王 偉，李 強

（西安工業(yè)大學 光電工程學院，西安710021）

近年來，太陽能電池片全自動串焊機以其獨特的優(yōu)勢取代人工操作在工業(yè)現(xiàn)場中廣泛應用，國內外的設備技術差距也逐漸縮小，國外的設備如德國帝目STRINGER的TT900其生產能力為4s／片，而國內大部分串焊機的生產能力為6s／片，破片率遠高于國外，圖像處理系統(tǒng)的差距是影響國內外設備生產能力及破片率的主要因素．

太陽能電池片自動串焊機的圖像處理系統(tǒng)是非接觸式測量電池片幾何信息的核心，它測量的精度［1］、誤差和時間影響太陽能電池片的破片率及生產成本，串焊后的電池片構成太陽能電池組件，焊帶與主柵線對不準的焊接及生產效率影響電池組件的光電轉換率及生產效率［2］．文獻［3］采用最小誤差法對圖像進行閾值分割，通過輪廓提取電池片輪廓，雖然能達到提取主柵線的目的，但其相機像素需提高；文獻［4-5］通過分析亞像素的幾種細分算法如幾何方法、矩估計法和插值法來研究各自的優(yōu)缺點和適用范圍，其中幾何方法對系統(tǒng)成像噪聲、目標圖像表面光潔度和灰度分布均勻程度等因素要求較高，否則計算出的誤差較大；矩估計方法的定位精度比幾何法好，但算法復雜度較高，計算時間較長；插值算法最為簡單，速度快，精度雖不及其余算法高但可以滿足本設計的系統(tǒng)精度要求．

本文提出一種可降低相機像素且滿足精度要求的亞像素邊緣提取法對電池片邊緣進行提取，選取一種適用于定位的機器視覺標定算法，通過相機標定求出內參數(shù)，根據(jù)內參矩陣計算有效焦距并求出單個像素的實際尺寸，利用霍夫變換實現(xiàn)硅太陽能電池片的定位，采用掉角缺陷檢測算法對不合格的電池片予以剔除，為太陽能電池片幾何測量提供參考．

1 實驗裝置與選型

1．1 實驗裝置

系統(tǒng)硬件主要包括電荷耦合元件（Charge Coupled Device，CCD）工業(yè)相機、定焦鏡頭及實驗平臺．實驗平臺如圖1所示．

圖1 實驗平臺Fig．1 Experimental platform

載物臺主參數(shù)為200mm×200mm，工作距離為250mm，精度小于0．2mm．硬件系統(tǒng)如圖2所示．

圖2 硬件系統(tǒng)示意框圖Fig．2 Hardware system schematic diagram

1．2 硬件分析及選型

被測物采用125mm×125mm的單晶硅電池片，視場為140mm，要求檢測精度小于0．20mm，故感光芯片的寬度W′需大于140／0．20＝700個像素點，因此選用130萬像素的黑白CCD相機．本文選用的CCD相機型號為北京維視數(shù)字圖像技術有限公司的 MVC1000MF USB2．0接口CCD工業(yè)相機，其分辨率為1 280×1 024piexl，像素尺寸為5．2μm×5．2μm．傳感器類型為數(shù)字面陣逐行掃描，傳感器光學尺寸為1／2″，感光芯片的物理尺寸為6．4mm×4．8mm．

選擇和CCD相機匹配的鏡頭需滿足四個條件：焦距、視場角、像面尺寸及接口類型．

1）焦距f的選擇

鏡頭焦距公式為

式中：D為工作距離；W′為感光芯片寬度；W為視場寬度．由D＝250mm，W′＝4．8mm，W＝140 mm，按式（1）計算可得f＝8．57mm．

2）視場角θ的選擇

由直角三角形可知

式中：D＝250mm；W＝140mm．故視場角要大于43．6°．

3）像面尺寸及接口類型匹配

由于CCD相機的像面尺寸為1／2″，接口類型為C型，故鏡頭的像面尺寸為1／2″，接口類型為C型．鏡頭采用賓得（PENTAX）鏡頭，其主要參數(shù)為焦距 8．5mm、視場角 54．6°、相對通光孔徑F1．4-C、接口C、像面尺寸1／2″．選擇兩處均為發(fā)光二極管（Light Emitting Diode，LED）白光的光源：①放置在載物臺背面，采取背光式；②放置在鏡頭上的環(huán)形光源．

