太陽能是一種環(huán)保、安全、無污染的新型清潔能源。太陽能光伏發(fā)電已成為新能源的重要發(fā)展方向之一。由于太陽能電池片的缺陷影響其發(fā)電效率、使用壽命和使用安全,特別是,如果有缺陷的太陽能電池片未能及時檢出就投入市場使用,會帶來火災、爆炸等安全隱患。因此太陽能電池片缺陷檢測技術(shù)受到廣泛關(guān)注。基于視覺的太陽能電池片缺陷檢測技術(shù)已成為研究熱點。本文在綜合分析太陽能電池片缺陷檢測技術(shù)國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上,基于機器視覺技術(shù),開發(fā)了一種太陽能電池片缺陷檢測裝置。首先,通過研究現(xiàn)有太陽能電池片缺陷檢測算法,分析了傳統(tǒng)的缺陷檢測算法和使用卷積神經(jīng)網(wǎng)絡(luò)對特征圖像進行分類的優(yōu)缺點;其次,設(shè)計了太陽能電池片缺陷檢測裝置的硬件和軟件系統(tǒng),根據(jù)太陽能電池片表面隱裂和斷柵缺陷的視覺特征,設(shè)計了太陽能電池片表面缺陷的特征提取算法,通過卷積神經(jīng)網(wǎng)絡(luò)對缺陷的樣本進行訓練,優(yōu)化和改進卷積神經(jīng)網(wǎng)絡(luò)的結(jié)點和層數(shù)來提高檢測分類的精度。本文主要應(yīng)用傳統(tǒng)的視覺檢測算法進行缺陷的特征提取,使用卷積神經(jīng)網(wǎng)絡(luò)對太陽能電池片表面缺陷進行分類判斷,提取太陽能電池片表面的缺陷;最后,通過前期采集的太陽能電池片隱裂和斷柵的缺陷圖像進行了系統(tǒng)測試。實驗結(jié)... 

【文章來源】：上海應(yīng)用技術(shù)大學上海市

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

斷柵圖像經(jīng)過濾波和特征提取后的實驗圖

第2頁上海應(yīng)用技術(shù)大學碩士學位論文1.2太陽能電池片缺陷檢測技術(shù)研究現(xiàn)狀為了準確的提取太陽能電池片表面的缺陷，國內(nèi)外學者對其做了大量的研究，太陽能電池片表面的缺陷檢測方法大致可分為，基于紅外成像太陽能板缺陷檢測方法[19]，基于電池紋理的缺陷檢測方法，基于RPCA的太陽能電池片表面缺陷檢測方法，基于不同電壓下的電致發(fā)光和紅外成像的太陽能電池缺陷檢測，基于電致發(fā)光的缺陷檢測方法和基于深度神經(jīng)網(wǎng)絡(luò)的檢測方法[20]。a.斷柵濾波b.斷柵特征提取后圖1.1斷柵圖像經(jīng)過濾波和特征提取后的實驗圖Fig.1.1Experimentalimageofbrokengridimageafterfilteringandfeatureextractiona.隱裂濾波b.隱裂特征提取后圖1.2隱裂圖像經(jīng)過濾波和特征提取后的實驗圖Fig.1.2Experimentalimageofbrokengridimageafterfilteringandfeatureextraction中國計量學院的王亞麗和孫堅[21]等人提出了基于紅外成像太陽能板缺陷檢測方法研究。該方法主要通過太陽能電池片表面的溫差來確定表面是否存在隱裂、斷柵等缺陷，通過在不同溫差下圖像呈現(xiàn)的不同效果，對兩幅圖像進行像素值相加減，不僅檢測的效率高，而且檢測的穩(wěn)定性也很好，能迅速準確地定位出缺陷的位置。圖1.1、1.2分別為斷柵、隱裂圖像經(jīng)過濾波和特征提取后的實驗對比圖。從圖像中可以很好的識別出太陽能電池片表面隱裂和斷柵的缺陷特征。周維芳、王志陶、楊帆[22]等人提出了一種基于紅外圖像的太陽能電池缺陷檢測方法。該方法可在復雜背景的紅外太陽能電池圖像中識別出多種缺陷類型，通過快速的局

