专利文案分析

太阳能EL缺陷检测报告1、研究背景与意义在全球环境恶化的压力不断攀升的情况下，具有清洁、永不枯竭的太阳能得到了广泛重视。

目前，以太阳能为代表的可再生能源得到了国家的大力支持，“十三五”中的建设现代能源体系给太阳能产业注入了新活力，太阳能产业蓬勃发展。

目前主要的太阳能转换工具——光伏电池具有转化效率高、成本低、寿命长等特点。

但光伏电池的生产工艺过程复杂，导致生产出来的光伏电池片会存在诸多缺陷，这些缺陷会直接影响到电池的输出功率。

而由光伏电池组装成光伏组件中，如果包含带有缺陷的电池片将导致整体光伏电池组件具有严重的质量缺陷。

因此，对光伏电池进行缺陷的检测与定位，对于提高提升产品质量、提高企业的经济效益都具有重大的价值和意义。

通过一种电致发光成像采集手段可以获得光伏电池的EL图像(electroluminescenceimage)，通电状态下的电池红外图像中可以反映出人类视觉无法通过肉眼直接观察到的内部缺陷，诸如断栅、隐裂、低效、黑斑等。

但目前国内外的相关行业对光伏电池EL缺陷的检测，都停留在人工目视抽检的阶段，很难保证系统的实时性在线可靠检测。

另外，目前人力成本的陡增也迫使企业必须求助于基于机器视觉的自动检测系统。

因此，研发高精度、高速光伏电池EL缺陷检测系统是我国乃至全球光伏行业迫切需要解决的关键技术问题，发展高技术难度、高附加值、高质量光伏电池的生产任务势在必行。

多晶硅材料因为具有高转换效率、长生命周期和低成本等多种优势，一直是当前光伏电池进行电能转换的重要原材料。

由于多晶硅材料包含在随机位置和随机方向上的任意形状和大小的多晶颗粒，导致多晶硅太阳能电池的表面具有各向异性的复杂随机纹理，这种复杂的背景干扰导致EL缺陷检测具有很大的难度。

目前，国内外尚未出现关于多晶硅光伏电池的EL缺陷检测成型系统。

图1中给出了部分EL缺陷图像，从中可以看出多晶硅背景纹理的复杂性。

图1多晶硅背景下的EL缺陷示例（红色区域为缺陷，其他为背景）因此，本课题拟开展在复杂背景干扰情况下的光伏电池EL缺陷在线检测与识别方法，获得包括缺陷位置、范围、类型、大小等关于缺陷的精确统计数据，进而采取相应措施指导生产与再加工，提高光伏电池相关产品的竞争力。

本课题的研究对于提高光伏行业的智能化制造水平、节能减排等具有重要的战略意义和推动作用，对于带动光伏行业的发展乃至我国国民生产总值的增长具有重要的作用和意义。

同时，本课题涉及的理论内容对于机器视觉领域中在复杂背景、低信噪比情况下的目标检测与识别问题具有重要的科学意义。

图1、EL缺陷示例2国内外研究现状视觉检测作为近些年迅速发展的一种非接触式自动检测技术，具有很多其他传感技术不具有的优点，它可以将人类从繁重的体力劳动中解放出来，解决人力成本的问题，或者降低对高级熟练工人的要求；另外，视觉检测还可以在人类无法忍受的恶劣环境中工作，在诸多环境中都具有不可替代的作用。