2 實驗方法及原理

本文太陽能電池片主柵線提取的主要流程圖及實現(xiàn)方法如圖3所示．

2．1 相機標定

相機標定流程圖如圖4所示．相機標定是計算機視覺系統(tǒng)不可缺少的前提和基礎部分［1］，本文采用張正友平面標定法，指在自標定與傳統(tǒng)標定之間的一種妥協(xié)方法，考慮了鏡頭畸變及對高精度的設備沒有特殊要求，比自標定法精度高．

圖3 主柵線提取流程圖Fig．3 Flow chart of busbar extraction

圖4 相機標定流程圖Fig．4 Flow chart of camera calibration

軟件采用CVUT庫環(huán)境，此環(huán)境可以通過調用OpenCV開源圖像處理算法庫在基礎算法上迅速開始工作，且可以縮短應用程序的開發(fā)周期，消除C語言編程中常見的內存泄漏問題［6］．求得畸變系數(shù)和攝像機內參數(shù)后，可用圖像矯正函數(shù)cvUndistort2來進行矯正．

相機標定原理如圖5所示．

圖5 攝像機標定原理圖Fig．5 Principle diagram of the camera calibration

確定空間平面的三維點M與攝像機平面二維點的映射，首先假設空間平面位于世界坐標系中三維點的齊次坐標M·＝［X，Y，0，1］T與相機平面位于相機坐標系中二維點的齊次坐標m·＝［u，v，1］T，在不同方向通過對定標板多次（三次以上）完整拍照且不需要知道定標板的運動方式，可直接獲得該相機的內參矩陣和畸變系數(shù)，算法是選取平面標定，故坐標軸Z＝0．

空間中點的映射為

式中：s為縮放因子；R為旋轉矩陣；t為平移矩陣；A為相機內參矩陣；α和β分別為像素坐標系中U軸和V軸的尺度因子；γ為扭曲參數(shù)；大多數(shù)標準相機γ＝0，u0和v0為光學中心主點的坐標．將式（3）簡化為

其中H為單應性矩陣，描述空間平面三維點和攝像機平面二維點之間的關系．H矩陣列向量形式表示為

其中λ為縮放因子s的倒數(shù)，代入坐標點后有

因為選取的是平面標定令Z＝0，所以旋轉向量只有r1和r2，旋轉矩陣R和平移矩陣t是每幅圖像對應的外參數(shù)，空間平面的三維點可通過已知的棋盤格圖像獲取，攝像機平面的二維點可通過棋盤格的角點提取獲得，所以每張圖片都可以算出一個單應性矩陣H．

由式（5）可知

由式（8）可求解出相機的內參，因為內參矩陣有5個未知量但每張圖片只可列出2個內參約束方程，故要求解5個未知量，理論上至少需要3張圖片就可線性唯一解出A矩陣，圖片越多對相機的內參評價越準確．

得到內參矩陣后，即可根據(jù)內參矩陣A（式（3））算出每幅圖像對應的外參數(shù)．由初始參數(shù)將每張圖像中的已知點根據(jù)求解出的內外參數(shù)重新投影回世界坐標系，通過全局參數(shù)優(yōu)化函數(shù)建立非線性最小化模型，重新估計內外參，即可得到鏡頭的畸變參數(shù)．

