基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统与流程

1.本发明属于图像数据处理技术领域，具体涉及一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统。


背景技术：

2.随着清洁能源的快速发展，光伏发电以其灵活性与环保性得到了更多的推广应用。太阳能电池片作为光伏系统的最小单元，其质量对整个光伏系统的影响却是巨大的。电池片的内部缺陷和外观缺陷不仅影响光电转换效率，而且在严重的情况下会损坏光伏组件，因此光伏企业有必要对太阳能电池片进行质量监测。
3.随着技术不断革新，太阳能电池片的外观缺陷检测逐渐从人工目检方式转换为自动检测方式，基于深度学习的外观缺陷算法，以其准确性高而得到了广泛应用。
4.然而，基于深度学习的外观缺陷算法在检测电池片缺陷时需要逐个对电池片进行拍照，之后送入训练好的外观缺陷检测模型中进行检测，但是逐个拍照仍然需要大量时间成本，难以胜任大规模电池片的外观缺陷检测，对于大规模电池片外观缺陷的检测效率低。


技术实现要素：

5.为了解决现有技术存在的基于深度学习的外观缺陷算法需要逐个对电池片进行拍照，仍然需要大量时间成本，难以胜任大规模电池片的外观缺陷检测，对于大规模电池片外观缺陷的检测效率低的技术问题，本发明提供一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统。
6.第一方面本发明提供了一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法，包括：s101：获取石墨舟图像，其中，石墨舟中阵列设置有多个舟槽，所述舟槽用于放置太阳能电池片；s102：对所述石墨舟图像进行预处理，预处理包括：滤波降噪、亮度均衡以及对比度均衡；s103：计算所述石墨舟图像的最优分割阈值；s104：根据所述最优分割阈值，从所述石墨舟图像中分割出灰度值大于所述最优分割阈值的多个电池片图像；s105：根据分割出的多个电池片图像的位置，当某个位置的舟槽中不存在电池片时，确定所述舟槽存在空片情况；s106：提取所述电池片图像中的电池片轮廓；s107：对所述电池片轮廓进行线性拟合；s108：当所述电池片轮廓的线性拟合结果为直线时，确定电池片无缺陷；当所述电池片轮廓的线性拟合结果为曲线时，计算所述曲线的曲率；s109：当所述曲线的曲率大于预设曲率时，确定电池片存在翘边缺陷。
7.第二方面本发明提供了一种基于石墨舟视觉图像的太阳能电池片缺陷检测系统，用于执行第一方面中的基于石墨舟视觉图像的太阳能电池片缺陷检测方法。
8.与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，可以在石墨舟的舟槽中设置大批量的太阳能电池片，通过获取石墨舟图像，提取石墨舟图像中的电池片轮廓，根据电池片轮廓确定电池片是否存在翘边缺陷，可以对大批量的太阳能电池片进行同时检测，无需逐个拍照，节省时间成本，可以胜任大规模电池片的外观缺陷检测，提升对于大规模电池片外观缺陷的检测效率。
9.（2）在本发明中，计算所述石墨舟图像的最优分割阈值，并根据所述最优分割阈值，从所述石墨舟图像中分割出灰度值大于所述最优分割阈值的多个电池片图像，可以提升电池片图像的分割精度，进而提升太阳能电池片的缺陷检测精度。
附图说明
10.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
11.图1是本发明提供的一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法的流程示意图。
12.图2是本发明提供的一种石墨舟视觉图像的示意图。
具体实施方式
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
14.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
