基于红外图像的太阳能电池缺陷检测

周维芳，王志陶，杨帆，潘国锋

（1.北华大学电气信息工程学院，吉林 132000；2.河北工业大学信息工程学院，天津 300401）

基于红外图像的太阳能电池缺陷检测

周维芳1，王志陶2，杨帆2，潘国锋2

（1.北华大学电气信息工程学院，吉林 132000；2.河北工业大学信息工程学院，天津 300401）

针对目前太阳能电池缺陷检测中存在的缺陷检测种类单一且检测算法抗干扰能力较差等问题，提出了一种可在复杂背景的红外太阳能电池图像中检测并识别多种缺陷的方法．首先提出了一种快速的局部自适应阈值的二值化处理方法来提取缺陷信息和电极信息；其次做水平投影，定位电极位置，填充电极以消除其干扰；最后采用了一种根据缺陷轮廓信息特征进行分类识别的方法．经过大量实验验证，该方法可准确检测并识别红外太阳能电池图片中断线、隐裂、履带印等缺陷，检测准确率可达到99%以上，具有很好的适应性和准确性，大大提高了电池的检测效率．

太阳能电池；缺陷检测；水平投影；轮廓；识别

0 引言

太阳能作为一种新型能源，近年来得到了快速发展，太阳能电池作为其主要载体，越来越受到人们的广泛利用，在太阳能电池生产、加工过程中，由于受设备或是生产环境的影响，很容易给电池片造成断线、隐裂、履带印等缺陷，若不能及时发现这些带有缺陷的电池片，太阳能电池组件的质量将会受到严重影响[1]，这将会大大降低电池的发电效率和使用寿命，同时也会给生产商造成不良影响，不利于厂商的扩大化生产．目前，依然有很多太阳能电池厂商依靠传统的人工目视检测电池表面质量，无法保证产品质量．

高效的太阳能电池缺陷检测方法越来越受到人们的重视．文献[2]采用了方向可变滤波器组并结合霍夫变换的检测方法，可以很好地消除规则直线纹理；文献[3]对栅线很窄的电池阵列做了研究，较好的去除了栅线；文献[4-6]使用超光谱成像技术和基于傅里叶的图像重建等方法检测隐裂信息；文献[7]用不同滤波模版来提取近红外硅太阳能电池中不同缺陷．通过研究发现，尽管已有不少文献提出了较多的缺陷检测方法，但这些方法大都存在缺陷检测类型单一、检测速度慢、抗干扰能力及适应性较差等缺点．

为了解决复杂背景环境下太阳能电池多缺陷检测问题，本论文采用了局部自适应阈值二值化方法和形态学处理方法，在突出缺陷和电极的基础上，采用了水平投影的方法定位电极从而消除电极干扰，最后根据缺陷的轮廓信息进行缺陷的识别与分类．

1 红外缺陷图像预处理

利用红外图像法检测太阳能电池越来越受到人们的关注．红外摄像拍摄到的断线、黑点、隐裂和履带印等缺陷如图1所示．电池片中有两条横向贯穿电池的电极，如图1a）中标记所示．

图1 缺陷类型Fig.1 Defect types

对于上述背景复杂的红外太阳能电池片，采用普通的图像分割来提取缺陷信息是很难的，本文利用基于局部自适应阈值的二值化处理及形态学处理增强缺陷信息，并采用水平投影法去除电极干扰，然后提取红外图像中缺陷的轮廓信息，为基于轮廓特征的缺陷识别分类打下基础．

1.1 改进的快速局部自适应阈值二值化处理

为了减少噪声干扰，对图像进行小窗口的中值滤波，滤除一些噪声的干扰．二值化处理方法有多种，常用的有全局固定阈值法，自适应阈值法和OTSU法等．全局法就是用一个固定阈值对整幅红外图像进行二值化处理，比较简单，但在多种情况下受到了限制．本文采用的局部自适应阈值法则是根据像素的邻域块内的像素值分布来确定该像素位置上的二值化阈值，这样，图像中每个位置像素的二值化阈值不是固定不变的，而是依据该像素周围邻域像素的分布而改变，亮度高的图像区域二值化阈值就较高，反之则较低，具有很强的适应性．

算法思想为：设图像所在位置i,j的灰度值为fi,j，以奇数值n×n为作为该像素局部邻域的大小，计算出该块内像素均值

因为计算时是以逐个像素为中心进行邻域运算的，水平方向上，每次计算时，当前窗口内变化的像素只是最后列的像素值替换了上一窗口内的第一列的像素值，同理，垂直方向上，变化的是窗口内最上面一行和最下面一行的像素值，为了提高检测的实时性，提出了一种优化算法，可大大提高计算速度：

