[go: up one dir, main page]

CN117474846A - 基于改进lbp算法的光伏电池板缺陷检测方法和装置 - Google Patents

基于改进lbp算法的光伏电池板缺陷检测方法和装置 Download PDF

Info

Publication number
CN117474846A
CN117474846A CN202311383549.9A CN202311383549A CN117474846A CN 117474846 A CN117474846 A CN 117474846A CN 202311383549 A CN202311383549 A CN 202311383549A CN 117474846 A CN117474846 A CN 117474846A
Authority
CN
China
Prior art keywords
photovoltaic cell
cell panel
image
lbp algorithm
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311383549.9A
Other languages
English (en)
Inventor
浦永华
孙玉波
沈金荣
时厚龙
陶华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Green Power New Energy Co ltd
Original Assignee
Jiangsu Green Power New Energy Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Green Power New Energy Co ltd filed Critical Jiangsu Green Power New Energy Co ltd
Priority to CN202311383549.9A priority Critical patent/CN117474846A/zh
Publication of CN117474846A publication Critical patent/CN117474846A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种基于改进LBP算法的光伏电池板缺陷检测方法和装置，其中，所述方法包括以下步骤：获取样本光伏电池板电致发光图像；对所述样本光伏电池板电致发光图像进行预处理；通过所述改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；根据所述特征向量构建高维特征空间，以获取所述光伏电池板的缺陷类型；根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。本发明能够有效提高光伏电池板缺陷检测的效率和准确性，降低了光伏电池板的生产成本。

Description

基于改进LBP算法的光伏电池板缺陷检测方法和装置
技术领域
本发明涉及太阳能光伏电池板技术领域，具体涉及一种基于改进LBP(LocalBinary Pattern，局部二进制模式)算法的光伏电池板缺陷检测方法和基于改进LBP算法的光伏电池板缺陷检测装置。
背景技术
现阶段，光伏发电在全球范围内得到了广泛的推广和应用，由于光伏发电可以应用于各种场合，例如屋顶光伏发电、光伏发电站和移动式光伏发电设备，其前景非常广阔。在太阳能光伏电池板生产过程中，由于设备、材料和工艺等方面的原因，尽管制作光伏电池板的每个环节都经过了严格的控制和检测，但是在实际的使用过程中仍然会出现一定数量的不良品，这些不良品会对太阳能光伏电池板的产量、成本和质量造成非常严重的影响。
传统的太阳能光伏电池板的质量检测通常为人工检测，通过肉眼对太阳能光伏电池板进行观察分辨，而人工检测的速度非常慢，且检测的精度较低，因此导致成本较大。
发明内容
本发明为解决上述技术问题，提供了一种基于改进LBP算法的光伏电池板缺陷检测方法和装置，能够有效提高光伏电池板缺陷检测的效率和准确性，降低了光伏电池板的生产成本。
本发明采用的技术方案如下：