15.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
16.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
17.另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
18.实施例1在一个实施例中，参考说明书附图1，示出了本发明提供的基于石墨舟视觉图像的
太阳能电池片缺陷检测方法的流程示意图。
19.本发明提供的一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法，包括：s101：获取石墨舟图像。
20.其中，石墨舟又称为石墨船或碳舟，是一种用于制备太阳能电池片的特殊载体材料。石墨舟通常由石墨或碳材料制成，具有良好的导热性和化学稳定性，适用于高温处理的过程。在太阳能电池片的生产过程中，石墨舟扮演着重要的角色。太阳能电池片制造时，需要将太阳能电池片或其他基底材料放置在石墨舟的舟槽中，再进行一系列工艺步骤，例如热处理、沉积薄膜等。石墨舟在这个过程中充当了支撑基底材料和传导热量的角色，确保太阳能电池片的稳定性和效率。
21.其中，石墨舟中阵列设置有多个舟槽，舟槽用于放置太阳能电池片。
22.具体而言，可以通过工业相机拍摄石墨舟图像。
23.参照说明书附图2，示出了本发明提供的一种石墨舟视觉图像的示意图。
24.图2中，序号为1的是指石墨舟，其中阵列分布的序号为2的是指太阳能电池片，太阳能电池片的图像一般呈矩形。
25.s102：对石墨舟图像进行预处理。
26.其中，预处理包括：滤波降噪、亮度均衡以及对比度均衡。
27.在一种可能的实施方式中，s102具体包括子步骤s1021至s1028：s1021：根据以下公式，对石墨舟图像进行滤波降噪：其中，fm(x,y)表示像素点(x,y)处的滤波降噪后的像素值，f(x,y)表示像素点(x,y)处的原像素值，a表示石墨舟图像的长度，b表示石墨舟图像的宽度，pi表示石墨舟图像。
28.需要说明的是，邻域平均滤波可以减少图像中的噪声，尤其是一些随机噪声或小尺寸噪声。通过对像素点周围邻域内像素值的平均计算，可以平滑图像中的不规则波动和突发噪声，从而减少噪声的影响。进一步地可以平滑细节、保护边缘信息，同时具有简单易实现的特点。
29.s1022：根据以下公式，确定亮度均衡圆形结构的半径范围：其中，r表示亮度均衡圆形结构的半径，r
min
表示亮度均衡圆形结构的半径最小值，r
max
表示亮度均衡圆形结构的半径最大值，s
min
表示电池片区域的最小面积，s
max
表示电池片区域的最大面积。
30.可以理解的是，亮度均衡圆形结构的半径范围[r
min
,r
max
]的确定依赖于电池片区域的面积范围。
[0031]
s1023：以预设步长s确定多个亮度均衡圆形结构，则亮度均衡圆形结构的数量为：
其中，l表示亮度均衡圆形结构的数量，表示向上取整，s表示预设步长。
[0032]
可以理解的是，以预设步长s确定多个亮度均衡圆形结构，可以确保得到足够数量的亮度均衡圆形结构覆盖整个石墨舟图像。
[0033]
其中，本领域技术人员可以根据实际情况设置预设步长s的大小，本发明不做限定。
[0034]
s1024：通过多个亮度均衡圆形结构，对滤波降噪后的石墨舟图像进行亮度均衡：其中，f
t
(x,y)表示像素点(x,y)处亮度均衡后的像素值，fm(x,y)表示像素点(x,y)处的滤波降噪后的像素值，表示灰度闭运算，c(ri)表示第i个亮度均衡圆形结构。
[0035]
可以理解的是，对于每个亮度均衡圆形结构c(ri)，计算其半径ri并将其应用于石墨舟图像中的每个像素点(x,y)，通过亮度均衡操作，得到亮度均衡后的像素值ft(x,y)。
[0036]
其中，灰度闭运算是一种图像处理操作，常用于去除图像中的小型噪点、填补图像中的小型空洞或连接断裂的图像区域。灰度闭运算结合了灰度膨胀和灰度腐蚀两个操作，能够保持图像的整体形状并平滑图像的边界。