1）扩充图像，当每次以第一列像素值为中心进行邻域窗口计算时，记录当前窗口内像素值之和．

2）计算后一窗口内像素值之和时（称为当前窗口），将前一窗口内像素值之和减去该窗口中第一列的像素值，加上当前窗口中最后一列像素值，作为当前窗口内的像素值之和．

3）循环至图像第一列时（称为当前窗口），将垂直方向上临近的上一个窗口内像素值之和减去其第一行像素值，加上当前窗口中最后一行像素值，作为当前窗口内的像素值之和．

4）循环，直至结束．

为了更加精确的提取出缺陷信息，定义T为二值化阈值

对该块中每个像素点f i,j用阈值T进行二值化处理

其中：t为局部二值化阈值，0＜t＜1，若T值越接近于1，则说明该点与周围像素值就越接近．分块大小的选择将影响到二值化的结果，太大或者太小都不能取得较好的二值化效果，根据本文所处理图像特征，分块大小选择的原则是尽量使得每一小块内均包含有目标与背景像素，并且目标与背景各自内部的灰度范围变化不大，针对本文所处理图像，经反复实验验证，选择25邻域作为分块的大小最为适宜．

为了更好的得到缺陷信息，使用数学形态学的闭运算来填充物体内细小空洞、平滑边界，同时也增强了目标区域的联通性．经上述处理后，如图2所示．以图2a）为例，除人眼易于观察到的断线、较大的黑点缺陷和电极信息被分割出来外，该算法还将人眼不易观察到的缺陷提取了出来，如图2a）中标记所示，充分说明了该算法的精确性．通过图2a）和图2b）可以看出，黑点、断线和隐裂形状特征未发生变化外，图2c）中履带印表现为水平排列整齐的黑点．

图2 自适应阈值二值化处理方法Fig.2 Themethod of adaptive threshold binarization

1.2 电极定位并填充

对于上述提取电极后的图片，采用积分投影的方法[8]来定位电极位置．分别对上述运算后的两幅图像按照式(4)和式(5)进行水平积分投影．

其中：B i,j为要投影图像；c为投影图像列数；r为行数；a i为行积分模值；为投影后的矩阵．以图2中b）为例，投影得到电极位置．其中：纵轴对应原图像中行高；横轴为投影幅值．为了使其更加准确无误，在求得的电极位置上下扩展两个像素进行填充．

因为电池片本身背景灰度分布比较杂乱，而电极在接下来的处理过程中又是极大干扰，故将电极擦除．图3为电极擦除后的效果，很好的去除了电极的干扰．

1.3 提取缺陷轮廓

图像轮廓特征代表了图像的很多特征，图像的轮廓检测算法是图像处理中的经典技术，也是难题之一，它对解决高层次的特征描述和识别有着重大影响．

在上述二值化方法处理后，即可提取缺陷区域的轮廓．具体步骤如下：首先找到位于“物体”区域左上角的一个边界点作为搜索起始点，由左至右、由上到下搜索其八邻域，找到下一个边界点，以此边界点当作初始点继续搜索，直至回到搜索起始点，记录缺陷轮廓点，此时将搜索完的缺陷进行标记，避免重复和漏查找，再进行下一缺陷“物体”的轮廓提取，直至遍历完整个图像．最后将轮廓画出，如图4所示，从图中可以看出，断线、黑点、隐裂及履带印的轮廓被很好地检测出来．

图3 投影定位电极Fig.3 Remove thegrid-lines of solar cellby projection

图4 填充电极Fig.4 Filled grid-linesofsolar cell

文献[9]在检测黑点时运用了模版运算来增强黑点像素值，并对比了各种边缘检测算子的优劣来进行边缘检测，最后运用了二值化处理，处理效果如图5b）图所示．如果运用本文所示方法，通过局部自适应阈值二值化和轮廓算法处理后，即可得到该黑点缺陷的轮廓边缘，如图5c）图所示．

图5 缺陷轮廓Fig.5 Defect contour

通过对比可以看出，本文方法很好的增强了缺陷信息，充分说明了该方法的有效性．

2 实验及实验结果分析

在太阳能电池缺陷检测过程中，识别缺陷类型具有重要意义，不同的缺陷对应着不同的生产问题，及时发现缺陷并反馈，会极大的提高生产效率，同时也节约了成本．

2.1 特征量的选择

对图6中查找到的轮廓存放至序列当中，然后遍历序列中所有轮廓，将面积小于S的轮廓视为噪声干扰忽略，将轮廓面积大于S的轮廓用外接矩形表示．在上述缺陷种类中，黑点的面积最小，故选择图4中任意25个黑点缺陷作为样本，计算出其面积，如图7所示，可以看出，正常大小黑点的面积在45以上，这里将阈值S设定为45．