一种基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，包括以下步骤：获取样本光伏电池板电致发光图像；对所述样本光伏电池板电致发光图像进行预处理；通过所述改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；根据所述特征向量构建高维特征空间，以获取所述光伏电池板的缺陷类型；根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
在本发明的一个实施例中，对所述样本光伏电池板电致发光图像进行预处理，具体包括：将所述样本光伏电池板电致发光图像灰度化；对灰度化后的样本光伏电池板电致发光图像进行滤波处理；对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。
在本发明的一个实施例中，通过所述改进LBP算法获取预处理后的光伏电池板的发光图像的图像纹理特征，具体包括：定义所述改进LBP算法的中心像素点的灰度值、周围像素点的灰度值、采样半径和采样点个数；通过改进阈值模式求解动态阈值；判断所述周围像素点的灰度值和中心像素点的灰度值的差的绝对值与所述动态阈值的大小，并记为二进制编码；将所述二进制编码转换成十进制。
在本发明的一个实施例中，通过KNN算法对所述光伏电池板的缺陷类型进行分类。
在本发明的一个实施例中，所述光伏电池板的缺陷类型包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
一种基于改进LBP算法的光伏电池板缺陷检测装置，包括：第一获取模块，所述第一获取模块用于获取样本光伏电池板电致发光图像；预处理模块，所述预处理模块用于对所述样本光伏电池板电致发光图像进行预处理；第二获取模块，所述第二获取模块用于通过所述改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；构建模块，所述构建模块用于根据所述特征向量构建高维特征空间，以获取所述光伏电池板的缺陷类型；检测模块，所述检测模块用于根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
在本发明的一个实施例中，所述预处理模块对所述样本光伏电池板电致发光图像进行预处理，具体包括：将所述样本光伏电池板电致发光图像灰度化；对灰度化后的样本光伏电池板电致发光图像进行滤波处理；对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。
在本发明的一个实施例中，第二获取模块通过所述改进LBP算法获取预处理后的光伏电池板的发光图像的图像纹理特征，具体包括：定义所述改进LBP算法的中心像素点的灰度值、周围像素点的灰度值、采样半径和采样点个数；通过改进阈值模式求解动态阈值；判断所述周围像素点的灰度值和中心像素点的灰度值的差的绝对值与所述动态阈值的大小，并记为二进制编码；将所述二进制编码转换成十进制。
在本发明的一个实施例中，通过KNN算法对所述光伏电池板的缺陷类型进行分类。
在本发明的一个实施例中，所述光伏电池板的缺陷类型包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
本发明的有益效果：
本发明通过获取样本光伏电池板电致发光图像，并对样本光伏电池板电致发光图像进行预处理，然后通过改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量，并根据特征向量构建高维特征空间，以获取光伏电池板的缺陷类型，最后根据光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测，由此，能够有效提高光伏电池板缺陷检测的效率和准确性，降低了光伏电池板的生产成本。
附图说明
图1为本发明实施例的基于改进LBP算法的光伏电池板缺陷检测方法的流程图；
图2为本发明一个具体实施例的特征向量采样示意图；
图3为本发明一个具体实施例的包含点簇的高维特征空间的示意图；
图4为本发明实施例的基于改进LBP算法的光伏电池板缺陷检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的基于改进LBP算法的光伏电池板缺陷检测方法的流程图。
如图1所示，本发明实施例的基于改进LBP算法的光伏电池板缺陷检测方法，包括以下步骤：
S1，获取样本光伏电池板电致发光图像。