[0037]
需要说明的是，通过亮度均衡圆形结构的处理步骤，可以均衡图像的亮度分布，增强细节，降低噪声影响，并保护边缘信息。这些优点可以改善图像的质量和视觉效果，有助于后续的隐裂检测和分析任务的准确性和可靠性。
[0038]
s1025：构建能量变化函数：其中，e(w)表示能量变化函数，x表示像素点(x,y)在t时间的灰度值，w表示位移向量，u表示x方向的位移量，v表示y方向的位移量，l表示t方向的位移量，表示三维梯度符号，表示灰度值的一致性参数，表示位移向量w的梯度，表示欧几里得范数符号，表示灰度值的平滑度参数。
[0039]
其中，能量变化函数通常通过比较图像中不同位置、不同时间点的像素值来计算。能量变化函数可以用于描述运动物体、纹理变化、边缘提取、光照变化等图像特征。
[0040]
s1026：根据能量变化函数构建欧拉拉格朗日方程：其中，。
[0041]
s1027：对欧拉拉格朗日方程进行求解，计算能量变化函数在空间域中的水平分量
u(x,y)和垂直分量v(x,y)：其中，表示u的平均值，u表示x方向的位移量，表示v的平均值，v表示y方向的位移量，f
x
表示f对x的偏导数，fy表示f对y的偏导数，f
t
表示f对t的偏导数。
[0042]
s1028：根据能量变化函数在空间域中的水平分量u(x,y)和垂直分量v(x,y)，进行对比度均衡：其中，fd(x,y)表示像素点(x,y)处的对比度均衡后的像素值。
[0043]
需要说明的是，通过对能量变化函数进行求解和对比度均衡操作，可以改善图像的视觉效果，增强边缘信息和细节，以及提高图像的质量和观察能力。对比度均衡对于隐裂检测等图像处理任务具有重要意义。
[0044]
在本发明中，可以采用滤波降噪、亮度均衡以及对比度均衡，将不同生产工艺的电池片以及不同规格的石墨舟进行统一地标准化处理，适用性高，便于表面缺陷检测技术的推广普及。
[0045]
s103：计算石墨舟图像的最优分割阈值。
[0046]
具体而言，不同规格的石墨舟和不同生产工艺的电池片在图像中的灰度分布可能有所不同。通过计算最优分割阈值，可以根据图像的灰度特性自适应地确定合适的阈值，从而提高分割的准确性。
[0047]
在一种可能的实施方式中，s103具体包括子步骤s1031至s1037：s1031：将预处理后的石墨舟图像转化为灰度直方图。
[0048]
具体而言，将石墨舟图像的rgb通道的值按一定权重相加转化为灰度直方图，例如使用平均值法或加权法。
[0049]
s1032：设置初始的分割阈值，将灰度值大于分割阈值的区域作为前景区域，将灰度值小于或者等于分割阈值的区域作为背景区域。
[0050]
需要说明的是，太阳能电池片在图像中的灰度往往比背景的灰度更大，前景区域可以理解为电池片区域，而背景区域可以理解为非电池片区域。
[0051]
s1033：计算在当前的分割阈值下，前景区域和背景区域的灰度概率：其中，a表示当前的分割阈值，，n表示灰度级别总数，表示当分割阈值为a时背景区域的灰度概率，表示当分割阈值为a时前景区域的灰度概率，i表示灰度级别索引值，ni表示灰度级别为i时的像素个数，n表示石墨图像的像素总个数。
[0052]
s1034：计算在当前的分割阈值下，前景区域和背景区域的灰度均值：其中，表示当分割阈值为a时背景区域的灰度均值，表示当分割阈值为a时前景区域的灰度均值，表示当分割阈值为a时整个石墨舟图像的灰度均值。
[0053]
s1035：计算在当前的分割阈值下，背景区域与前景区域之间的类间方差：其中，表示类间方差。
[0054]
其中，类间方差用于衡量一组数据（或图像像素）被分成不同类别时，各个类别之间的差异程度。
[0055]
进一步地，在一种可能的实施方式中，s1035具体为：当引入灰度级权重和邻域信息时，计算在当前的分割阈值下，背景区域与前景区域之间的类间方差的公式可更新为：其中，表示引入灰度级权重和邻域信息时的类间方差，表示当灰度级别为分割阈值a时的邻域范围内的像素个数平均值，n