将满足上述条件的缺陷用图8所示的矩形画出，即根据缺陷边界点的最大坐标值和最小坐标值，得到了缺陷的水平和垂直跨度．处理效果如图9所示．

图6 提取孤立点Fig.6 Outlier detection

图7 黑点面积Fig.7 A reaofblack point

轮廓作为识别特征已经得到了广泛的应用，通过观察图9可知，不同缺陷的外接矩形轮廓具有很强的可分性．在保证识别的精度和速度的前提下，尽量减少特征量的使用，而且对于相关性较强、不易判别的特征量也应舍去．根据上述原则，结合缺陷特点，提出了以下特征量．

图8 缺陷的外接矩形Fig.8 Boundary rectangle ofdefect

3）轮廓数量N：缺陷轮廓外接矩形的数量．该特征量反映了缺陷目标的多少．

4）缺陷中心A x,y：缺陷的中心坐标．通过缺陷轮廓的序列点集，可由文献[10]快速计算出该缺陷的中心坐标．该特征量反映了缺陷目标的位置相关性．

图9 外接矩形标记缺陷Fig.9 Defectmarking by boundary rectangle

2.2 分类实验

所做实验是在WIN7系统下，以OpenCV2.3版本为平台，与VisualC++2008混合编程实现的．

因履带印经处理后是以黑点形式表现出来的，故任选取该类太阳能电池图片中断线、隐裂、履带印缺陷各20个，获得其轮廓外接矩形，统计特征量中面积比R和长宽比H，如图10所示．

图10 红外图像特征量Fig.10 Characteristic valueof infrared image

图11中，N0为黑点是否可构成履带印的阈值数量，N1和N2分别为断线、隐裂的数目；N3为包括黑点和履带印形成黑点的总数量；N4为履带印形成的黑点数目；N为轮廓数量；t1和t2分别为轮廓中心坐标差的绝对值．

选取400张红外电池缺陷图片作为样本，其中断线、隐裂、履带印和黑点缺陷各100个．根据分类流程图可知，不同缺陷识别时阈值的选择是关键．为了确定断线长宽比阈值H0的大小，通过设置不同的H0求得样本中断线的识别率来加以确定，如图12所示．

当H0较小时，隐裂、黑点和断线都被识别为断线，误判率很高，此时识别率较低；随着H0越来越大，当大于一定数值时，没有满足条件的断线存在，识别率降低为0．从图12可以看出，当H0=1.6时，断线识别率最高，达到100%．

经上述可知，选择合适H0可将断线识别出来，此时，样本库中缺陷为隐裂、黑点和履带印．由于隐裂和黑点特征量中长宽比H基本一致，由分类流程图11和图10b）知，合适的R0可识别出隐裂．

图13为除断线外，在剩余缺陷样本图片中，隐裂识别率随的变化趋势．当R0较小时，黑点被误判为隐裂，随着R0的增大，黑点逐渐被滤除，识别率增高；当R0＞0.1时，未被识别的隐裂逐渐增多，识别率降低．从中可以看出在0.05＜R0＜0.08时，隐裂全部识别出，识别率达到最高．

在识别出断线和隐裂缺陷后，样本库中只剩下黑点和履带印两种缺陷，此时根据轮廓数量N和缺陷中心位置，来判定黑点是否为履带印，由先验知识，若黑点可构成为履带印，则N04，并根据图14可知，当t1=9，t2=3时，隐裂的识别率达到最高．

综上所述，当选取H0=1.6，R0=0.06，t1=9，t2=3，N0=4时，缺陷的识别率达到最高．为了验证该算法检测和识别缺陷的性能，分别选取主缺陷含有断线、隐裂、履带印和黑点4种缺陷的红外电池图片共1 000张，利用上述方法和所选取的特征量进行缺陷检测和识别．识别结果如表1．