具体而言，由于传统的光伏电池板都是用肉眼去分辨，不仅效率低，且分辨精度也低，由此，在本发明的一个实施例中，可采用高分辨率的专业工业相机获取光伏电池板电致发光图像，其中，获取的光伏电池板电致发光图像的有效大小的范围可为5200*2600像素，同时可对每个5200*2600像素的图像进行分割，分割的每个部分的大小可为400*200像素。
S2，对样本光伏电池板电致发光图像进行预处理。
具体地，可对样本光伏电池板电致发光图像进行灰度化处理。由于获取的样本光伏电池板电致发光图像为RGB色彩模式，可通过红(R)、绿(G)和蓝(B)三种颜色的光按照不同比例和强度进行混合得到，由此，可以RGB色彩模式为基础，对样本光伏电池板电致发光图像的每个像素值的RGB分量均分配一个Uint8类型的强度值，RGB图像的红、绿、蓝分量各占8位，因此是24位图像，并且不同亮度的基色混合后，可产生出256*256*256＝16777216种颜色。在RGB图像中，若3种基色的亮度值相等，则会产生灰度颜色，R＝G＝B的值也称为灰度值，且获取的图片的灰度图像的灰度级均为256级，像素的灰度值可为0-255值，当亮度值均为255时可产生纯白色，当亮度值均为0时可产生纯黑色，且亮度可从0-255呈现逐渐增加的趋势。针对太阳能光伏电池板的检测要求，可去除不必要的色彩信息，由此，可将获取的样本光伏电池板电致发光图像转换为灰度图像，首先，可选取像素F(i，j)的R、G、B分量的亮度加权均值作为该像素的灰度值，权值的选取可根据分量的重要性指标，将3个分量以加权平均的方式进行计算得到灰度值，由于人眼在视觉上对绿色分量的敏感度较高，对蓝色分量的敏感度较低，由此，可对RGB三个分量进行加权平均可得到较合理的灰度图像，其中，灰度图像的计算公式为：
Fg(i,j)＝wR*R(i,j)+wG*G(i,j)+wB*B(i,j)
其中，wR、wG、wB分别为红、绿、蓝三个颜色的权重，其中i与j表示像素点的坐标，i为横坐标，j为纵坐标。
进一步地，可对灰度化后的样本光伏电池板电致发光图像进行滤波处理。由于图像在采集或者传输的过程中往往会受到成像设备与传输介质等因素的干扰而产生噪声，图像可能会存在边缘模糊或者黑白杂点的问题，这将会在一定程度上对目标的检测和识别产生影响，最终可能干扰对实验结果的判断，由此，可对样本光伏电池板电致发光图像进行滤波去噪处理。具体地，可假设样本光伏电池板电致发光图像是由许多灰度值为常量的小区域组成的，且相邻区域间存在较高的空间相关性，由此，可通过将单个像素及其指定邻域内的所有像素按照某种规则计算平均灰度值，再作为新图像中的对应像素值，可达到滤波去噪的目的，可假设f(x，y)为大小为M*N的图像，则经过滤波去噪处理后的样本光伏电池板电致发光图像的计算公式为：
其中，g(x，y)为经过邻域平均法得到的图像，S表示以位置(x,y)为中心的邻域，是一个圆形的区域，其中，x与y表示像素点的坐标，x为横坐标，y为纵坐标。
更进一步地，可对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。由于太阳能光伏电池板图像的采集容易受到光照不均和机械振动的因素影响，导致采集到的太阳能光伏电池板图像可能存在整体偏暗或者偏亮的问题，进而产生对比度较低的图像，而直方图作为灰度级分布的统计表，能在一定程度上反应图像的对比度详情。图像的灰度直方图可表示图形所属灰度类型中不同灰度级像素出现的相对频率，并且直方图的横坐标可表示图像的灰度值，直方图的纵坐标可表示灰度出现的次数或者概率。而直方图均衡化可利用灰度直方图进行图像对比度的调整，以达到增强图像视觉效果的目标，其中，直方图均衡化可将原始图像的灰度直方图从集中于某个较小的灰度区间变成在更大灰度区间内均匀分布的形式，得到灰度级差式分布，从而达到增强图像整体对比度的目标。在本发明的一个实施例中，太阳能光伏电池板电致发光图像的缺陷发生区域通常属于颜色较暗的灰度区间，光伏片的正常区域则属于相对较亮的灰度区间，但在采集太阳能光伏电池板电致发光图像的过程中，往往会由于天气变化和曝光不足的原因造成图像整体偏暗，使待检测区域中的缺陷部分与正常区域的亮度特征相近而不易辨别。由于太阳能光伏电池板电致发光图像原始图像的灰度直方图中的灰度值分布主要集中在某个低层次灰度区间，由此，为了提高缺陷区域与正常区域的对比度，可将原图像的灰度值范围进行扩大，以形成较明显的灰度级差，进而增加图像的对比度。
S3，通过改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量。
