光伏组件主栅线露白缺陷的检测方法与流程

1.本发明涉及光伏组件主栅线检测技术领域，具体涉及一种光伏组件主栅线露白缺陷的检测方法，尤其是一种基于卷积神经网络模型的光伏组件主栅线露白缺陷的检测方法。


背景技术：

2.太阳能作为一种可再生的清洁能源，愈来愈受到市场的青睐和重视。太阳能电池片光伏组件作为太阳能发电的核心部件，其产品质量直接关系到电池片的功率损失，电池片存在严重质量问题可能导致整块光伏组件报废；因此对光伏组件电池片进行缺陷检测，具有十分重要的研究意义和经济价值。
3.现有光伏组件缺陷的检测方法，仅在受控条件下或复杂的图像捕获系统中工作良好，但是对于某些细小的光伏组件缺陷，尤其是主栅线露白等缺陷，不能实现高效、准确的检测；此外，eva薄膜的干扰、传送带的机械振动以及不同的光照条件等外部环境因素，对主栅线露白缺陷的检测形成很大的干扰。


技术实现要素：

4.本发明的目的在于克服现有技术的缺陷，提供一种光伏组件主栅线露白缺陷的检测方法，能高效准确的检出主栅线有无露白缺陷。
5.为实现上述目的，本发明采用了如下技术方案：
6.一种光伏组件主栅线露白缺陷的检测方法，其包括以下步骤：
7.步骤a，获取光伏组件的光伏组件初始图像io并将其转换为光伏组件灰度图像ig，依据光伏组件灰度图像ig得到单独电池片区域图像is；
8.步骤b，依据所述单独电池片区域图像is，计算该电池片的电池片倾斜角度a
t
；依据该电池片的电池片倾斜角度a
t
对单独电池片区域图像is进行校正，得到校正后的单独电池片区域图像ic；
9.步骤c，依据光伏组件预存的规格参数以及电池片主栅线的固有属性，构建约束条件；
10.步骤d，依据所述约束条件对单独电池片区域图像ic进行处理，依据约束条件定位主栅线条并切割出的包含完整的主栅线条的主栅线条图像；
11.步骤e，将所述主栅线条图像输入卷积神经网络模型，卷积神经网络模型输出露白缺陷判定结果，露白缺陷判定结果为有露白缺陷或无露白缺陷。
12.优选的，所述检测方法还包括以下步骤：
13.步骤f，若所述主栅线条图像有露白缺陷，则依据该主栅线条图像计算露白缺陷的长度和宽度。
14.优选的，所述步骤a包括以下子步骤：
15.步骤a1，获取光伏组件的光伏组件初始图像io，将光伏组件初始图像i转换为光伏
组件灰度图像ig；
16.步骤a2，分别按行、列对所述光伏组件灰度图像ig的像素值求和，得到相应的光伏组件的行直方图i
h1
和列直方图i
h2
；
17.步骤a3，依据所述光伏组件的行直方图i
h1
和列直方图i
h2
的波峰波谷，去除光伏组件灰度图像ig的上、下、左、右空白区域；
18.步骤a4，依据所述光伏组件的预存的规格参数，获取光伏组件中电池片的排列规则；依据所述光伏组件的行直方图i
h1
和列直方图i
h2
的波峰波谷，切割出单独电池片区域图像is。
19.优选的，所述步骤b包括以下子步骤：
20.步骤b1，对所述单独电池片区域图像is进行二值化处理，得到该电池片区域的单独电池片二值化图像ib；
21.步骤b2，计算所述单独电池片二值化图像ib边缘化后的randon变换矩阵中的峰值，将所有峰值从小到大排列，取前n0个小于所有峰值的平均值的峰值的点角度平均值作为该电池片的电池片倾斜角度a
t
；5≤n0≤10；
22.步骤b3，依据所述电池片倾斜角度a
t
和旋转算法，旋转单独电池片区域图像is，得到校正后的单独电池片区域图像ic。
23.优选的，所述电池片主栅线的固有属性包括主栅线中心位置、主栅线长度和主栅线宽度；
24.所述约束条件包括：
25.条件1，各主栅线的中心位置分别位于电池片的高度方向的预设比例处；
26.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2；
27.条件3，主栅线宽度为预设固定值。
28.优选的，所述电池片为5bb电池片，则约束条件为：