a-m
表示灰度级别为分割阈值a-m时的像素个数，n
a-1
表示灰度级别为分割阈值a-1时的像素个数，na表示灰度级别为分割阈值a时的像素个数，n
a+1
表示灰度级别为分割阈值a+1时的像素个数，n
a+m
表示灰度级别为分割阈值a+m时的像素个数，n表示石墨图像的像素总个数，m表示邻域参数，表示灰度级权重。
[0056]
在传统的类间方差计算中，每个像素点的权重被视为相等，即所有像素点对类间方差的贡献相同。然而，在某些情况下，不同灰度级别的像素点对分割的贡献可能并不相同。一些像素点在图像中可能更加重要，或者更有代表性，而另一些像素点可能噪声较多或者不太重要。
[0057]
在本发明中，引入灰度级权重可以根据像素点的重要性或代表性来赋予它们不同的权重，使得在计算类间方差时，对于重要像素点有更大的影响，从而增强图像分割的准确性。进一步地，引入邻域信息可以进一步考虑像素点与其周围像素点之间的关系。在图像中，相邻像素点之间通常具有较高的相似性，因为物体的灰度变化通常是平滑的。因此，通过引入邻域信息，可以考虑像素点与其周围像素点的灰度值差异，从而更好地描述图像中的目标物体和背景之间的边界。
[0058]
s1036：依次选取其他的分割阈值，并重复s1033至s1036，计算在各个分割阈值下，
背景区域与前景区域之间的类间方差。
[0059]
s1037：将类间方差最大时对应的分割阈值作为最优分割阈值。
[0060]
需要说明是，当类间方差最大时，意味着前景和背景之间的灰度差异达到了最大值，即分割效果最优。因此，将类间方差最大时对应的分割阈值作为最优分割阈值是合理的选择，因为这个阈值能够最大程度地将前景和背景分开，得到最佳的图像分割结果。
[0061]
s104：根据最优分割阈值，从石墨舟图像中分割出灰度值大于最优分割阈值的多个电池片图像。
[0062]
需要说明的是，石墨舟图像中太阳能电池片的灰度往往比背景的灰度更大，因此，灰度值大于最优分割阈值的图像可以理解为电池片图像。
[0063]
s105：根据分割出的多个电池片图像的位置，当某个位置的舟槽中不存在电池片时，确定舟槽存在空片情况。
[0064]
其中，在太阳能电池片的生产过程中，空片是一种常见的缺陷。通过检测舟槽中是否存在空片，可以及时发现生产中的缺陷，帮助进行质量控制。及早发现并处理空片问题，有助于减少不合格产品的数量，提高太阳能电池片的质量和整体产量。
[0065]
可以理解的是，正常情况下，一个舟槽对应一个太阳能电池片，根据石墨舟的舟槽布局规律，判断每个舟槽是否应该放置电池片。如果某个舟槽中存在电池片图像，说明该舟槽中正确放置了电池片；如果某个舟槽中没有电池片图像，说明该舟槽存在空片情况。
[0066]
s106：提取电池片图像中的电池片轮廓。
[0067]
具体而言，可以通过canny算子、sobel算子等提取电池片图像中的电池片轮廓。
[0068]
在一种可能的实施方式中，s106具体包括子步骤s1061至s1066：s1061：引入sobel算子，获取电池片图像的水平特征矩阵和竖直特征矩阵：其中，s
x
表示水平特征矩阵，sy表示竖直特征矩阵。
[0069]
具体地，水平特征矩阵s
x
表示图像中每个像素点的水平方向梯度值，水平特征矩阵s
x
可以帮助我们找到图像中水平方向的边缘。竖直特征矩阵sy表示图像中每个像素点的竖直方向梯度值，竖直特征矩阵sy可以帮助我们找到图像中竖直方向的边缘。
[0070]
s1062：根据水平特征矩阵和竖直特征矩阵，计算水平方向梯度和竖直方向梯度：其中，g
x
表示水平方向梯度，gy表示竖直方向梯度，i表示电池片图像的灰度值矩阵。
[0071]
s1063：计算像素点的梯度强度和梯度方向：
其中，g表示梯度强度，θ表示梯度方向。
[0072]