具体地，首先，可定义一个N*N的像素网格，像素网格的中心点为gm，周围的采样点为gT，R为采样半径，T为采样点个数，且采样半径和采样数目可随着需求的变化而变化，当采样点个数T越大时，图像相对越清晰，但是图像的LBP特征值维度呈几何倍率上升，对于计算图像的LBP特征直方图的计算量也将大幅提升，由此，在本发明的一个具体实施例中，如图2所示，可取半径R为2，采样点个数T为8。
进一步地，可通过改进阈值模式求解动态阈值，首先，可提取出周围T个采样点灰度值的平均值Avg，然后，求出Avg和中心点灰度值的差的绝对值，并将其作为动态阈值M，其中，周围T个采样点灰度值的平均值Avg的计算公式为：
其中，gT为像素网格周围采样点，T为采样点个数。
动态阈值M的计算公式为：
M＝|Avg-gm|
其中，gm为像素网格的中心点，Avg为周围T个采样点灰度值的平均值。
更进一步地，像素网格可按照固定顺序求出周围像素点的灰度值和中心像素点的灰度值的差的绝对值，并判断周围像素点的灰度值和中心像素点的灰度值的差的绝对值与动态阈值的大小，如果周围像素点的灰度值和中心像素点的灰度值的差的绝对值大于或等于动态阈值M，则记为1，否则，则记为0，并将记录的二进制编码转化为十进制，其中，二进制编码的计算公式为：
在本发明的另一个实施例中，对于采集到的光伏电池板电致发光图像的特征维度过大的情况，可采用等价LBP算法。具体地，LBP编码最多只有两次变化，即从0到1或者从1到0，例如，00000000、00000010和00000001都是等价模式，同时，类似于01101010这样的混合模式编码，对于T个采样点的等价LBP算法，可将编码数量从2T变为T(T+1)个，其中包括了8个采样点的59种二进制模式，由此，可使LBP统计直方图保留大量重要的纹理信息的同时，又可过滤掉冗余纹理信息。
S4，根据特征向量构建高维特征空间，以获取光伏电池板的缺陷类型。
具体地，首先，对于分割出的每一个400*200像素的部分，可采用改进的LBP算法对预处理后的灰度图的非边缘的每一个像素点进行逐个计算，被计算的每个像素点可生成一个59维的特征向量。然后，可采用KNN算法对59维的特征向量进行搜索，找出前K个最邻近的点，并按照最短距离度量进行排序。最后，可根据最短距离度量判断该特征向量的类别。而在三维特征空间中，如图3所示，已知类别的特征向量可形成各自的点簇，在59维的特征值空间中，可加入已知类别的特征向量，每个类别的点同样可形成一个含有n个点的点簇，且每个缺陷类型都可形成独特的点簇，而这些点簇可表示为：
在本发明的一个实施例中，光伏电池板的缺陷类型可包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
S5，根据光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
具体地，可在待检测光伏电池板电致发光图像的特征向量到所有已知类别的点的距离中，取前N个度量距离最小的点，这些点可属于对应的类别，且类别出现最多的点簇即为对应的缺陷类型，其中，两个点之间或者多个点之间的度量距离可采用欧几里得度量距离，且欧几里得度量距离的计算公式为：
其中，x1为第一个点的第k维坐标，x2为第二个点的第k维坐标。
在本发明的一个实施例中，为了得到正确的最优的K值，可使用交叉验证法来选定K值。
综上所述，根据本发明实施例的基于改进LBP算法的光伏电池板缺陷检测方法，通过获取样本光伏电池板电致发光图像，并对样本光伏电池板电致发光图像进行预处理，然后通过改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量，并根据特征向量构建高维特征空间，以获取光伏电池板的缺陷类型，最后根据光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测，由此，能够有效提高光伏电池板缺陷检测的效率和准确性，降低了光伏电池板的生产成本。
为实现上述实施例的基于改进LBP算法的光伏电池板缺陷检测方法，本发明还提出一种基于改进LBP算法的光伏电池板缺陷检测装置。
