劉云潺,　畢立恒

(黃河水利職業(yè)技術(shù)學(xué)院,河南 開封 475004)

0　引　言

隨著新能源技術(shù)的發(fā)展，車載太陽能電池應(yīng)用越來越廣泛，而電池片的質(zhì)量影響了汽車行駛距離，這是因為在制造過程中，太陽能電池片存在裂縫、缺角、隱裂、碎片、斷柵等缺陷，因此對太陽能電池片表面質(zhì)量的檢測是生產(chǎn)中一個重要的環(huán)節(jié)[1-2]。

新能源汽車太陽能電池表面缺陷的細(xì)微性使檢測變得異常困難[3]，目前人工檢測存在漏檢、錯檢率比較高和實時性差等問題，隨著視覺檢測技術(shù)的發(fā)展，利用圖像處理對太陽能電池板進(jìn)行缺陷檢測成為新的研究方法：基于獨立主成分方法識別率比較高[4]，但是由于獨立主成分分析是基于所有階的統(tǒng)計信息，因此其求解過于復(fù)雜；區(qū)域增長法檢測準(zhǔn)確率高[5]，但是計算時間較長，算法速度較慢；矩估計方法的定位精度比幾何法好[6]，但算法復(fù)雜度較高，計算時間較長；各向異性擴(kuò)散法減少了可疑的缺陷區(qū)域[7]，使得裂縫的位置能夠通過原始圖像與擴(kuò)散圖像相減而檢測到，但是暗色的區(qū)域存在錯誤識別；Gabor變換法能夠在頻域不同尺度、不同方向上提取相關(guān)的紋理特征[8]，但是Gabor提取不同特征分量之間有冗余。

為了提升新能源汽車太陽能電池表面缺陷檢測的效果，本文采用粒子群權(quán)重多級加權(quán)算法。首先在基本粒子群算法基礎(chǔ)上對慣性權(quán)重進(jìn)行3級加權(quán)，第1級權(quán)值表示為缺陷區(qū)域內(nèi)部像素的分布特性，第2級權(quán)值表示為缺陷區(qū)域位置特性，第3級權(quán)值表示為缺陷區(qū)域分布特性；接著對數(shù)據(jù)集基于歐氏距離通過k-均值聚類進(jìn)行優(yōu)化；然后雙閾值進(jìn)行缺陷定位，缺陷特征量提??；最后給出了算法流程。實驗仿真顯示本文算法對新能源汽車太陽能電池表面缺陷檢測結(jié)果清晰，對各類缺陷的正確識別率比較高。

1　改進(jìn)粒子群算法

1.1　基本粒子群算法

(1)

1.2　改進(jìn)過程

慣性權(quán)重其大小決定了對粒子當(dāng)前速度繼承的多少，合適的選擇可以使粒子具有均衡的探索和開發(fā)能力，較大的慣性權(quán)重有利于全局探索;而較小的慣性權(quán)重有利于算法的局部開發(fā),加速算法的收斂。

1.2.1權(quán)重多級加權(quán)缺陷聚類判別

缺陷圖像中不同的缺陷特征具有差異性。為了區(qū)分缺陷的差異性，對不同的缺陷區(qū)域進(jìn)行賦予不同的權(quán)值，缺陷的差異性越大，則賦予權(quán)值較高；缺陷的差異性越小，則賦予權(quán)值較低。權(quán)重值不但要考慮缺陷區(qū)域像素的分布特征，還要考慮缺陷區(qū)域的位置信息，通過不斷調(diào)整缺陷區(qū)域的權(quán)值，使得表面缺陷檢測更具有準(zhǔn)確性。

同時考慮到數(shù)據(jù)集X中有N個未標(biāo)記的對象、D個缺陷特征和H個觀測點：

(2)

為了找到數(shù)據(jù)集聚類結(jié)構(gòu)[9]，基于歐氏距離通過k-均值聚類優(yōu)化后的數(shù)據(jù)損失函數(shù)為：

(3)

式中：U=[uki]K×N為分區(qū)矩陣;Z=[zkj]K×D為聚類中心;xij為像素數(shù)據(jù)。

令特征權(quán)重為w和觀測權(quán)重為v，則優(yōu)化模型為：

minJ(Z,U,W,V)=

(4)

滿足：

(5)

式中：W=[wj]1×D是特征量權(quán)重；V=[vh]1×H是觀測量權(quán)重；α、β是控制權(quán)重分布參數(shù)。

權(quán)重多級加權(quán)示意圖如圖1所示。

圖1權(quán)重多級加權(quán)過程

圖1中，粒子權(quán)重進(jìn)行多級加權(quán)，本文進(jìn)行3級加權(quán)，其第1級權(quán)值表示為缺陷區(qū)域內(nèi)部像素的分布特性;第2級權(quán)值表示為缺陷區(qū)域位置特性;第3級權(quán)值表示為缺陷區(qū)域分布特性。