Levenberg-Marquardt迭代法，全局參數(shù)優(yōu)化函數(shù)［7］為

2．2 亞像素細分算法

本文圖像處理系統(tǒng)應用于在線檢測中，故要求算法的準確性好，計算量小，用時較短，故采用多項式插值細分算法．像素級精度粗定位，選用Sobel算子由原始圖像f（i，j）計算梯度圖像R（i，j）．

對于已確定邊緣點（m，n），在梯度圖像R（i，j），X方向上取三點R（m-1，n），R（m，n），R（m＋1，n），以這三點的梯度幅值作為函數(shù)值，m-1，m，m＋1為插值基點，代入二次多項式插值函數(shù)φ（x）可得

式中：yi為函數(shù)值；xi為插值基點．

并令dφ（x）／dx＝0．同理，在Y方向上取三點同上，經(jīng)推導可得到亞像素邊緣坐標（Xc，Yc）為

若式（13）和式（14）同時成立，則上述多項式插值細分算法的邊緣定位精度可達0．1個像素［4］．

2．3 掉角缺陷檢測

電池片的缺陷檢測是將不合格的剔除，從而提高光伏組件的光電轉換率，這里本課題主要檢測的缺陷是宏觀缺陷，即掉角問題．將預處理后的電池片檢測其掉角問題的主要處理方法為

1）利用Hough變換確定電池片的外輪廓，既四條邊緣線段所在的長直線L1、L2、L3、L4，8個頂點分別為D1、D2、D3、D4、D5、D6、D7、D8，及四條擬合直線的交點P1、P2、P3、P4，具體示意圖如圖6所示．

圖6 掉角缺陷檢測示意圖Fig．6 Corner defect detection schemes

圖6中L4、L1的交點為P1；L1、L2的交點為P2；L2、L3的交點為P3；L3、L4的交點為P4．P1到D8D1的距離為R1；P2到D2D3的距離為R2；P3到D4D5的距離為R3；P4到D6D7的距離為R4．

2）以D8D1、D2D3、D4D5、D6D7為檢測目標，R1的坐標若為（i，j），P1到線段D8D1的距離必定在（0，R］之間，若測得的R1在此距離之間說明該角未掉落．

3 實驗結果及分析

3．1 相機標定結果

由拍攝的20幅棋盤格圖像選取其中7幅平均誤差較小的樣品，得到了相機的內參，標定結果如圖7所示．

鏡頭畸變系數(shù)k1，k2，p1，p2為｛-0．184 767，-0．168 983，0．003 082 64，0．002 847 03｝．標定結果定標誤差見表1．

由內 參 矩 陣A可 知，α＝1 646．16，β＝1 648．67，已知相機的像元尺寸5．2μm×5．2μm，有效焦距

則實際的視場寬度W為

由視場寬度可得每個像素代表的實際距離為

平均誤差σ為0．67pixel，精度為0．09mm，小于0．2mm，滿足設計要求．

圖7 標定結果Fig．7 Calibration results

表1 圖像定標誤差Tab．1 Image calibration error

3．2 電池片幾何信息

對圖像做預處理后，由亞像素細分算法進行邊緣提取，分別得到擺正和傾斜的2幅電池片圖片，像素級粗定位使用Soble算子，細定位使用多項式插值細分算法，程序運行時間為0．3s．

對圖8得到的圖像進行Hough變換及主柵線的下邊緣位置的定位，并用線Ⅰ標記，由Hough變換找到電池片下邊緣輪廓的直線，通過程序返回其縱坐標的像素值，則實際的下主柵線的位置為下輪廓與下主柵線下邊緣之間的距離再乘以每個像素的實際距離．