需要说明的是，通过引入sobel算子并计算电池片图像的水平和竖直特征矩阵，可以得到图像在水平和竖直方向上的梯度信息。然后，根据梯度特征计算像素点的梯度强度和梯度方向，从而实现对图像的边缘检测和特征提取。这些梯度信息对于后续的图像分析和处理步骤非常重要。
[0073]
s1064：当电池片图像存在多个梯度信息时，保留极大值像素点，抑制非极大值像素点。
[0074]
在一种可能的实施方式中，在一种可能的实施方式中，s1064具体包括：选取四个预设边缘角度，分别为。
[0075]
当像素点的梯度强度均大于预设边缘角度的梯度时，确定当前像素点为极大值像素点，予以保留，否则，确定当前像素点为非极大值像素点，予以抑制。
[0076]
在本发明中，保留极大值像素点并抑制非极大值像素点的处理方式有助于提高图像边缘检测的效果，增强图像特征，并减少噪声的影响，从而得到更准确、清晰的图像边缘信息，为后续的图像处理和分析任务提供更好的基础。
[0077]
s1065：设置高阈值以及低阈值，当像素点的梯度强度大于高阈值时，确定像素点为强边缘像素点；当像素点的梯度强度在低阈值与高阈值之间时，确定像素点为弱边缘像素点；当像素点的边缘像素梯度值小于低阈值时，对像素点进行抑制。
[0078]
进一步地，在一种可能的实施方式中，高阈值与低阈值的确定方式为：其中，th表示高阈值，tl表示低阈值，h*表示非极大值抑制后的电池片图像的灰度值矩阵，max(h*)表示非极大值抑制后的电池片图像的灰度值矩阵中的最大值。
[0079]
需要说明的是，将高阈值设置为灰度值矩阵中的最大值的一定倍数，而低阈值设置为高阈值的另一个较小倍数，可以在边缘检测中明确地区分出强边缘像素和弱边缘像素，从而提高边缘检测的准确性和可靠性。
[0080]
s1066：连接强边缘像素点，得到电池片轮廓。
[0081]
在本发明中，能够提取出图像中电池片的轮廓，将电池片与背景进行区分，为后续的图像分析、缺陷检测等任务提供基础。边缘检测是图像处理中的关键步骤，它能够帮助我们捕捉图像中重要的特征和结构信息，对于电池片图像的分析和质量控制具有重要意义。利用提取的电池片轮廓，可以进行电池片的形状分析、大小测量、缺陷检测等任务，从而实现对电池片质量的评估和控制。
[0082]
s107：对电池片轮廓进行线性拟合。
[0083]
在传统的拟合方式中，最小二乘法是最常用的一种，然而最小二乘法在拟合过程中可能对噪声点比较敏感，容易受到异常点的干扰，从而导致拟合结果不够平滑。因此，本
发明创新性地提供了一种新型的线性拟合方式。
[0084]
在一种可能的实施方式中，s107具体包括子步骤s1071至s1076：s1071：确定电池片轮廓中的四条边。
[0085]
s1072：对于每条边的起点和终点，各选取相邻的p个轮廓点，进行坐标平滑处理：其中，表示平滑处理后的横坐标，表示平滑处理后的纵坐标，(x1,y1)、(x2,y2)与(x
p
,y
p
)表示参与坐标平滑处理的轮廓点坐标，p表示相邻轮廓点的数量。
[0086]
需要说明的是，电池片轮廓的起点或者终点中可能是一些噪声点或不完整的边缘点，通过选取相邻的p个轮廓点进行坐标平滑处理，可以去除或减弱这些噪声点，使得得到的轮廓更加平滑和准确。
[0087]
s1073：根据坐标平滑处理后的起点以及终点坐标，拟合出直线，直线可表示为：其中，y表示纵坐标，x表示横坐标，k表示斜率，b表示截距。
[0088]
s1074：均匀选取除起点以及终点以外的轮廓点，计算各个轮廓点到拟合出的直线的距离：其中，di表示第i个轮廓点到拟合出的直线的距离，(xi,yi)表示第i个轮廓点的坐标。
[0089]
s1075：统计出到拟合出的直线的距离小于预设距离的轮廓点的数量。
[0090]
其中，本领域技术人员可以根据实际情况设置预设距离的大小，本发明不做限定。
[0091]
s1076：当小于预设距离的轮廓点的数量大于预设数量时，确定待拟合的边为直线，结束拟合；当小于预设距离的轮廓点的数量小于或者等于预设数量时，确定待拟合的边为曲线，将待拟合的边平均分为两段，重新执行s1072至s1076，继续进行拟合，直至完成整个边的拟合。