1.2.2權(quán)重控制參數(shù)α、β選擇

在3級權(quán)重控制中，參數(shù)α、β值對權(quán)重的影響如圖2所示。

圖2　α,β值

從圖2可以看出，只有-0.5<α<0.5,-0.5<β<0.5時，歸一化權(quán)重值才有開始大于0.5，所以本文選取α∈[-0.1,0.1],β∈[-0.1,0.1]。

算法流程：① 粒子群隨機(jī)初始化；② 粒子權(quán)重3級加權(quán)，權(quán)重控制參數(shù)α、β在[-0.1,0.1]隨機(jī)選擇；③ 粒子速度和位置輸出更新；④ 滿足迭代次數(shù)或者缺陷區(qū)域判斷要求，進(jìn)行步驟⑤，否則進(jìn)行步驟②；⑤ 輸出數(shù)據(jù)最優(yōu)解值。

2　新能源汽車太陽能電池表面缺陷模型

2.1　雙閾值進(jìn)行缺陷定位

太陽能電池圖像包含著太陽能電池區(qū)域和缺陷區(qū)域[10-12]，如果不分離缺陷區(qū)域和電池區(qū)域而直接進(jìn)行分割，會嚴(yán)重影響分割效果，造成分割錯誤的情況出現(xiàn)。太陽能電池片表面具有簡單的紋理圖案，在檢測背景不變、檢測位置固定時，無缺陷圖像具有一致的紋理特征，而有缺陷圖像只是在局部存在灰度差異，這些特點正好適用于缺陷背景提取。

缺陷處像素灰度值會產(chǎn)生較大的變化，一部分像素灰度值較高;另一部分像素灰度值較低。假設(shè)高亮度噪聲在圖像中所占的像素比例為k1，背景點和弱劃痕的像素比例為k2，圖像的灰度均值為μ和方差為σ，分割閾值T1為剔除噪聲，排除高亮度噪聲點的干擾，高亮度噪聲灰度g1與背景灰度g2分別為：

(6)

由于暗場成像中高亮度噪聲灰度值較高，為了將高亮度噪聲從灰色背景中剔除，選取高亮度噪聲的分割閾值：

(7)

通過閾值分割，將高亮度特征點集合賦予一定的背景灰度μ。將整體圖像灰度背景均勻化，低于閾值T2的灰度同樣賦值為μ。

對點(i,j)處的像素灰度值為g(i,j)，其缺陷區(qū)域判斷過程為：

(8)

2.2　缺陷特征量提取

新能源汽車太陽能電池表面缺陷主要反映在像素點灰度的變化，不同缺陷的面積、周長、邊緣曲線的斜率和曲率具有不同的灰度特征[13-15]，這些特征可以通過特征量描述，包括平均灰度差、復(fù)雜度、長寬比。

缺陷區(qū)域和整個區(qū)域的平均灰度值之差：

(9)

復(fù)雜度

θ=P/A

(10)

式中：P是邊界像素點數(shù)；A是整個目標(biāo)像素點數(shù)。

通過閾值分割法把目標(biāo)區(qū)域分割出來，目標(biāo)最小外接矩形的長度與寬度的比:

η=(L4-L3)/(L2-L1)

(11)

式中：外接矩形左上頂點坐標(biāo)為(L1，L3)；外接矩形右下頂點坐標(biāo)為(L2，L4)。

2.3　檢測流程

檢測流程:① 輸入待檢測圖像；② 權(quán)重多級加權(quán)最優(yōu)解獲得分割雙閾值；③ 缺陷區(qū)域定位分割，分割缺陷區(qū)域邊界像素點的灰度值g(i,j)檢測Edefect(i,j)為0，則判斷為缺陷區(qū)域，否則為非缺陷區(qū)域；④ 缺陷特征量提??；⑤ 輸出檢測結(jié)果。

3　實驗仿真

粒子群數(shù)目為150個，最大迭代次數(shù)為100，α=0.015，β=0.015，c1=2.05c2=2.05，r1=0.5，r2=0.5，硬件環(huán)境為英特爾I3雙核處理器，主頻2.8 GHz、內(nèi)存DDR3雙通道8 GB，后期數(shù)據(jù)處理采用Matlab7.0軟件編程實現(xiàn)，對各種算法進(jìn)行分析。

3.1　視覺效果分析

分別采用2幅表面不同缺陷的太陽能電池進(jìn)行各種算法的檢測，其檢測如圖3和圖4所示。

圖3(a)、圖4(a)為裂紋缺陷和劃傷缺陷；圖3(b)、圖4(b)為獨立主成分法檢測效果；圖3(c)、圖4(c)為區(qū)域增長法檢測效果；圖3(d)、圖4(d)為矩估計法檢測效果；圖3(e)、圖4(e)為各向異性擴(kuò)散法檢測效果；圖3(f)、圖4(f)為本文方法檢測效果。從圖3(b)～(f)、圖4(b)～(f)的檢測效果可以看出，本文算法檢測效果受噪聲影響小，能夠把缺陷區(qū)域清晰地檢測出來，其他算法對檢測的裂痕、劃傷效果不太明顯，出現(xiàn)斷點。