上海應(yīng)用技術(shù)大學碩士學位論文第3頁部自適應(yīng)閾值的二值化處理方法提取缺陷的信息，并且對提取的信息數(shù)據(jù)進行判斷處理，對于天陽能電池片表面隱裂和斷柵的缺陷具有很好的適應(yīng)性和準確性，可以提高實際的檢測效率。如圖1.3所示是太陽能電池片表面存在的缺陷類型，圖1.4所示通過自適應(yīng)閾值二值化處理方法處理過后的圖像，通對比可以明顯的看出經(jīng)過處理過后的圖像，表面的缺陷特征十分明顯，具有很好的識別精度。a.缺陷為斷線和黑點b.缺陷為隱裂和皮帶印c.缺陷為斷線，黑點和皮帶印圖1.3缺陷類型Fig.1.3Defecttypesa.缺陷為斷線和黑點b.缺陷為隱裂和皮帶印c.缺陷為斷線，黑點和皮帶印圖1.4自適應(yīng)閾值二值化處理方法Fig.1.4Themethodofadaptivethresholdbinarization華南理工大學的張舞杰、李迪和葉峰[23]提出了一種硅太陽能電池紋理的缺陷檢測方法。通過方向可變?yōu)V波器提取圖像的邊緣并采用Hough變換確定紋理的方向，采用角度與紋理方向一致的方向濾波器，來消除規(guī)則直線紋理，避免干擾因數(shù)對提取紋理的缺陷特征進行干擾。如圖1.5所示是太陽能電池片的原圖像，圖1.6所示是經(jīng)過方向可變?yōu)V波器濾波結(jié)果圖像，通過實驗結(jié)果顯示，此方法可以有效的檢測出太陽能電池片表面斷柵的缺陷，對硅太陽能電池紋理的缺陷具有很好的檢測識別精度。

【參考文獻】：
期刊論文
[1]光伏發(fā)電技術(shù)發(fā)展與前景分析[J]. 彭科翔,郭少臣,李智毅,鄭寰,陳秀偉,高天宇.  中國設(shè)備工程. 2020(08)
[2]薄膜太陽能電池的進展和展望[J]. 王慶.  化工管理. 2020(03)
[3]自適應(yīng)圖像增強的管道機器人缺陷檢測方法[J]. 李平,梁丹,梁冬泰,吳曉成,陳興.  光電工程. 2020(01)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[J]. 秦川.  電子技術(shù)與軟件工程. 2020(01)
[5]基于深度學習的目標檢測算法研究與應(yīng)用[J]. 鄺熠,陶果,朱玉潔,蔡偉立.  計算機產(chǎn)品與流通. 2020(01)
[6]基于自適應(yīng)權(quán)重Retinex和小波變換的彩色圖像增強算法[J]. 馮紅波,李萍,王博.  無線電工程. 2020(01)
[7]基于小數(shù)據(jù)集的改進LeNet圖像分類模型研究[J]. 舒軍,楊露,陳義紅,楊莉,鄧芳.  中南民族大學學報(自然科學版). 2019(04)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類識別方法[J]. 安麗娜.  信息通信. 2019(12)
[9]基于細節(jié)特征融合的低照度全景圖像增強[J]. 王殿偉,韓鵬飛,李大湘,劉穎,許志杰,王晶.  控制與決策. 2019(12)
[10]海外光伏儲能項目的發(fā)展現(xiàn)狀和前景探究[J]. 王善友.  現(xiàn)代商業(yè). 2019(33)

博士論文
[1]太陽能電池片表面缺陷高效檢測系統(tǒng)研究[D]. 范程華.安徽大學 2019

碩士論文
[1]基于深度學習的太陽能電池片缺陷檢測[D]. 徐星.中北大學 2019
[2]基于圖像處理的太陽能電池無損檢測技術(shù)研究[D]. 陳冉.西安科技大學 2019
[3]基于機器視覺的太陽能網(wǎng)版缺陷檢測技術(shù)研究[D]. 漆廣文.廣西師范大學 2018
[4]基于圖像的太陽能電池片質(zhì)量檢測算法研究[D]. 夏北浩.華中科技大學 2018
[5]電致發(fā)光（EL）對產(chǎn)業(yè)化常規(guī)晶硅太陽能電池的檢測與分析[D]. 陳志均.內(nèi)蒙古大學 2017
[6]基于HALCON的太陽能電池片缺陷檢測系統(tǒng)設(shè)計[D]. 周奇.江蘇大學 2017
[7]光伏電池板表面缺陷紅外檢測技術(shù)研究[D]. 陶偉.中國計量大學 2016
[8]基于DSP的太陽能電池缺陷在線監(jiān)測識別系統(tǒng)設(shè)計[D]. 趙海朋.河北大學 2014
[9]基于數(shù)字圖像處理的太陽能電池缺陷檢測技術(shù)研究[D]. 王志陶.河北工業(yè)大學 2014
[10]基于EL圖像的太陽能電池組件缺陷在線檢測研究[D]. 竇爭寶.浙江理工大學 2013



本文編號：3572206