29.条件1，各主栅线中心位置分别位于电池片高度的0.1,0.3,0.5,0.7,0.9比例处；
30.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2；
31.条件3，主栅线宽度为0.55-0.85mm。
32.优选的，所述5bb电池片的主栅线宽度为0.7mm。
33.优选的，所述电池片为9bb电池片，则约束条件为：
34.条件1，各主栅线中心位置分别位于电池片高度的0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9比例处；
35.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2；
36.条件3，主栅线宽度为0.2-0.3mm。
37.优选的，所述9bb电池片的主栅线宽度为0.25mm。
38.优选的，在步骤d中，依据所述约束条件，对单独电池片区域图像ic上、下各拓展1.8-2.2％个电池片大小的像素，使切割出的主栅线条图像包括完整的主栅线条。
39.优选的，所述卷积神经网络模型对主栅线条图像进行以下处理：
40.(1)将尺寸为1
×
512
×
8的主栅线条图像输入卷积神经网络模型，经过两个3
×
3的卷积组，输出第一图像，尺寸为24
×
512
×
8；
41.(2)第一图像经过三个3
×
3的卷积组，其中第一个卷积组中卷积步长为2，输出第
二图像，尺寸为48
×
256
×
4；
42.(3)第二图像经过四个3
×
3的卷积组，其中第一个卷积组中卷积步长为2，输出第三图像，尺寸为96
×
128
×
2；
43.(4)第三图像经过一个1
×
1步长为1的卷积，输出第四图像，尺寸为192
×
128
×
2；
44.(5)第四图像经过一个二元自适应均值汇聚层、一个随机失活层、一个全连接层，输出最终图像，尺寸为2
×1×
1。
45.优选的，每个3
×
3的卷积组包括一个3
×
3卷积、一个批量化归一化层和一个激活层。
46.优选的，所述步骤f还包括以下子步骤：
47.步骤f1，将步骤e中判定有露白缺陷的主栅线条图像，分别按行、列对主栅线条图像的像素值求和，得到相应的主栅线条行和列直方图；
48.步骤f2，依据主栅线条行和列直方图的波峰波谷，去除主栅线条图片的上、下、左、右空白区域；
49.步骤f3，计算去除空白区域后的主栅线条行和列直方图上大于主栅线规格参数的区域，得到露白缺陷的长度和宽度。
50.本发明光伏组件主栅线露白缺陷的检测方法，将主栅线固有的工艺规则加入基于图像处理的图像切割算法中构建一个自适应的光伏组件主栅线切割算法，以切割出单独的主栅线，通过卷积神经网络模型判断是否存在露白缺陷，可以自适应的处理不同场景下主栅线露白缺陷的特征信息，避免人为设计主栅线露白的特征，减少人员主观因素影响，有效的提升露白缺陷的检出率和准确率。
附图说明
51.图1是本发明光伏组件灰度图像ig的示意图；
52.图2是本发明单独电池片区域图像is的结构示意图；
53.图3是本发明主栅线条图像的示意图，其无露白缺陷；
54.图4是本发明主栅线条图像的示意图，其有露白缺陷；
55.图5是本发明光伏组件主栅线露白缺陷的检测方法的基本流程示意图；
56.图6是本发明卷积神经网络模型输出的有露白缺陷的检测结果示意图。
具体实施方式
57.以下结合附图1-4给出的实施例，进一步说明本发明的光伏组件主栅线露白缺陷的检测方法的具体实施方式。本发明的光伏组件主栅线露白缺陷的检测方法不限于以下实施例的描述。
58.本发明光伏组件主栅线露白缺陷的检测方法，其包括以下步骤：
59.步骤a，获取光伏组件的光伏组件初始图像io并将其转换为光伏组件灰度图像ig，依据光伏组件灰度图像ig得到单独电池片区域图像is；
60.步骤b，依据所述单独电池片区域图像is，计算该电池片的电池片倾斜角度a