[0092]
其中，本领域技术人员可以根据实际情况设置预设数量的大小，本发明不做限定。
[0093]
在本发明中，通过选取相邻的p个轮廓点进行坐标平滑处理，可以去除或减弱这些噪声点，使得得到的轮廓更加平滑和准确。并且，可以根据拟合结果判断待拟合的边为直线或曲线，并根据情况继续拟合，算法的适应性更强。
[0094]
s108：当电池片轮廓的线性拟合结果为直线时，确定电池片无缺陷。当电池片轮廓的线性拟合结果为曲线时，计算曲线的曲率。
[0095]
在一种可能的实施方式中，s108具体包括：通过以下公式，计算曲线的曲率：其中，k表示曲率，f(x)表示拟合出的曲线，表示曲线的一次导数，表示
曲线的二次导数。
[0096]
s109：当曲线的曲率大于预设曲率时，确定电池片存在翘边缺陷。
[0097]
其中，翘边缺陷是指电池片边缘或周围区域出现向上或向下的弯曲，即电池片边缘或周围区域不平整或凸起。这种翘边现象可能是生产过程中的缺陷或不良现象，会影响电池片的质量和性能。
[0098]
需要说明的是，发生翘边也就意味着轮廓曲线的曲率变大，因此，当曲线的曲率大于预设曲率时，可以确定电池片存在翘边缺陷。
[0099]
在一种可能的实施方式中，基于石墨舟视觉图像的太阳能电池片缺陷检测方法还包括：s110：输出石墨舟图像的空片情况检测结果和翘边情况检测结果。
[0100]
与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，可以在石墨舟的舟槽中设置大批量的太阳能电池片，通过获取石墨舟图像，提取石墨舟图像中的电池片轮廓，根据电池片轮廓确定电池片是否存在翘边缺陷，可以对大批量的太阳能电池片进行同时检测，无需逐个拍照，节省时间成本，可以胜任大规模电池片的外观缺陷检测，提升对于大规模电池片外观缺陷的检测效率。
[0101]
（2）在本发明中，计算石墨舟图像的最优分割阈值，并根据最优分割阈值，从石墨舟图像中分割出灰度值大于最优分割阈值的多个电池片图像，可以提升电池片图像的分割精度，进而提升太阳能电池片的缺陷检测精度。
[0102]
实施例2在一个实施例中，本发明提供的一种基于石墨舟视觉图像的太阳能电池片缺陷检测系统，用于执行实施例1中的基于石墨舟视觉图像的太阳能电池片缺陷检测方法。
[0103]
本发明提供的一种基于石墨舟视觉图像的太阳能电池片缺陷检测系统可以实现上述实施例1中的基于石墨舟视觉图像的太阳能电池片缺陷检测方法的步骤和效果，为避免重复，本发明不再赘述。
[0104]
与现有技术相比，本发明至少具有以下有益技术效果：（1）在本发明中，可以在石墨舟的舟槽中设置大批量的太阳能电池片，通过获取石墨舟图像，提取石墨舟图像中的电池片轮廓，根据电池片轮廓确定电池片是否存在翘边缺陷，可以对大批量的太阳能电池片进行同时检测，无需逐个拍照，节省时间成本，可以胜任大规模电池片的外观缺陷检测，提升对于大规模电池片外观缺陷的检测效率。
[0105]
（2）在本发明中，计算所述石墨舟图像的最优分割阈值，并根据所述最优分割阈值，从所述石墨舟图像中分割出灰度值大于所述最优分割阈值的多个电池片图像，可以提升电池片图像的分割精度，进而提升太阳能电池片的缺陷检测精度。
[0106]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0107]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征在于，包括：s101：获取石墨舟图像，其中，石墨舟中阵列设置有多个舟槽，所述舟槽用于放置太阳能电池片；s102：对所述石墨舟图像进行预处理，预处理包括：滤波降噪、亮度均衡以及对比度均衡；s103：计算所述石墨舟图像的最优分割阈值；s104：根据所述最优分割阈值，从所述石墨舟图像中分割出灰度值大于所述最优分割阈值的多个电池片图像；s105：根据分割出的多个电池片图像的位置，当某个位置的舟槽中不存在电池片时，确定所述舟槽存在空片情况；s106：