基于视觉的太阳能电池片检测技术研究
发布时间：2022-01-06 09:32
太阳能是一种环保、安全、无污染的新型清洁能源。太阳能光伏发电已成为新能源的重要发展方向之一。由于太阳能电池片的缺陷影响其发电效率、使用寿命和使用安全,特别是,如果有缺陷的太阳能电池片未能及时检出就投入市场使用,会带来火灾、爆炸等安全隐患。因此太阳能电池片缺陷检测技术受到广泛关注。基于视觉的太阳能电池片缺陷检测技术已成为研究热点。本文在综合分析太阳能电池片缺陷检测技术国内外研究现状的基础上,基于机器视觉技术,开发了一种太阳能电池片缺陷检测装置。首先,通过研究现有太阳能电池片缺陷检测算法,分析了传统的缺陷检测算法和使用卷积神经网络对特征图像进行分类的优缺点;其次,设计了太阳能电池片缺陷检测装置的硬件和软件系统,根据太阳能电池片表面隐裂和断栅缺陷的视觉特征,设计了太阳能电池片表面缺陷的特征提取算法,通过卷积神经网络对缺陷的样本进行训练,优化和改进卷积神经网络的结点和层数来提高检测分类的精度。本文主要应用传统的视觉检测算法进行缺陷的特征提取,使用卷积神经网络对太阳能电池片表面缺陷进行分类判断,提取太阳能电池片表面的缺陷;最后,通过前期采集的太阳能电池片隐裂和断栅的缺陷图像进行了系统测试。实验结...
【文章来源】：上海应用技术大学上海市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
断栅图像经过滤波和特征提取后的实验图
第2页上海应用技术大学硕士学位论文1.2太阳能电池片缺陷检测技术研究现状为了准确的提取太阳能电池片表面的缺陷，国内外学者对其做了大量的研究，太阳能电池片表面的缺陷检测方法大致可分为，基于红外成像太阳能板缺陷检测方法[19]，基于电池纹理的缺陷检测方法，基于RPCA的太阳能电池片表面缺陷检测方法，基于不同电压下的电致发光和红外成像的太阳能电池缺陷检测，基于电致发光的缺陷检测方法和基于深度神经网络的检测方法[20]。a.断栅滤波b.断栅特征提取后图1.1断栅图像经过滤波和特征提取后的实验图Fig.1.1Experimentalimageofbrokengridimageafterfilteringandfeatureextractiona.隐裂滤波b.隐裂特征提取后图1.2隐裂图像经过滤波和特征提取后的实验图Fig.1.2Experimentalimageofbrokengridimageafterfilteringandfeatureextraction中国计量学院的王亚丽和孙坚[21]等人提出了基于红外成像太阳能板缺陷检测方法研究。该方法主要通过太阳能电池片表面的温差来确定表面是否存在隐裂、断栅等缺陷，通过在不同温差下图像呈现的不同效果，对两幅图像进行像素值相加减，不仅检测的效率高，而且检测的稳定性也很好，能迅速准确地定位出缺陷的位置。图1.1、1.2分别为断栅、隐裂图像经过滤波和特征提取后的实验对比图。从图像中可以很好的识别出太阳能电池片表面隐裂和断栅的缺陷特征。周维芳、王志陶、杨帆[22]等人提出了一种基于红外图像的太阳能电池缺陷检测方法。该方法可在复杂背景的红外太阳能电池图像中识别出多种缺陷类型，通过快速的局
上海应用技术大学硕士学位论文第3页部自适应阈值的二值化处理方法提取缺陷的信息，并且对提取的信息数据进行判断处理，对于天阳能电池片表面隐裂和断栅的缺陷具有很好的适应性和准确性，可以提高实际的检测效率。如图1.3所示是太阳能电池片表面存在的缺陷类型，图1.4所示通过自适应阈值二值化处理方法处理过后的图像，通对比可以明显的看出经过处理过后的图像，表面的缺陷特征十分明显，具有很好的识别精度。a.缺陷为断线和黑点b.缺陷为隐裂和皮带印c.缺陷为断线，黑点和皮带印图1.3缺陷类型Fig.1.3Defecttypesa.缺陷为断线和黑点b.缺陷为隐裂和皮带印c.缺陷为断线，黑点和皮带印图1.4自适应阈值二值化处理方法Fig.1.4Themethodofadaptivethresholdbinarization华南理工大学的张舞杰、李迪和叶峰[23]提出了一种硅太阳能电池纹理的缺陷检测方法。通过方向可变滤波器提取图像的边缘并采用Hough变换确定纹理的方向，采用角度与纹理方向一致的方向滤波器，来消除规则直线纹理，避免干扰因数对提取纹理的缺陷特征进行干扰。如图1.5所示是太阳能电池片的原图像，图1.6所示是经过方向可变滤波器滤波结果图像，通过实验结果显示，此方法可以有效的检测出太阳能电池片表面断栅的缺陷，对硅太阳能电池纹理的缺陷具有很好的检测识别精度。