t
；依据该电池片的电池片倾斜角度a
t
对单独电池片区域图像is进行校正，得到校正后的单独电池片区域图像ic；
61.步骤c，依据光伏组件预存的规格参数以及电池片主栅线的固有属性，构建约束条件；
62.步骤d，依据所述约束条件对单独电池片区域图像ic进行处理，依据约束条件定位主栅线条并切割出包含完整的主栅线条的主栅线条图像；
63.步骤e，将所述主栅线条图像输入卷积神经网络模型，卷积神经网络模型输出露白缺陷判定结果，露白缺陷判定结果为有露白缺陷或无露白缺陷。
64.本发明光伏组件主栅线露白缺陷的检测方法，将主栅线固有的工艺规则加入基于图像处理的图像切割算法中构建一个自适应的光伏组件主栅线切割算法，以切割出单独的主栅线，通过卷积神经网络模型判断是否存在露白缺陷，可以自适应的处理不同场景下主栅线露白缺陷的特征信息，避免人为设计主栅线露白的特征，减少人员主观因素影响，有效的提升露白缺陷的检出率和准确率。
65.优选的，本发明光伏组件主栅线露白缺陷的检测方法，还包括以下步骤：步骤f，若所述主栅线条图像有露白缺陷，则依据该主栅线条图像及计算露白缺陷的长度和宽度。所述露白缺陷的长度和宽度，可用于后续光伏组件的产品定级。
66.以下为本发明光伏组件主栅线露白缺陷的检测方法的一个实施例。
67.如图5所示，示出了本发明光伏组件主栅线露白缺陷的检测方法的基本流程。
68.本发明光伏组件主栅线露白缺陷的检测方法，包括以下步骤：
69.步骤a，获取光伏组件的光伏组件初始图像io并将其转换为光伏组件灰度图像ig，依据光伏组件灰度图像ig得到单独电池片区域图像is。
70.优选的，所述步骤a还包括以下子步骤：
71.步骤a1，获取光伏组件的光伏组件初始图像io，将光伏组件初始图像i转换为光伏组件灰度图像ig。
72.步骤a2，分别按行、列对所述光伏组件灰度图像ig的像素值求和，得到相应的光伏组件的行直方图i
h1
和列直方图i
h2
。
73.步骤a3，依据所述光伏组件的行直方图i
h1
和列直方图i
h2
的波峰波谷，去除光伏组件灰度图像ig的上、下、左、右空白区域。
74.假设所述光伏组件灰度图像ig共有10000行像素，第1-300行像素为上空白区域，第9700-10000行像素为下空白区域，对应到光伏组件的行直方图i
h1
上，每一列像素的和为行直方图i
h1
的y值，行数为x值，那么第300行像素的和与第301的像素的和会出现显著的落差，从而判断出上空白区域的边界，同理第9700行像素的和与第9701行像素的和会出现显著的落差，从而判断出下空白区域的边界。
75.假设所述光伏组件灰度图像ig共有50000列像素，第1-300列为做空白区域，第49700列像素为右空白区域，对应到光伏组件的列直方图i
h2
上，每一行像素的和为列直方图i
h2
的y值，列数为x值，那么第300列像素的和与第301列像素的和会出现显著的落差，从而判断出左空白区域的边界，同理第49700列像素的和与第49701列像素的和会出现显著的落差，从而判断出右空白区域的边界。
76.步骤a4，依据所述光伏组件的预存的规格参数，获取光伏组件中电池片的排列规则；依据所述光伏组件的行直方图i
h1
和列直方图i
h2
的波峰波谷，切割出单独电池片区域图像is。需要指出的，步骤a4的原理与步骤a3类似。
77.优选的，所述光伏组件的预存的规格参数包括：
78.1、光伏组件上电池片的排布方式，6
×
10或6
×
12或6
×
20或6
×
24；
79.2、光伏组件图像的边框与电池片边缘的距离；
80.3、电池片之间的间距；
81.4、组件的规格尺寸；
82.5、电池片的晶型：单晶电池片或多晶电池片；
83.6、每块电池片的主栅线条数：3bb、5bb、9bb或12bb；
84.7、电池片为全片还是半片；
85.8、电池片的每根主栅线的长度和宽度，以及主栅线在电池片上的位置(位于电池片高度方向上的比例位置)。
