多晶硅電池片在太陽能光伏行業(yè)應用十分廣泛,但在多晶硅電池片的實際生產(chǎn)中不可避免的會出現(xiàn)裂紋、崩邊、斷角、色差等缺陷,無缺的電池片也會存在顏色差異,嚴重影響到電池片的發(fā)電效率和組件的美觀性,因此需對電池片進行檢測。具有非接觸、檢測速度快等優(yōu)點的機器視覺表面檢測技術(shù)廣泛應用于電池片檢測,檢測算法是實現(xiàn)機器視覺檢測的關(guān)鍵技術(shù),本文對多晶硅電池片的色差檢測和顏色分類算法進行研究。主要研究內(nèi)容如下:（1）圖像預處理。為了給后續(xù)的色差檢測和顏色分類提供高質(zhì)量的圖像支持,首先分析原始電池片圖像的特點,針對原始圖像的傾斜問題,通過閾值分割、邊緣輪廓檢測等方法實現(xiàn)電池片圖像的傾斜校正;針對傳送帶等外界特征干擾問題,通過構(gòu)建頂點坐標的方法確定電池片的位置,實現(xiàn)對于電池片區(qū)域的高效提取。（2）基于最大區(qū)域?qū)Ρ榷鹊纳顧z測。針對多晶硅電池片色差檢測問題,本文在分析多晶硅電池片色差缺陷的特點的基礎上,提出一種基于最大區(qū)域?qū)Ρ榷鹊臋z測方法。該方法通過顏色空間轉(zhuǎn)換、通道分離、閾值分割、區(qū)域?qū)Ρ鹊确椒▽⑸羁梢蓞^(qū)域與圖像的背景區(qū)域進行分離,并以此為基礎實現(xiàn)對電池片圖像的特征提取和表征,利用分類算法完成對多晶硅電池片色... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

電池片圖像閾

第 3 章 基于最大區(qū)域?qū)Ρ榷鹊亩嗑Ч桦姵仄顧z測FN ——將正常圖像預測為缺陷圖像的數(shù)量；FP ——將缺陷圖像預測為正常圖像的數(shù)量。多晶硅電池片測試集和整個數(shù)據(jù)集的混淆矩陣如表 3-4，3-5 所示，其中測試集中只有一張顏色不均圖像被錯誤地預測為正常圖像，精確度為 96.88%，誤檢率為 5%；而整個數(shù)據(jù)集中有兩張顏色變色圖像和一張顏色不均圖像被錯誤地預測為正常圖像，精確度為 98.11%，誤檢率為 3%，檢測速度為 109ms，利用訓練好的 SVM 模型對電池片進行色差檢測的結(jié)果如圖 3-10 所示。表 3-4 基于測試集的混淆矩陣 表 3-5 基于整個數(shù)據(jù)集的混淆矩陣顏色變色 顏色不均 正常顏色變色 12 0 0顏色不均 0 7 1正常 0 0 12顏色變色 顏色不均 正常顏色變色 49 0 2顏色不均 0 51 1正常 0 0 56

使用該模型完成電池片顏色分類。4.1 電池片顏色分類概述太陽能電池片的主要作用是將光能轉(zhuǎn)化為電能，影響太陽能電池片光電轉(zhuǎn)化效率的因素有很多，其中制作氮化硅減反射膜是提高光電轉(zhuǎn)化效率的一種重要方式，但是由于工藝問題造成制作的膜厚并不是完全一致，使得多晶硅太陽能電池片表面顏色深淺不一。在電池片的銷售過程中，電池片組件的顏色一致性是影響其銷售數(shù)量和銷售價格的重要因素，所以在實際生產(chǎn)過程中，需要對電池片的顏色進行分類。傳統(tǒng)的顏色分類方法是尋找可以表征該圖像顏色的顏色特征值，然后利用分類器對其進行分類，但這種方法在尋找最優(yōu)顏色特征方面是較為漫長的，同時當所要區(qū)分的顏色種類較多時，一些顏色特征值可能較為接近，區(qū)分難度較大。本文在顏色分類方法上借鑒了文獻[23]：利用卷積神經(jīng)網(wǎng)絡方法來識別顏色。該方法可以自動完成對特征的提取，通過離線訓練和在線檢測來完成對電池片圖像的顏色分類，如圖 4-1 所示。離線訓練

【參考文獻】：
期刊論文
[1]機器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學報. 2017(12)
[2]基于機器視覺的太陽能電池顏色自動分選研究[J]. 周奇,孫智權(quán),趙不賄,陶鶴鳴.  組合機床與自動化加工技術(shù). 2017(10)
[3]太陽電池自適應色系分類方法研究[J]. 孫智權(quán),童鋼,趙不賄,張千,周奇,呂興琴.  太陽能學報. 2017(06)
[4]基于改進最大類間方差法的手勢分割方法研究[J]. 李擎,唐歡,遲健男,邢永躍,李華通.  自動化學報. 2017(04)
[5]基于機器視覺的太陽能電池片表面缺陷檢測研究現(xiàn)狀及展望[J]. 錢曉亮,張鶴慶,陳永信,曾黎,刁智華,劉玉翠,楊存祥.  北京工業(yè)大學學報. 2017(01)
[6]基于HCGA的三坐標測量路徑優(yōu)化[J]. 吳鳳和,孫迎兵,王鑫.  計量學報. 2016 (03)
[7]基于高斯混合模型的太陽電池片顏色分類設想與驗證[J]. 封小云,邱龍剛.  太陽能. 2016(03)
[8]最小化類內(nèi)距離和分類算法[J]. 王曉初,王士同,包芳,蔣亦樟.  電子與信息學報. 2016(03)
[9]基于彩色機器視覺的多晶硅太陽能電池顏色分選技術(shù)研究[J]. 孫海杰,林俊強,李錚濤,李濤,歐陽高飛.  制造業(yè)自動化. 2012(21)
[10]隨機紋理圖像的色差檢測[J]. 高春甫,賀新升,唐可洪,程麗麗.  光學精密工程. 2009(08)

碩士論文
[1]基于HALCON的太陽能電池片缺陷檢測系統(tǒng)設計[D]. 周奇.江蘇大學 2017
[2]多晶硅表面缺陷識別及軟件檢測系統(tǒng)設計與開發(fā)[D]. 王晗.上海交通大學 2014
[3]基于機器視覺的硅片表面缺陷檢測和顏色檢測[D]. 李春龍.江南大學 2013
[4]基于顏色空間剖分的彩色圖像分割算法研究[D]. 王菁.曲阜師范大學 2010



本文編號：3388060