當電池片傾斜時，定位下主柵線并返回端點的坐標值，可用程序計算出主柵線的傾角．具體為

圖8 Hough變換Fig．8 Hough transform

線Ⅰ縱坐標為708pixel，線Ⅱ輪廓下邊緣為891pixel，則實際距離

3．3 缺陷檢測

實驗拍攝了一張掉角的電池片如圖9所示，圖9（a）是CCD相機拍攝的掉角電池片，圖9（b）是亞像素邊緣提取后的掉角電池片．

圖9 電池片樣圖Fig．9 Sample of solar cell

經(jīng)過亞像素邊緣提取后的電池片圖像，利用Hough變換確定電池片的外輪廓并返回其端點的像素坐標，由2．3節(jié)可知，四條邊緣線段中兩兩直線的交點，到電池片角邊的距離可判斷其是否掉角，檢測結果如圖10所示．

圖10 檢測結果Fig．10 Detection result

由檢測結果可知，程序運行時間為0．09s，R1＝110．646 961個像素，則實際距離為110．64×0．14mm＝15．50mm．

4 結 論

1）采用機器視覺標定方法，提出了一種降低相機像素且滿足精度要求的亞像素邊緣提取法，標定誤差小于1pixel，實驗測量精度小于0．20mm．

2）電池片的幾何測量采用亞像素邊緣檢測法及Hough變換是可行的，可降低相機像素，其提取圖象清晰定位準確，程序用時小于0．5s，在200 mm×200mm的載物臺范圍內可實現(xiàn)電池片邊緣的提取及定位．

3）由亞像素邊緣提取后的圖像，經(jīng)Hough變換提取主輪廓并返回其端點的像素坐標，可由四條邊緣線段中兩兩直線的交點，到電池片角邊的距離判斷其是否掉角，本文選取一幅掉角的電池片圖像，結果檢測為不合格電池片并予以剔除．

4）在缺陷檢測中還有許多種微觀缺陷需要解決，如主、細柵線的斷裂及隱裂、電池片穿孔問題等，在工業(yè)生產中，微觀缺陷同樣會導致太陽能電池片的光電轉換效率降低，因此之后還需進一步研究微觀缺陷檢測．

［1］ 全厚德，閆守成，張洪才．計算機視覺中攝像機標定精度評估方法［J］．測繪科學技術學報，2006，23（3）：222．QUAN Hou-de，YAN Shou-cheng，ZHANG Hongcai．The Evaluation of Camera Calibration Accuracy in Computer Vision［J］．Journal of Geomatics Science and Technology，2006，23（3）：222．（in Chinese）

［2］ AlSOUD M S，HRAYSHAT E S．Concentrator Silicon Solar Cells from Silicon Industry Rejects［J］．Renewable Energy，2005，30（4）：621．

［3］ 居玲．基于機器視覺的太陽能電池片位置誤差檢測［J］．機械制造與自動化，2012（5）：166．JU Ling．Solar Cell Slice Position Error Detection Based on Machine Vision［J］．Machine Building ＆ Automation，2012（5）：166．（in Chinese）

［4］ 李慶利，張少軍．一種基于多項式插值改進的亞像素細分算法［J］．北京科技大學學報，2003，25（3）：79．LI Qing-li，ZHANG Shao-jun．A Improved Subpixel Edge Detecting Algorithm Based on Polynomial Interpolation［J］．Journal of Beijing University of Science and Technology，2003，25（3）：79．（in Chinese）

［5］ 楊濱峰，李亞文，趙杰．物體形狀檢測的亞像素細分算法綜述［J］．計算機與數(shù)字工程，2011，39（11）：17．YANG Bin-feng，LI Ya-wen，ZHAO Jie．Overview of Sub-Pixel Subdivision Algorithms for Shape Detection［J］．Computer and Digital Engineering，2011，39（11）：17．（in Chinese）

［6］ 陳勝勇，劉勝．基于OpenCV的計算機視覺技術實現(xiàn)［M］．北京：科學出版社，2008．CHEN Sheng-yong，LIU Sheng．OpenCV for Computer Vision-Based Technology［M］．Beijing：Science Press，2008．（in Chinese）

［7］ ZHANG Z Y．A Flexible New Technique for Camera Calibration［J］．Pattern Analysis and Machine Intelligence，2000，22（11）：1330．