图11 分类过程流程图Fig.11 Flowchartof classification

图12 断线识别率随H0的变化趋势Fig.12 Broken line recognition ratewith the change of H0

图13 隐裂识别率随R0的变化趋势Fig.13 Subfissure recognition ratew ith the changeof R0

图14 隐裂识别率随t1与t2的变化Fig.14 Subfissure recognition ratew ith the changeof t1and t2

经分析，该算法检测到了全部缺陷，并且除黑点之外，对其它缺陷有很高的识别率，尤其是在履带印的识别上，达到了100%．由于所处理的红外电池片背景比较复杂，多种缺陷并存的现象严重，如果黑点存在于履带印之中，则很难被区分出来，出现误判，故识别率较低，但是该算法至少检测出了是否有缺陷．故本文所提出方法在对上述缺陷的检测上具有很高的精确性，对1 000幅缺陷图像检测率达到100%，缺陷分类准确率在95.57%以上．在目前提出的缺陷检测和识别方法中，该算法在缺陷检测上的鲁棒性，缺陷分类以及在定位方面的优势已相当明显，具有很高的实用价值．

3 结论

采用局部自适应阈值的二值化处理方法并做水平投影来提取缺陷信息和电极信息，定位电极位置，通过缺陷的矩形轮廓信息，检测断线、隐裂、和履带印等缺陷．实验表明，在设定了合适特征参数阈值下，能很好地识别出断线、隐裂、履带印和黑点等缺陷，解决了太阳能电池缺陷检测的检测种类单一，抗干扰能力差的问题．最后，经大量实验验证，该算法具有很好的鲁棒性和精确性，有很高的研究意义和很好的实用价值．

表1 缺陷检测结果Tab.1 Resultof defect recognition

[1]GasnerS，Anspaugh B，FrancisR，eta1．Theeffectof low energy protonsonsiliconsolarceilsw ith simulated coverglasscracks[C]//Photovohaic SpecialistsConference，Conference Record of the Twenty Second IEEE，1991：1457-1462．

[2]张舞杰，李迪，叶峰．硅太阳能电池纹理缺陷检测[J]．计算机应用，2010（10）：13-16．

[3]黄赫．太阳能电池阵列图像数据分析软件的设计与实现[D]．吉林：吉林大学，2008．21-33．

[4]柳效辉，徐林，肖晨江，等．基于Matlab的图像处理技术识别硅太阳电池的缺陷[J]．上海交通大学学报，2010，44（7）：926-930．

[5]LIQing-li，WANGWei-sheng，MaChao，etal．Detection ofphysicaldefectsinsolarcellsbyhyperspectralimaging technology[J]．Optics&Laser Technology，2010，42：1010-1013．

[6]Du-M ing Tsai，Shih-ChiehWu，Wei-Chen Li．Defectdetection of solar cells in electrolum inescence imagesusing Fourier image reconstruction[J]．Solar Energy Materials&Solar Cells．2012：250-262．

[7]董栋，陈光梦．基于近红外图像的硅太阳能电池故障检测方法[J]．信息与电子工程，2010，8（5）：539-543．

[8]孟春宁，白晋军，张太宁，等．基于梯度积分投影和最大期望算法的人眼定位[J]．光电子·激光，2012，23（10）：1971-1976．

[9]刘鹤．太阳能电池缺陷检测系统的软件设计[D]．武汉：华中科技大学，2009．39-44．

[10]姚春光，谷一鸣，马崎，等．不规则形状图像矩特征的一种快速准确算法[J]．自动化技术与应用，2003，22（9）：21-24．

[责任编辑 代俊秋]

Detection of solar celldefectsbased on infrared image

ZHOUWei-fang1,WANG Zhi-tao2，YANG Fan2，PANGuo-feng2

(1.Schoolof Electrical Information Engineering,Beihua University,Jilin 132000,China;2.Schoolof Information Engineering, HebeiUniversity of Technology,Tianjin 300401,China)

To solve theproblems thatsingledefectdetection typesand bad anti-interferenceability of testalgorithm in tests of infrared solarcellsdefections,anew method isproposedwhich can defectand identify variousdefections in com plicated background of the solar cells pictures.Firstly,amethod of localadaptive thresholding binarization isused to extract the messagesofdefectionsand electrodes.Second ly,horizontalprojection can beused to getthepositionsofelectrodes,then interferencescan beelim inated by filling electrodes.Finally,amethod which can classify according todefectionscontour information isused.A largenumberofexperimental resultsdemonstrate thatourmethod can detectand identify thebroken line fault,crack faultand track prints faultaccurately in the infrared imageof solar cells,and the correctrate isover99 %.Themethodwith good adaptation and accuracy improves thesolar cellsdefectefficiency greatly.

solar cells；defectdetection；horizontalprojection；contour；identify

TP391.41

A

1007-2373(2014)01-0008-07

2013-09-12

国家科技重大专项课题（2009ZX02308-004）

周维芳（1970-），女（汉族），实验师．