如图4所示，本发明实施例的基于改进LBP算法的光伏电池板缺陷检测装置，包括：第一获取模块10、预处理模块20、第二获取模块30、构建模块40和检测模块50，其中，第一获取模块10用于获取样本光伏电池板电致发光图像；预处理模块20用于对样本光伏电池板电致发光图像进行预处理；第二获取模块30用于通过改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；构建模块40用于根据特征向量构建高维特征空间，以获取光伏电池板的缺陷类型；检测模块50用于根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
具体而言，由于传统的光伏电池板都是用肉眼去分辨，不仅效率低，且分辨精度也低，由此，在本发明的一个实施例中，第一获取模块10可采用高分辨率的专业工业相机获取光伏电池板电致发光图像，其中，获取的光伏电池板电致发光图像的有效大小的范围可为5200*2600像素，同时可对每个5200*2600像素的图像进行分割，分割的每个部分的大小可为400*200像素。
在本发明的一个实施例中，预处理模块20可对样本光伏电池板电致发光图像进行灰度化处理。由于获取的样本光伏电池板电致发光图像为RGB色彩模式，可通过红(R)、绿(G)和蓝(B)三种颜色的光按照不同比例和强度进行混合得到，由此，可以RGB色彩模式为基础，对样本光伏电池板电致发光图像的每个像素值的RGB分量均分配一个Uint8类型的强度值，RGB图像的红、绿、蓝分量各占8位，因此是24位图像，并且不同亮度的基色混合后，可产生出256*256*256＝16777216种颜色。在RGB图像中，若3种基色的亮度值相等，则会产生灰度颜色，R＝G＝B的值也称为灰度值，且获取的图片的灰度图像的灰度级均为256级，像素的灰度值可为0-255值，当亮度值均为255时可产生纯白色，当亮度值均为0时可产生纯黑色，且亮度可从0-255呈现逐渐增加的趋势。针对太阳能光伏电池板的检测要求，可去除不必要的色彩信息，由此，可将获取的样本光伏电池板电致发光图像转换为灰度图像，首先，可选取像素F(i，j)的R、G、B分量的亮度加权均值作为该像素的灰度值，权值的选取可根据分量的重要性指标，将3个分量以加权平均的方式进行计算得到灰度值，由于人眼在视觉上对绿色分量的敏感度较高，对蓝色分量的敏感度较低，由此，可对RGB三个分量进行加权平均可得到较合理的灰度图像，其中，灰度图像的计算公式为：
Fg(i,j)＝wR*R(i,j)+wG*G(i,j)+wB*B(i,j)
其中，wR、wG、wB分别为红、绿、蓝三个颜色的权重，其中i与j表示像素点的坐标，i为横坐标，j为纵坐标。
进一步地，预处理模块20还可对灰度化后的样本光伏电池板电致发光图像进行滤波处理。由于图像在采集或者传输的过程中往往会受到成像设备与传输介质等因素的干扰而产生噪声，图像可能会存在边缘模糊或者黑白杂点的问题，这将会在一定程度上对目标的检测和识别产生影响，最终可能干扰对实验结果的判断，由此，可对样本光伏电池板电致发光图像进行滤波去噪处理。具体地，可假设样本光伏电池板电致发光图像是由许多灰度值为常量的小区域组成的，且相邻区域间存在较高的空间相关性，由此，可通过将单个像素及其指定邻域内的所有像素按照某种规则计算平均灰度值，再作为新图像中的对应像素值，可达到滤波去噪的目的，可假设f(x，y)为大小为M*N的图像，则经过滤波去噪处理后的样本光伏电池板电致发光图像的计算公式为：
其中，g(x，y)为经过邻域平均法得到的图像，S表示以位置(x,y)为中心的邻域，是一个圆形的区域，其中，x与y表示像素点的坐标，x为横坐标，y为纵坐标。
更进一步地，预处理模块20还可对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。由于太阳能光伏电池板图像的采集容易受到光照不均和机械振动的因素影响，导致采集到的太阳能光伏电池板图像可能存在整体偏暗或者偏亮的问题，进而产生对比度较低的图像，而直方图作为灰度级分布的统计表，能在一定程度上反应图像的对比度详情。图像的灰度直方图可表示图形所属灰度类型中不同灰度级像素出现的相对频率，并且直方图的横坐标可表示图像的灰度值，直方图的纵坐标可表示灰度出现的次数或者概率。而直方图均衡化可利用灰度直方图进行图像对比度的调整，以达到增强图像视觉效果的目标，其中，直方图均衡化可将原始图像的灰度直方图从集中于某个较小的灰度区间变成在更大灰度区间内均匀分布的形式，得到灰度级差式分布，从而达到增强图像整体对比度的目标。在本发明的一个实施例中，太阳能光伏电池板电致发光图像的缺陷发生区域通常属于颜色较暗的灰度区间，光伏片的正常区域则属于相对较亮的灰度区间，但在采集太阳能光伏电池板电致发光图像的过程中，往往会由于天气变化和曝光不足的原因造成图像整体偏暗，使待检测区域中的缺陷部分与正常区域的亮度特征相近而不易辨别。由于太阳能光伏电池板电致发光图像原始图像的灰度直方图中的灰度值分布主要集中在某个低层次灰度区间，由此，为了提高缺陷区域与正常区域的对比度，可将原图像的灰度值范围进行扩大，以形成较明显的灰度级差，进而增加图像的对比度。