随着机器学习算法的不断改进，视觉检测技术的应用范围越来越广，包括金属加工、印刷品、纺织、木材、玻璃、皮革、医药等。

根据产品表面纹理特性的不同，可以大致分为具有各项同性特性的均匀纹理、具有高重复性的结构化纹理和不规则的随机纹理三种属性。

例如金属加工品、玻璃，纸张等产品具有均匀一致的表面纹理；织物之类的纺织品表面具有重复的结构化纹理形式，其局部纹理模式在全局范围内会具有很高的相似性与重复性。

多晶硅光伏电池在内的表面纹理属于不规则的随机纹理，因为其纹理模式复杂多变，且不会在全局范围内重复出现。

目前，关于均匀纹理与结构化纹理的产品表面缺陷检测已经展开了较为深入的研究，但随机纹理下的缺陷检测研究相对较少。

总体而言，现有的基于视觉的表面缺陷检测方法可以分为三类：基于局部异常（localabnormalities）的方法、基于模板匹配的方法与基于机器学习的方法。

下面将就这三类方法进行详细地综述。

2.1基于局部异常（localabnormalities）的方法基于局部异常的方法需要人为地挖掘非缺陷图像的特点并预先定义一种正常模式，然后通过从待测图像中提取与预先定义的正常模式不一致的模式及对应的图像区域进而实现缺陷检测。

具体可主要分为四类：分割法、统计法、频谱法、模型法。

分割法是产品表面缺陷的早期检测方法之一，其利用图像分割技术例如边缘检测、阈值分割、轮廓提取等对缺陷目标进行检测与提取。

这种方法主要适用于均匀纹理下的表面缺陷检测。

武汉科技大学的孔建益等人[1]也提出了基于数学形态学的方法进行缺陷边缘的提取，利用边缘位置的空间关系检测缺陷，但此方法往往更倾向于提取到缺陷的边缘，对于缺乏明显梯度跳变的缺陷难以检测[2-3]。

基于阈值化的分割方法利用目标与背景的亮度差异进行缺陷的检测，其主要包括局部阈值法和全局阈值法[4-5]。

局部阈值法因为需要不断在动态的局部范围内进行阈值的确定而导致较高的计算量及复杂度。

大津法[6]作为一种全局阈值法被广泛应用到表面缺陷检测问题中，其局限是假设待测图像的直方图服从双模态形式分布，而这一假设在实际情况中并不总是存在。

文献[7]提出了一种改进的大津法，可以适用于接近单模态直方图分布形式的图像。

另外，也有研究人员采用主动轮廓模型分割缺陷图像中的单目标区域[8]，但主动轮廓模型更适合于具有封闭几何形式的缺陷类型，对于非封闭结构的缺陷可能无法有效检测到目标轮廓，且算法的速度相对较慢。

统计法利用基本缺陷的统计特征属性对图像亮度的空间分布和纹理属性进行描述，从而实现缺陷检测。

目前研究人员已经提出大量用于描述缺陷的统计特征，最简单的特征有一阶统计量特征，如均值、方差[9]等，以及二阶统计量特征，如加权协方差矩阵[10]等，还有一些基于直方图的特征等。

这些统计属性还可以进一步作为缺陷类型识别的特征。

局部二值模式（Localbinarypattern，LBP）[11-13]是一种能够有效描述图像局部纹理特性的算子，且对光照具有不变性。

相较于利用图像直方图的方法，因其具有更高的检测准确率，故受到更广泛关注。

如：2014年，Li等人[14]成功将LBP应用于织物表面缺陷检测，平均误检率约为4.3%。

2017年，Hanzaei等人[15]利用LBP特征提取缺陷的边缘，以实现瓷砖表面缺陷检测。

虽然基于缺陷统计特征的方法已经取得了一定的进展，但由于其只考虑了统计特性而完全忽略了纹理的空间布局，因此在检测精度方面有待改善；另外，基于统计特征的方法计算量较大，影响缺陷检测的实时性。

频谱法通过频域变换手段变换图像到频域下，通过将图像变换到频域范围内进行特征提取及分析以实现缺陷的检测与定位[16]。

傅里叶变换是常用的频域变换手段，如：Li等人[17]针对太阳能电池的缺陷检测，提出利用傅里叶变换对图像进行重构的方法；2010年，Aiger等人[18]利用傅里叶变换提出应用于周期性纹理表面的缺陷检测方法，即：PHOT（Phaseonlytransform）；2012年，Choi 等人[19]针对PHOT方法检测出的缺陷点不够连续的问题，提出改进的PHOT算法。

