多晶硅电池片色差检测与颜色分类算法研究
发布时间：2021-09-06 19:44
多晶硅电池片在太阳能光伏行业应用十分广泛,但在多晶硅电池片的实际生产中不可避免的会出现裂纹、崩边、断角、色差等缺陷,无缺的电池片也会存在颜色差异,严重影响到电池片的发电效率和组件的美观性,因此需对电池片进行检测。具有非接触、检测速度快等优点的机器视觉表面检测技术广泛应用于电池片检测,检测算法是实现机器视觉检测的关键技术,本文对多晶硅电池片的色差检测和颜色分类算法进行研究。主要研究内容如下:（1）图像预处理。为了给后续的色差检测和颜色分类提供高质量的图像支持,首先分析原始电池片图像的特点,针对原始图像的倾斜问题,通过阈值分割、边缘轮廓检测等方法实现电池片图像的倾斜校正;针对传送带等外界特征干扰问题,通过构建顶点坐标的方法确定电池片的位置,实现对于电池片区域的高效提取。（2）基于最大区域对比度的色差检测。针对多晶硅电池片色差检测问题,本文在分析多晶硅电池片色差缺陷的特点的基础上,提出一种基于最大区域对比度的检测方法。该方法通过颜色空间转换、通道分离、阈值分割、区域对比等方法将色差可疑区域与图像的背景区域进行分离,并以此为基础实现对电池片图像的特征提取和表征,利用分类算法完成对多晶硅电池片色...
【文章来源】：燕山大学河北省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
电池片图像阈
第 3 章 基于最大区域对比度的多晶硅电池片色差检测FN ——将正常图像预测为缺陷图像的数量；FP ——将缺陷图像预测为正常图像的数量。多晶硅电池片测试集和整个数据集的混淆矩阵如表 3-4，3-5 所示，其中测试集中只有一张颜色不均图像被错误地预测为正常图像，精确度为 96.88%，误检率为 5%；而整个数据集中有两张颜色变色图像和一张颜色不均图像被错误地预测为正常图像，精确度为 98.11%，误检率为 3%，检测速度为 109ms，利用训练好的 SVM 模型对电池片进行色差检测的结果如图 3-10 所示。表 3-4 基于测试集的混淆矩阵 表 3-5 基于整个数据集的混淆矩阵颜色变色 颜色不均 正常颜色变色 12 0 0颜色不均 0 7 1正常 0 0 12颜色变色 颜色不均 正常颜色变色 49 0 2颜色不均 0 51 1正常 0 0 56
使用该模型完成电池片颜色分类。4.1 电池片颜色分类概述太阳能电池片的主要作用是将光能转化为电能，影响太阳能电池片光电转化效率的因素有很多，其中制作氮化硅减反射膜是提高光电转化效率的一种重要方式，但是由于工艺问题造成制作的膜厚并不是完全一致，使得多晶硅太阳能电池片表面颜色深浅不一。在电池片的销售过程中，电池片组件的颜色一致性是影响其销售数量和销售价格的重要因素，所以在实际生产过程中，需要对电池片的颜色进行分类。传统的颜色分类方法是寻找可以表征该图像颜色的颜色特征值，然后利用分类器对其进行分类，但这种方法在寻找最优颜色特征方面是较为漫长的，同时当所要区分的颜色种类较多时，一些颜色特征值可能较为接近，区分难度较大。本文在颜色分类方法上借鉴了文献[23]：利用卷积神经网络方法来识别颜色。该方法可以自动完成对特征的提取，通过离线训练和在线检测来完成对电池片图像的颜色分类，如图 4-1 所示。离线训练
【参考文献】：
期刊论文
[1]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[2]基于机器视觉的太阳能电池颜色自动分选研究[J]. 周奇,孙智权,赵不贿,陶鹤鸣. 组合机床与自动化加工技术. 2017(10)
[3]太阳电池自适应色系分类方法研究[J]. 孙智权,童钢,赵不贿,张千,周奇,吕兴琴. 太阳能学报. 2017(06)
[4]基于改进最大类间方差法的手势分割方法研究[J]. 李擎,唐欢,迟健男,邢永跃,李华通. 自动化学报. 2017(04)
[5]基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望[J]. 钱晓亮,张鹤庆,陈永信,曾黎,刁智华,刘玉翠,杨存祥. 北京工业大学学报. 2017(01)
[6]基于HCGA的三坐标测量路径优化[J]. 吴凤和,孙迎兵,王鑫. 计量学报. 2016 (03)
[7]基于高斯混合模型的太阳电池片颜色分类设想与验证[J]. 封小云,邱龙刚. 太阳能. 2016(03)
[8]最小化类内距离和分类算法[J]. 王晓初,王士同,包芳,蒋亦樟. 电子与信息学报. 2016(03)
[9]基于彩色机器视觉的多晶硅太阳能电池颜色分选技术研究[J]. 孙海杰,林俊强,李铮涛,李涛,欧阳高飞. 制造业自动化. 2012(21)