提取所述电池片图像中的电池片轮廓；s107：对所述电池片轮廓进行线性拟合；s108：当所述电池片轮廓的线性拟合结果为直线时，确定电池片无缺陷；当所述电池片轮廓的线性拟合结果为曲线时，计算所述曲线的曲率；s109：当所述曲线的曲率大于预设曲率时，确定电池片存在翘边缺陷；其中，所述s103具体包括：s1031：将预处理后的石墨舟图像转化为灰度直方图；s1032：设置初始的分割阈值，将灰度值大于分割阈值的区域作为前景区域，将灰度值小于或者等于分割阈值的区域作为背景区域；s1033：计算在当前的分割阈值下，所述前景区域和所述背景区域的灰度概率：其中，a表示当前的分割阈值，，n表示灰度级别总数，表示当分割阈值为a时背景区域的灰度概率，表示当分割阈值为a时前景区域的灰度概率，i表示灰度级别索引值，n
i
表示灰度级别为i时的像素个数，n表示石墨图像的像素总个数；s1034：计算在当前的分割阈值下，所述前景区域和所述背景区域的灰度均值：其中，表示当分割阈值为a时背景区域的灰度均值，表示当分割阈值为a时前景区域的灰度均值，表示当分割阈值为a时整个石墨舟图像的灰度均值；s1035：计算在当前的分割阈值下，背景区域与前景区域之间的类间方差：
其中，表示类间方差；s1036：依次选取其他的分割阈值，并重复所述s1033至s1036，计算在各个分割阈值下，背景区域与前景区域之间的类间方差；s1037：将类间方差最大时对应的分割阈值作为所述最优分割阈值；其中，所述s107具体包括：s1071：确定所述电池片轮廓中的四条边；s1072：对于每条边的起点和终点，各选取相邻的p个轮廓点，进行坐标平滑处理：其中，表示平滑处理后的横坐标，表示平滑处理后的纵坐标，(x1,y1)、(x2,y2)与(x
p
,y
p
)表示参与坐标平滑处理的轮廓点坐标，p表示相邻轮廓点的数量；s1073：根据坐标平滑处理后的起点以及终点坐标，拟合出直线，直线可表示为：其中，y表示纵坐标，x表示横坐标，k表示斜率，b表示截距；s1074：均匀选取除起点以及终点以外的轮廓点，计算各个轮廓点到拟合出的直线的距离：其中，d
i
表示第i个轮廓点到拟合出的直线的距离，(x
i
,y
i
)表示第i个轮廓点的坐标；s1075：统计出到拟合出的直线的距离小于预设距离的轮廓点的数量；s1076：当小于预设距离的轮廓点的数量大于预设数量时，确定待拟合的边为直线，结束拟合；当小于预设距离的轮廓点的数量小于或者等于预设数量时，确定待拟合的边为曲线，将待拟合的边平均分为两段，重新执行s1072至s1076，继续进行拟合，直至完成整个边的拟合。2.根据权利要求1所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征在于，所述s102具体包括：s1021：根据以下公式，对所述石墨舟图像进行滤波降噪：其中，f
m
(x,y)表示像素点(x,y)处的滤波降噪后的像素值，f(x,y)表示像素点(x,y)处的原像素值，a表示石墨舟图像的长度，b表示石墨舟图像的宽度，pi表示石墨舟图像；s1022：根据以下公式，确定亮度均衡圆形结构的半径范围：其中，r表示亮度均衡圆形结构的半径，r
min
表示亮度均衡圆形结构的半径最小值，r
max
表示亮度均衡圆形结构的半径最大值，s
min
表示电池片区域的最小面积，s
max
表示电池片区域的最大面积；
s1023：以预设步长s确定多个亮度均衡圆形结构，则亮度均衡圆形结构的数量为：其中，l表示亮度均衡圆形结构的数量，表示向上取整，s表示预设步长；s1024：通过多个亮度均衡圆形结构，对滤波降噪后的石墨舟图像进行亮度均衡：其中，f
t
(x, y)表示像素点(x,y)处亮度均衡后的像素值，f
m
(x,y)表示像素点(x,y)处的滤波降噪后的像素值，表示灰度闭运算，c(r
i