【参考文献】：
期刊论文
[1]光伏发电技术发展与前景分析[J]. 彭科翔,郭少臣,李智毅,郑寰,陈秀伟,高天宇. 中国设备工程. 2020(08)
[2]薄膜太阳能电池的进展和展望[J]. 王庆. 化工管理. 2020(03)
[3]自适应图像增强的管道机器人缺陷检测方法[J]. 李平,梁丹,梁冬泰,吴晓成,陈兴. 光电工程. 2020(01)
[4]基于卷积神经网络的图像识别[J]. 秦川. 电子技术与软件工程. 2020(01)
[5]基于深度学习的目标检测算法研究与应用[J]. 邝熠,陶果,朱玉洁,蔡伟立. 计算机产品与流通. 2020(01)
[6]基于自适应权重Retinex和小波变换的彩色图像增强算法[J]. 冯红波,李萍,王博. 无线电工程. 2020(01)
[7]基于小数据集的改进LeNet图像分类模型研究[J]. 舒军,杨露,陈义红,杨莉,邓芳. 中南民族大学学报(自然科学版). 2019(04)
[8]基于深度卷积神经网络的图像分类识别方法[J]. 安丽娜. 信息通信. 2019(12)
[9]基于细节特征融合的低照度全景图像增强[J]. 王殿伟,韩鹏飞,李大湘,刘颖,许志杰,王晶. 控制与决策. 2019(12)
[10]海外光伏储能项目的发展现状和前景探究[J]. 王善友. 现代商业. 2019(33)
博士论文
[1]太阳能电池片表面缺陷高效检测系统研究[D]. 范程华.安徽大学 2019
硕士论文
[1]基于深度学习的太阳能电池片缺陷检测[D]. 徐星.中北大学 2019
[2]基于图像处理的太阳能电池无损检测技术研究[D]. 陈冉.西安科技大学 2019
[3]基于机器视觉的太阳能网版缺陷检测技术研究[D]. 漆广文.广西师范大学 2018
[4]基于图像的太阳能电池片质量检测算法研究[D]. 夏北浩.华中科技大学 2018
[5]电致发光（EL）对产业化常规晶硅太阳能电池的检测与分析[D]. 陈志均.内蒙古大学 2017
[6]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
[7]光伏电池板表面缺陷红外检测技术研究[D]. 陶伟.中国计量大学 2016
[8]基于DSP的太阳能电池缺陷在线监测识别系统设计[D]. 赵海朋.河北大学 2014
[9]基于数字图像处理的太阳能电池缺陷检测技术研究[D]. 王志陶.河北工业大学 2014
[10]基于EL图像的太阳能电池组件缺陷在线检测研究[D]. 窦争宝.浙江理工大学 2013
本文编号：3572206
【文章来源】：上海应用技术大学上海市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
断栅图像经过滤波和特征提取后的实验图
第2页上海应用技术大学硕士学位论文1.2太阳能电池片缺陷检测技术研究现状为了准确的提取太阳能电池片表面的缺陷，国内外学者对其做了大量的研究，太阳能电池片表面的缺陷检测方法大致可分为，基于红外成像太阳能板缺陷检测方法[19]，基于电池纹理的缺陷检测方法，基于RPCA的太阳能电池片表面缺陷检测方法，基于不同电压下的电致发光和红外成像的太阳能电池缺陷检测，基于电致发光的缺陷检测方法和基于深度神经网络的检测方法[20]。a.断栅滤波b.断栅特征提取后图1.1断栅图像经过滤波和特征提取后的实验图Fig.1.1Experimentalimageofbrokengridimageafterfilteringandfeatureextractiona.隐裂滤波b.隐裂特征提取后图1.2隐裂图像经过滤波和特征提取后的实验图Fig.1.2Experimentalimageofbrokengridimageafterfilteringandfeatureextraction中国计量学院的王亚丽和孙坚[21]等人提出了基于红外成像太阳能板缺陷检测方法研究。该方法主要通过太阳能电池片表面的温差来确定表面是否存在隐裂、断栅等缺陷，通过在不同温差下图像呈现的不同效果，对两幅图像进行像素值相加减，不仅检测的效率高，而且检测的稳定性也很好，能迅速准确地定位出缺陷的位置。图1.1、1.2分别为断栅、隐裂图像经过滤波和特征提取后的实验对比图。从图像中可以很好的识别出太阳能电池片表面隐裂和断栅的缺陷特征。周维芳、王志陶、杨帆[22]等人提出了一种基于红外图像的太阳能电池缺陷检测方法。该方法可在复杂背景的红外太阳能电池图像中识别出多种缺陷类型，通过快速的局