86.具体的，如图1所示，为所述光伏组件灰度图像ig的一个示例，包括多个单独电池片区域；如图2所示，为所述单独电池片区域图像is的一个示例。
87.步骤b，依据所述单独电池片区域图像is，计算该电池片的电池片倾斜角度a
t
；依据该电池片的电池片倾斜角度a
t
对单独电池片区域图像is进行校正，得到校正后的单独电池片区域图像ic。
88.优选的，所述步骤b还包括以下子步骤：
89.步骤b1，对所述单独电池片区域图像is进行二值化处理，得到该电池片区域的单独电池片二值化图像ib。
90.步骤b2，计算所述单独电池片二值化图像ib边缘化后的randon变换矩阵中的峰值，将所有峰值从小到大排列，取前n0个小于所有峰值的平均值的峰值的点角度平均值作为该电池片的电池片倾斜角度a
t
；5≤n0≤10。进一步的，n0为10。
91.步骤b3，依据所述电池片倾斜角度a
t
和旋转算法，旋转单独电池片区域图像is，得到校正后的单独电池片区域图像ic。
92.步骤c，依据光伏组件预存的规格参数以及电池片主栅线的固有属性，构建约束条件。
93.优选的，所述电池片主栅线的固有属性包括主栅线中心位置、主栅线长度和主栅线宽度。
94.优选的，所述约束条件包括：
95.条件1，各主栅线的中心位置分别位于电池片的高度方向的预设比例处。
96.需要指出的，电池片在生产时，主栅线位置均预先设定，分别位于电池片的高度方向的预设比例处，相邻主栅线之间的间距相同且各主栅线彼此平行。
97.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2；
98.条件3，主栅线宽度为预设固定值。
99.具体的，所述电池片为5bb电池片，则约束条件为：
100.条件1，各主栅线中心位置分别位于电池片高度的0.1,0.3,0.5,0.7,0.9比例处。
101.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2。
102.条件3，主栅线宽度为0.55-0.85mm。进一步的，所述5bb电池片的主栅线宽度为0.7mm。
103.具体的，所述电池片为9bb电池片，则约束条件为：
104.条件1，各主栅线中心位置分别位于电池片高度的0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9比例处。
105.条件2，半片电池片的主栅线长度是全片电池片的主栅线长度的1/2。
106.条件3主栅线宽度为0.2-0.3mm。进一步的，所述9bb电池片的主栅线宽度为0.25mm。
107.需要指出的，光伏组件电池片分为单晶和多晶硅类型，常见电池片的尺寸分别为156
×
156m2、157
×
157m2和158
×
158m2，电池片数量为60(6
×
10)和72(6
×
12)串联，电池片依据主栅线条数又分为3bb、5bb、9bb和12bb类型，bb前的数字代表电池片具有的主栅线条数。具体的，如图1所示，所述光伏组件的电池片数量为72(6
×
12)串联，电池片的类型为5bb。
108.步骤d，依据所述约束条件对单独电池片区域图像ic进行处理，依据约束条件定位主栅线条并切割出包含完整的主栅线条的主栅线条图像。
109.优选的，在步骤d中，依据所述约束条件，对单独电池片区域图像ic上、下各拓展1.8-2.2％个电池片大小的像素，使切割出的主栅线条图像包括完整的主栅线。进一步的，依据所述约束条件，对单独电池片区域图像ic上、下各拓展2％个电池片大小的像素。具体的，对单独电池片区域图像ic上、下各拓展20个像素
110.步骤e，将所述主栅线条图像输入卷积神经网络模型，卷积神经网络模型输出露白缺陷判定结果，露白缺陷判定结果为有露白缺陷或无露白缺陷。
111.优选的，所述卷积神经网络模型对主栅线条图像进行以下处理：
