行上述操作，如果连续10个像素都符合规则1，则这些像素在垂直栅线的左侧；当某个像素满足规则2：像素右边的梯度大于梯度阈值G1，且上边和下边梯度小于梯度阈值G2，则检测该像素的上一个像素和下一个像素，当上一个像素或下一个像素也符合规则2，则继续进行上述操作，如果连续10个像素都符合规则2，则这些像素在垂直栅线的右侧；记录栅线中像素的坐标；

当某个像素满足规则3：像素上边的梯度大于梯度阈值G1，且左边和右边的梯度小于梯度阈值G2，则检测该像素的左边一个像素和右边一个像素，当左边一个像素或右边一个像素也符合规则3，则继续进行上述操作，如果连续10个像素都符合规则3，则这些像素在水平栅线的上侧；当某个像素满足规则4：像素下边的梯度大于梯度阈值G1，且左边的梯度和右边的梯度小于梯度阈值G2，则检测该像素的左边一个像素和右边一个像素，当左边一个像素或右边一个像素也符合规则4，则继续进行上述操作，如果连续10个像素都符合规则4，则这些像素在水平栅线的下侧；记录栅线中像素的坐标；

删除栅线：根据垂直栅线的左侧坐标和右侧坐标，删除左侧坐标的像素、右侧坐标的像素及左侧坐标和右侧坐标中间坐标的像素；根据水平栅线的上侧坐标和下侧坐标，删除上侧坐标的像素、下侧坐标的像素及上侧坐标和下侧坐标中间坐标的像素。

更进一步地，得到图像中的目标后，将目标的特征与模板进行匹配，得到缺陷的类型为虚印、结点、漏浆、印刷偏移、划痕之一。

更进一步地，目标的特征包括长宽比、面积和边缘特征，匹配算法为二次匹配误差算法。

与现有技术相比，本发明的有益效果如下：

采用一种改进的滤波增强算法，结合方向梯度矩判断目标和背景，提高了小缺陷目标的识别能力。

附图说明

图1本申请的缺陷检测流程图；

图2本申请实施例提供的光伏电池片图像采集方法；

1-面阵相机，2-偏振面光源，3-光伏电池片。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

结合图1，本申请提出的光伏电池片丝网印刷缺陷检测方法的步骤如下：

S1使用相机采集光伏电池片丝网印刷后的RGB图像；

S2将RGB图像转换为HSV颜色空间；

S3对图像进行滤波增强，包括：计算图像每个像素的大尺度方向梯度矩和小尺度方向梯度矩，并与阈值T比较，如果某像素的大尺度方向梯度矩的平均值与大尺度方向梯度矩的平均值的比值大于所述阈值T，则保留该像素，否则滤除该像素。

其中，多尺度方向梯度矩包括大尺度方向梯度矩和小尺度方向梯度矩，其中大尺度方向梯度矩为像素

方向梯度矩的计算如下：圆心像素为

其中，

图像梯度的计算方法为本领域的现有技术，可参考百度百科：

https://baike.baidu.com/item/%E5%9B%BE%E5%83%8F%E6%A2%AF%E5%BA%A6/8528837?fr=ge_ala 。

此外，如果阈值设置是固定的，那么无法适用于各种实际场景，因此本申请中的阈值为自适应设置的，具体方法如下：

为图像中的灰度最大的栅线中所有像素灰度平均值，/>

使用上述图像滤波增强算法，当所有像素的大尺度方向矩的平均值与所有像素的小尺度方向矩的平均值小于阈值时，说明该区域纹理比较平滑，可以滤除，当所有像素的大尺度方向矩的平均值与所有像素的小尺度方向矩的平均值大于阈值，说明该区域纹理变化比较大，存在目标的边缘，予以保留，因此达到将目标增强的效果，而且与现有技术相比，计算量比较小。

S4消除图像中的栅线，目的是只留下缺陷图像。

S5将图像进行形态学运算，得到图像中的目标图像，并识别图像中目标的缺陷类型。得到图像中的目标后，将目标的特征与模板进行匹配，得到缺陷的类型为虚印、结点、漏浆、印刷偏移、划痕之一。