[10]随机纹理图像的色差检测[J]. 高春甫,贺新升,唐可洪,程丽丽. 光学精密工程. 2009(08)
硕士论文
[1]基于HALCON的太阳能电池片缺陷检测系统设计[D]. 周奇.江苏大学 2017
[2]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[3]基于机器视觉的硅片表面缺陷检测和颜色检测[D]. 李春龙.江南大学 2013
[4]基于颜色空间剖分的彩色图像分割算法研究[D]. 王菁.曲阜师范大学 2010
本文编号：3388060
【文章来源】：燕山大学河北省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
电池片图像阈
第 3 章 基于最大区域对比度的多晶硅电池片色差检测FN ——将正常图像预测为缺陷图像的数量；FP ——将缺陷图像预测为正常图像的数量。多晶硅电池片测试集和整个数据集的混淆矩阵如表 3-4，3-5 所示，其中测试集中只有一张颜色不均图像被错误地预测为正常图像，精确度为 96.88%，误检率为 5%；而整个数据集中有两张颜色变色图像和一张颜色不均图像被错误地预测为正常图像，精确度为 98.11%，误检率为 3%，检测速度为 109ms，利用训练好的 SVM 模型对电池片进行色差检测的结果如图 3-10 所示。表 3-4 基于测试集的混淆矩阵 表 3-5 基于整个数据集的混淆矩阵颜色变色 颜色不均 正常颜色变色 12 0 0颜色不均 0 7 1正常 0 0 12颜色变色 颜色不均 正常颜色变色 49 0 2颜色不均 0 51 1正常 0 0 56
使用该模型完成电池片颜色分类。4.1 电池片颜色分类概述太阳能电池片的主要作用是将光能转化为电能，影响太阳能电池片光电转化效率的因素有很多，其中制作氮化硅减反射膜是提高光电转化效率的一种重要方式，但是由于工艺问题造成制作的膜厚并不是完全一致，使得多晶硅太阳能电池片表面颜色深浅不一。在电池片的销售过程中，电池片组件的颜色一致性是影响其销售数量和销售价格的重要因素，所以在实际生产过程中，需要对电池片的颜色进行分类。传统的颜色分类方法是寻找可以表征该图像颜色的颜色特征值，然后利用分类器对其进行分类，但这种方法在寻找最优颜色特征方面是较为漫长的，同时当所要区分的颜色种类较多时，一些颜色特征值可能较为接近，区分难度较大。本文在颜色分类方法上借鉴了文献[23]：利用卷积神经网络方法来识别颜色。该方法可以自动完成对特征的提取，通过离线训练和在线检测来完成对电池片图像的颜色分类，如图 4-1 所示。离线训练
【参考文献】：
期刊论文
[1]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[2]基于机器视觉的太阳能电池颜色自动分选研究[J]. 周奇,孙智权,赵不贿,陶鹤鸣. 组合机床与自动化加工技术. 2017(10)
[3]太阳电池自适应色系分类方法研究[J]. 孙智权,童钢,赵不贿,张千,周奇,吕兴琴. 太阳能学报. 2017(06)
[4]基于改进最大类间方差法的手势分割方法研究[J]. 李擎,唐欢,迟健男,邢永跃,李华通. 自动化学报. 2017(04)
[5]基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望[J]. 钱晓亮,张鹤庆,陈永信,曾黎,刁智华,刘玉翠,杨存祥. 北京工业大学学报. 2017(01)
[6]基于HCGA的三坐标测量路径优化[J]. 吴凤和,孙迎兵,王鑫. 计量学报. 2016 (03)
[7]基于高斯混合模型的太阳电池片颜色分类设想与验证[J]. 封小云,邱龙刚. 太阳能. 2016(03)
[8]最小化类内距离和分类算法[J]. 王晓初,王士同,包芳,蒋亦樟. 电子与信息学报. 2016(03)
[9]基于彩色机器视觉的多晶硅太阳能电池颜色分选技术研究[J]. 孙海杰,林俊强,李铮涛,李涛,欧阳高飞. 制造业自动化. 2012(21)
[10]随机纹理图像的色差检测[J]. 高春甫,贺新升,唐可洪,程丽丽. 光学精密工程. 2009(08)
硕士论文
[1]基于HALCON的太阳能电池片缺陷检测系统设计[D]. 周奇.江苏大学 2017
[2]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[3]基于机器视觉的硅片表面缺陷检测和颜色检测[D]. 李春龙.江南大学 2013
[4]基于颜色空间剖分的彩色图像分割算法研究[D]. 王菁.曲阜师范大学 2010
本文编号：3388060
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3388060.html