112.(1)将尺寸为1
×
512
×
8的主栅线条图像输入卷积神经网络模型，经过两个3
×
3的卷积组，输出第一图像，尺寸为24
×
512
×
8。
113.(2)第一图像经过三个3
×
3的卷积组，其中第一个卷积组中卷积步长为2，输出第二图像，尺寸为48
×
256
×
4。
114.(3)第二图像经过四个3
×
3的卷积组，其中第一个卷积组中卷积步长为2，输出第三图像，尺寸为96
×
128
×
2。
115.(4)第三图像经过一个1
×
1步长为1的卷积，输出第四图像，尺寸为192
×
128
×
2。
116.(5)第四图像经过一个二元自适应均值汇聚层、一个随机失活层、一个全连接层，输出最终图像，尺寸为2
×1×
1。进一步的，2
×1×
1表示输出结构有两种，分别为0代表有露白缺陷和1代表无露白缺陷。进一步的，如图6所示，为卷积神经网络模型输出的有露白缺陷的主栅线图像的最后检测结果。
117.优选的，每个3
×
3的卷积组包括一个3
×
3卷积、一个批量化归一化层和一个激活层。
118.具体的，以下为卷积神经网络模型对主栅线条图像进行处理的一个实施例。
119.(1)输入所述卷积神经网络模型的主栅线条图像的张量尺寸为1
×
512
×
8；
120.(2)主栅线条图像经过两个3
×
3的卷积组，每个3
×
3的卷积组包括一个3
×
3卷积、一个批量化归一化层和一个激活层，输出第一图像，张量尺寸为24
×
512
×
8；
121.(3)第一图像经过三个3
×
3的卷积组，每个3
×
3的卷积组包括一个3
×
3卷积、一个批量化归一化层和一个激活层，其中第一个卷积组中卷积步长为2，输出第二图像，张量尺寸为48
×
256
×
4；
122.(4)第二图像经过四个3
×
3的卷积组，每个3
×
3的卷积组包括一个3
×
3卷积、一个批量化归一化层和一个激活层，其中第一个卷积组中卷积步长为2，输出第三图像，张量尺寸为96
×
128
×
2；
123.(5)第三图像经过一个1
×
1步长为1的卷积，输出第四图像，张量尺寸为192
×
128
×
2；
124.(6)第四图像经过一个二元自适应均值汇聚层，输出第五图像，张量尺寸为192
×1×
1；
125.(7)第五图像经过一个随机失活层，其中随机失活概率为0.2，输出第六图像；
126.(8)第六图像经过一个全连接层，输出最终图像，张量尺寸为2
×1×
1。
127.需要指出的，所述卷积神经网络模型用于判断主栅线条图像有无露白缺陷之前，首先使用模型训练数据库对其进行训练，模型训练数据库中包含大量主栅线条图像(均被人工标注为有露白缺陷或无露白缺陷)，以得到训练好的权重。所述卷积神经网络模型的训练过程属于本领域的常规技术，在此不再赘述。
128.具体的，如图3所示，为无露白缺陷的主栅线条图像；如图4所示，为有露白缺陷的主栅线条图像。
129.步骤f，若所述主栅线条图像有露白缺陷，则依据该主栅线条图像及计算露白缺陷的长度和宽度。
130.优选的，所述步骤f还包括以下子步骤：
131.步骤f1，将步骤e中判定有露白缺陷的主栅线条图像分别按行、列对主栅线条图像的像素值求和，得到相应的主栅线条行直方图和主栅线条列直方图。
132.步骤f2，依据主栅线条行直方图和主栅线条列直方图的波峰波谷，去除主栅线条图片的上、下、左、右空白区域。
133.步骤f3,计算去除空白区域后的主栅线条行直方图和主栅线条列直方图上大于主栅线规格参数的区域，得到露白缺陷的长度和宽度。
134.优选的，主栅线规格参数包括主栅线的宽度。进一步的，5bb电池片的主栅线宽度为0.7mm，9bb电池片的主栅线宽度为0.25mm。
135.需要指出的，所述主栅线规格参数由电池片的规格(例如5bb或9bb)确定。
136.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。