傅里叶变换作为一种全局方法，缺少对局部特征的辨识能力。

基于Gabor变换的检测算法不仅考虑全局特征而且考虑局部特征，通过使用具有不同方向及尺度的滤波器对图像分别进行滤波，从而实现检测缺陷边缘的目的，相关算法也成功地用于液晶屏[20]、织物[21-22]等的检测中。

2015年，Hu等人[23]提出一种最佳椭圆Gabor滤波器（OptimizedellipticalGaborfilter，EGF)，用于缺陷的检测与识别。

除傅里叶变换及Gabor变换外，小波变换具有优异的局部时频特性，国内外学者们对它在缺陷检测任务中的研究给予了极大的关注。

2014年，Wen等人[24]提出一种用于织物检测中的自适应小波技术。

之后，Yang等人[25]提出一种平稳小波变换（StationaryWaveletTransform）方法用以检测瓷砖表面缺陷。

模型法在图像纹理分布可提前预知且可利用一随机模型进行定义的前提下，也可以得到较好的缺陷检测效果[26]。

以往的研究中常用的模型有：高斯[27]（Gaussian）、Mumford-Shah[28]、高斯马尔可夫随机场（GaussianMarkovrandomfield，GMRF）模型[29]等。

与经典Chao-Tsai散射模型[30]相比，文献[31]所提反散射模型对液晶屏表面的微小缺陷及低对比度条件下的缺陷具有更快的检测速度及更优异的检测效果。

Timm等人[32]在2011年利用韦伯模型提出了一种新的缺陷检测算法，可实现对多种纹理表面进行检测。

2013年，Gan等人提出的改进局部二值拟合[33](Localbinaryfitting,LBF)模型用以提取液晶屏的缺陷轮廓，实验证明该模型对初始轮廓具有更强的鲁棒性。

2017年，Susan等人[34]提出了一种利用双模态的高斯混合模型对熵值进行建模（即，高斯混合熵建模）以自动地对纹理表面缺陷进行检测。

2.2基于模板匹配的算法模板匹配算法需要预先指定非缺陷图像作为参考图像，利用提前获取的非缺陷图像作为基准模板，通过待测图像与模板之间的差分操作、相似性度量或者图像配准等操作实现缺陷的检测与定位。

其中常用的相似性度量方法包括欧式距离度量[35]、直方图相交法[36]、皮尔逊相关系数[37]等。

文献[38]利用图像差分法实现了半导体材料的缺陷检测与定位，它估算了两个被定义在一个小的邻域窗口中的像素点之间的灰度差作为非相似度，它通常对图像的偏移变化较敏感且在图像的边缘处极易产生误检。

归一化互相关（Normalizedcrosscorrelation，NCC）是一种经典的非相似性度量方法。

2003年，Tsai等人[39]首次将NCC方法用于缺陷检测领域，所提方法计算在模板与待测图像中同一位置像素点邻域窗口之间的互相关值，通过与阈值进行比较后，确定该像素点为缺陷点或背景点。

除此之外，许多基于NCC的改进版本被相继提出，如：局部信息相关系数（Partialinformationcorrelationcoefficient,PICC)[40]，非对称相关（Asymmetriccorrelation,ASC)[41]，零均值归一化互相关(Zero-meanNormalizedCross-Correlation,ZNCC)[42-43]等。

这些方法一般是通过对逐个像素点的邻域窗口的相似性度量实现缺陷检测，该方法具有较高的计算复杂度，且对于图像的空间偏移及旋转具有高的敏感性。

与上述基于NCC的方法不同，部分算法首先对模板与图像进行配准，而后将两者进行比较以实现缺陷定位。

如：Tsai等人[44]提出的基于图像配准的方法将待测图像与模板对齐，然后通过偏移容忍的非相似性度量方法实现缺陷检测。