圖3裂紋缺陷檢測

圖4劃傷缺陷檢測

3.2　正確識別率分析

為了能夠完整地評價算法的檢測效果，在實驗中選取了300塊缺陷板進(jìn)行隨機(jī)檢測，其缺陷包括裂紋、斷柵、虛焊、缺角，進(jìn)行10次實驗，檢測結(jié)果如圖5所示。

圖5各種算法對不同缺陷的正確識別率

從圖5各種算法對不同缺陷的正確識別率可以看出，本文方法對缺陷的識別率比較高，這是因為本文方法對缺陷像素數(shù)據(jù)集進(jìn)行聚類劃分，通過歐氏距離優(yōu)化后的數(shù)據(jù)損失函數(shù)，避免了數(shù)據(jù)誤差出現(xiàn)。

4　結(jié)　語

為了提升新能源汽車太陽能電池表面缺陷檢測的效果，采用權(quán)重3級加權(quán)粒子群算法，第1級權(quán)值表示為缺陷區(qū)域內(nèi)部像素的分布特性，第2級權(quán)值表示為缺陷區(qū)域位置特性，第3級權(quán)值表示為缺陷區(qū)域分布特性。實驗仿真顯示本文算法對新能源汽車太陽能電池表面缺陷檢測結(jié)果清晰，對各類缺陷的正確識別率比較高，為新能源汽車太陽能電池表面缺陷檢測提供了一種新思路。

參考文獻(xiàn)(References)：

[1]沈凌云,朱明,陳小云.基于徑向基神經(jīng)網(wǎng)絡(luò)的太陽能電池缺陷檢測[J].發(fā)光學(xué)報,2015,36(1):99-105.

[2]陳磊,喬繼紅,陳巖.太陽能電池板缺陷分割技術(shù)研究[J].微電子學(xué)與計算機(jī),2014,31(12):98-102.

[3]Tsai D M, Li G N, Li W C,etal.Defect detection in multi-crystal solar cells using clustering with uniformity measures[J].Advanced Engineering Informatics,2015,29(3):419-430.

[4]Guilherme Gaspar,Gianluca Coletti,Mari Juel,etal.Identification of defects causing performance degradation of high temperature n-type Czochralski silicon bifacial solar cells[J].Solar Energy Materials and Solar Cells,2016,153(8):31-43.

[5]Yeh Ming Hua, Ho Shih Jung, Chen Guang Hong,etal.Toward low-cost large-area CIGS thin film III:Effect of Se concentration on crystal growth and defect formation of sequentially electrodeposited CIGS thin films[J].Solar Energy,2016,132(6):547-557.

[6]Teimuraz Mchedlidze,Axel Herguth,J?rg Weber.Monitoring of Si-solar cell degradation with electroluminescence[J].Solar Energy Materials and Solar Cells,2016,155(10):38-42.

[7]Ali Samii,Craig Michoski,Clint Dawson.A parallel and adaptive hybridized discontinuous Galerkin method for anisotropic nonhomogeneous diffusion[J].Computer Methods in Applied Mechanics and Engineering,2016,304(1):118-139.

[8]Li Wei Chen, Tsai Du Ming.Wavelet-based defect detection in solar wafer images with inhomogeneous texture[J].Pattern Recognition,2012,45(2):742-756.

[9]Jiang Bo, Qiu Feiyue, Wang Liping.i-level weighted multi-view clustering via hybrid particle swarm optimization[J].Information Processing & Management,2016,52(3):387-398.

[10]王憲保,李潔,姚明海,等.基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法[J].模式識別與人工智能,2014,27(6):517-523.

[11]Liu Li jie, Zhang Lipeng, Li Miao，etal.Random dithienosilole-based terpolymers: Synthesis and application in polymer solar cells[J].Dyes and Pigments,2016,130(6):63-69.

[12]李晨,楊甬英,熊浩亮,等.基于濾波差分的雙閾值弱劃痕提取算法[J].強激光與粒子束,2015,27(7):0720041-0720048.

[13]王亞麗,孫堅,徐紅偉.基于紅外成像太陽能板缺陷檢測方法研究[J].測控技術(shù),2015,34(7):59-61.

[14]GianniD’Angelo, Salvatore RamponeFeature extraction and soft computing methods for aerospace structure defect classification[J]. Measurement,2016,85(5):192-209.

[15]楊冰倩,王明泉,張俊生, 等.基于機(jī)器視覺的光纖倒像器缺陷檢測系統(tǒng)[J].實驗室研究與探索,2016,35(12): 10-12.