)表示第i个亮度均衡圆形结构；s1025：构建能量变化函数：其中，e(w)表示能量变化函数，x表示像素点(x,y)在t时间的灰度值，w表示位移向量，u表示x方向的位移量，v表示y方向的位移量，l表示t方向的位移量，表示三维梯度符号，表示灰度值的一致性参数，表示位移向量w的梯度，表示欧几里得范数符号，表示灰度值的平滑度参数；s1026：根据所述能量变化函数构建欧拉拉格朗日方程：其中，；s1027：对所述欧拉拉格朗日方程进行求解，计算所述能量变化函数在空间域中的水平分量u(x, y)和垂直分量v(x, y)：其中，表示u的平均值，u表示x方向的位移量，表示v的平均值，v表示y方向的位移量，f
x
表示f对x的偏导数，f
y
表示f对y的偏导数，f
t
表示f对t的偏导数；s1028：根据能量变化函数在空间域中的水平分量u(x, y)和垂直分量v(x, y)，进行对比度均衡：
其中，f
d
(x,y)表示像素点(x,y)处的对比度均衡后的像素值。3.根据权利要求1所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征在于，所述s106具体包括：s1061：引入sobel算子，获取所述电池片图像的水平特征矩阵和竖直特征矩阵：其中，s
x
表示水平特征矩阵，s
y
表示竖直特征矩阵；s1062：根据所述水平特征矩阵和所述竖直特征矩阵，计算水平方向梯度和竖直方向梯度：其中，g
x
表示水平方向梯度，g
y
表示竖直方向梯度，i表示电池片图像的灰度值矩阵；s1063：计算像素点的梯度强度和梯度方向：其中，g表示梯度强度，θ表示梯度方向；s1064：当所述电池片图像存在多个梯度信息时，保留极大值像素点，抑制非极大值像素点；s1065：设置高阈值以及低阈值，当像素点的梯度强度大于所述高阈值时，确定像素点为强边缘像素点；当像素点的梯度强度在所述低阈值与所述高阈值之间时，确定像素点为弱边缘像素点；当像素点的边缘像素梯度值小于所述低阈值时，对像素点进行抑制；s1066：连接所述强边缘像素点，得到所述电池片轮廓。4.根据权利要求3所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征在于，所述高阈值与所述低阈值的确定方式为：其中，th表示高阈值，tl表示低阈值，h*表示非极大值抑制后的电池片图像的灰度值矩阵，max(h*)表示非极大值抑制后的电池片图像的灰度值矩阵中的最大值。5.根据权利要求1所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征
在于，所述s108具体包括：通过以下公式，计算曲线的曲率：其中，k表示曲率，f(x)表示拟合出的曲线，表示曲线的一次导数，表示曲线的二次导数。6.根据权利要求1所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法，其特征在于，还包括：s110：输出所述石墨舟图像的空片情况检测结果和翘边情况检测结果。7.一种基于石墨舟视觉图像的太阳能电池片缺陷检测系统，其特征在于，用于执行权利要求1至6任一项所述的基于石墨舟视觉图像的太阳能电池片缺陷检测方法。

技术总结
本发明公开了一种基于石墨舟视觉图像的太阳能电池片缺陷检测方法及系统，属于图像数据处理技术领域，方法包括：获取石墨舟图像；对石墨舟图像进行预处理；计算石墨舟图像的最优分割阈值；根据最优分割阈值，从石墨舟图像中分割出多个电池片图像；根据分割出的多个电池片图像的位置，当某个位置的舟槽中不存在电池片时，确定舟槽存在空片情况；提取电池片图像中的电池片轮廓；对电池片轮廓进行线性拟合；当电池片轮廓的线性拟合结果为直线时，确定电池片无缺陷；当电池片轮廓的线性拟合结果为曲线时，计算曲线的曲率；当曲线的曲率大于预设曲率时，确定电池片存在翘边缺陷。本发明可以提升对于大规模电池片外观缺陷的检测效率。提升对于大规模电池片外观缺陷的检测效率。提升对于大规模电池片外观缺陷的检测效率。


技术研发人员：杨中明 杨美娟 肖凯
受保护的技术使用者：江苏森标科技有限公司
技术研发日：2023.08.16
技术公布日：2023/9/14