上海应用技术大学硕士学位论文第3页部自适应阈值的二值化处理方法提取缺陷的信息，并且对提取的信息数据进行判断处理，对于天阳能电池片表面隐裂和断栅的缺陷具有很好的适应性和准确性，可以提高实际的检测效率。如图1.3所示是太阳能电池片表面存在的缺陷类型，图1.4所示通过自适应阈值二值化处理方法处理过后的图像，通对比可以明显的看出经过处理过后的图像，表面的缺陷特征十分明显，具有很好的识别精度。a.缺陷为断线和黑点b.缺陷为隐裂和皮带印c.缺陷为断线，黑点和皮带印图1.3缺陷类型Fig.1.3Defecttypesa.缺陷为断线和黑点b.缺陷为隐裂和皮带印c.缺陷为断线，黑点和皮带印图1.4自适应阈值二值化处理方法Fig.1.4Themethodofadaptivethresholdbinarization华南理工大学的张舞杰、李迪和叶峰[23]提出了一种硅太阳能电池纹理的缺陷检测方法。通过方向可变滤波器提取图像的边缘并采用Hough变换确定纹理的方向，采用角度与纹理方向一致的方向滤波器，来消除规则直线纹理，避免干扰因数对提取纹理的缺陷特征进行干扰。如图1.5所示是太阳能电池片的原图像，图1.6所示是经过方向可变滤波器滤波结果图像，通过实验结果显示，此方法可以有效的检测出太阳能电池片表面断栅的缺陷，对硅太阳能电池纹理的缺陷具有很好的检测识别精度。
【参考文献】：
期刊论文
[1]光伏发电技术发展与前景分析[J]. 彭科翔,郭少臣,李智毅,郑寰,陈秀伟,高天宇. 中国设备工程. 2020(08)
[2]薄膜太阳能电池的进展和展望[J]. 王庆. 化工管理. 2020(03)
[3]自适应图像增强的管道机器人缺陷检测方法[J]. 李平,梁丹,梁冬泰,吴晓成,陈兴. 光电工程. 2020(01)
[4]基于卷积神经网络的图像识别[J]. 秦川. 电子技术与软件工程. 2020(01)
[5]基于深度学习的目标检测算法研究与应用[J]. 邝熠,陶果,朱玉洁,蔡伟立. 计算机产品与流通. 2020(01)
[6]基于自适应权重Retinex和小波变换的彩色图像增强算法[J]. 冯红波,李萍,王博. 无线电工程. 2020(01)
[7]基于小数据集的改进LeNet图像分类模型研究[J]. 舒军,杨露,陈义红,杨莉,邓芳. 中南民族大学学报(自然科学版). 2019(04)
[8]基于深度卷积神经网络的图像分类识别方法[J]. 安丽娜. 信息通信. 2019(12)
[9]基于细节特征融合的低照度全景图像增强[J]. 王殿伟,韩鹏飞,李大湘,刘颖,许志杰,王晶. 控制与决策. 2019(12)
[10]海外光伏储能项目的发展现状和前景探究[J]. 王善友. 现代商业. 2019(33)
博士论文
[1]太阳能电池片表面缺陷高效检测系统研究[D]. 范程华.安徽大学 2019
硕士论文
[1]基于深度学习的太阳能电池片缺陷检测[D]. 徐星.中北大学 2019
[2]基于图像处理的太阳能电池无损检测技术研究[D]. 陈冉.西安科技大学 2019
[3]基于机器视觉的太阳能网版缺陷检测技术研究[D]. 漆广文.广西师范大学 2018
[4]基于图像的太阳能电池片质量检测算法研究[D]. 夏北浩.华中科技大学 2018
[5]电致发光（EL）对产业化常规晶硅太阳能电池的检测与分析[D]. 陈志均.内蒙古大学 2017
[6]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
[7]光伏电池板表面缺陷红外检测技术研究[D]. 陶伟.中国计量大学 2016
[8]基于DSP的太阳能电池缺陷在线监测识别系统设计[D]. 赵海朋.河北大学 2014
[9]基于数字图像处理的太阳能电池缺陷检测技术研究[D]. 王志陶.河北工业大学 2014
[10]基于EL图像的太阳能电池组件缺陷在线检测研究[D]. 窦争宝.浙江理工大学 2013
本文编号：3572206
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3572206.html