在一些实施例中，将RGB图像转换为HSV颜色空间，包括：

H通道分量h：

S通道分量s：

V通道分量v： v=

其中，

在一些实施例中，删除栅线的步骤为：

定位栅线位置：由于栅线的形状为水平或垂直的线段，当某个像素满足规则1：左梯度大于梯度阈值G1，且上下梯度小于梯度阈值G2，则检测该像素的上一个像素和下一个像素，当上一个像素或下一个像素也符合规则1，则继续进行上述操作，如果连续10个像素都符合规则1，则这些像素在垂直栅线的左侧；当某个像素满足规则2：右梯度大于梯度阈值G1，且上下梯度小于梯度阈值G2，则检测该像素的上一个像素和下一个像素，当上一个像素或下一个像素也符合规则2，则继续进行上述操作，如果连续10个像素都符合规则2，则这些像素在垂直栅线的右侧；记录栅线中像素的坐标；

当某个像素满足规则3：上梯度大于梯度阈值G1，且左右梯度小于梯度阈值G2，则检测该像素的左边一个像素和右边一个像素，当左边一个像素或右边一个像素也符合规则3，则继续进行上述操作，如果连续10个像素都符合规则3，则这些像素在水平栅线的上侧；当某个像素满足规则4：下梯度大于梯度阈值G1，且左右梯度小于梯度阈值G2，则检测该像素的左边一个像素和右边一个像素，当左边一个像素或右边一个像素也符合规则4，则继续进行上述操作，如果连续10个像素都符合规则4，则这些像素在水平栅线的下侧；记录栅线中像素的坐标；梯度阈值G1大于梯度阈值G2，梯度阈值G1用于判断像素是否在栅线边缘，梯度大，则灰度变化大，说明该像素在栅线边缘。梯度阈值G2用于判断两个栅线边缘的像素是否相邻，两个栅线边缘的像素灰度变化小。如果像素左右梯度或上下梯度大于梯度阈值G1，说明该像素为栅线的边缘；如果像素左右梯度或上下梯度小于梯度阈值G2，说明该像素为栅线的边缘，且与其它栅线像素相邻。

删除栅线：根据垂直栅线的左侧坐标和右侧坐标，删除左侧坐标的像素、右侧坐标的像素及左侧坐标和右侧坐标中间坐标的像素；根据水平栅线的上侧坐标和下侧坐标，删除上侧坐标的像素、下侧坐标的像素及上侧坐标和下侧坐标中间坐标的像素。

在一些实施例中，目标的特征包括长宽比、面积和边缘特征，匹配算法为二次匹配误差算法。匹配算法使用本领域常用的二次匹配误差算法，第一次匹配是粗略匹配，取模板的隔行隔列数据，即四分之一的模板数据，在被搜索图上进行隔行隔列扫描匹配，即在原图的四分之一范围内匹配。由于数据量大幅度减少，匹配速度显著提高。第二次匹配时精确匹配，在第1次误差最小点（

在一些实施例中，本申请将所有像素的大尺度方向矩的平均值和所有像素的小尺度方向矩的平均值都归一化到[0,1]的区间。因此阈值T的取值范围也是[0,1]的区间。

在一些实施例中，形态学运算包括开运算，为本领域的现有技术，本申请不再赘述。

参考图2，在一些实施例中，光伏电池片表面图像的采集方法为：面阵相机1与光伏电池片3之间的距离400mm，偏振面光源2距光伏电池片350mm，2、偏振面光源照射在光伏电池片上，相机拍照采集电池片图像。对采集的光伏电池片丝网印刷图像使用上述的缺陷检测方法进行缺陷检测。

与现有技术相比，本发明的有益效果如下：

采用一种改进的滤波增强算法，结合方向梯度矩判断目标和背景，提高了小缺陷目标的识别能力。

本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。

而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。

综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。