在本发明的一个实施例中，首先，可定义一个N*N的像素网格，像素网格的中心点为gm，周围的采样点为gT，R为采样半径，T为采样点个数，且采样半径和采样数目可随着需求的变化而变化，当采样点个数T越大时，图像相对越清晰，但是图像的LBP特征值维度呈几何倍率上升，对于计算图像的LBP特征直方图的计算量也将大幅提升，由此，在本发明的一个具体实施例中，如图2所示，可取半径R为2，采样点个数T为8。
进一步地，可通过改进阈值模式求解动态阈值，首先，可提取出周围T个采样点灰度值的平均值Avg，然后，求出Avg和中心点灰度值的差的绝对值，并将其作为动态阈值M，其中，周围T个采样点灰度值的平均值Avg的计算公式为：
其中，gT为像素网格周围采样点，T为采样点个数。
动态阈值M的计算公式为：
M＝|Avg-gm|
其中，gm为像素网格的中心点，Avg为周围T个采样点灰度值的平均值。
更进一步地，像素网格可按照固定顺序求出周围像素点的灰度值和中心像素点的灰度值的差的绝对值，并判断周围像素点的灰度值和中心像素点的灰度值的差的绝对值与动态阈值的大小，如果周围像素点的灰度值和中心像素点的灰度值的差的绝对值大于或等于动态阈值M，则记为1，否则，则记为0，并将记录的二进制编码转化为十进制，其中，二进制编码的计算公式为：
在本发明的另一个实施例中，对于采集到的光伏电池板电致发光图像的特征维度过大的情况，可采用等价LBP算法。具体地，LBP编码最多只有两次变化，即从0到1或者从1到0，例如，00000000、00000010和00000001都是等价模式，同时，类似于01101010这样的混合模式编码，对于T个采样点的等价LBP算法，可将编码数量从2T变为T(T+1)个，其中包括了8个采样点的59种二进制模式，由此，可使LBP统计直方图保留大量重要的纹理信息的同时，又可过滤掉冗余纹理信息。
在本发明的一个实施例中，首先，对于分割出的每一个400*200像素的部分，构建模块40可采用改进的LBP算法对预处理后的灰度图的非边缘的每一个像素点进行逐个计算，被计算的每个像素点可生成一个59维的特征向量。然后，构建模块40可采用KNN算法对59维的特征向量进行搜索，找出前K个最邻近的点，并按照最短距离度量进行排序。最后，构建模块40可根据最短距离度量判断该特征向量的类别。而在三维特征空间中，如图3所示，已知类别的特征向量可形成各自的点簇，在59维的特征值空间中，可加入已知类别的特征向量，每个类别的点同样可形成一个含有n个点的点簇，且每个缺陷类型都可形成独特的点簇，而这些点簇可表示为：
在本发明的一个实施例中，光伏电池板的缺陷类型可包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
在本发明的一个实施例中，检测模块50可在待检测光伏电池板电致发光图像的特征向量到所有已知类别的点的距离中，取前N个度量距离最小的点，这些点可属于对应的类别，且类别出现最多的点簇即为对应的缺陷类型，其中，两个点之间或者多个点之间的度量距离可采用欧几里得度量距离，且欧几里得度量距离的计算公式为：
其中，x1为第一个点的第k维坐标，x2为第二个点的第k维坐标。
在本发明的一个实施例中，为了得到正确的最优的K值，检测模块50可使用交叉验证法来选定K值。
综上所述，根据本发明实施例的基于改进LBP算法的光伏电池板缺陷检测装置，通过第一获取模块获取样本光伏电池板电致发光图像，并通过预处理模块对样本光伏电池板电致发光图像进行预处理，然后第二获取模块通过改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量，并通过构建模块根据特征向量构建高维特征空间，以获取光伏电池板的缺陷类型，最后检测模块根据光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测，由此，能够有效提高光伏电池板缺陷检测的效率和准确性，降低了光伏电池板的生产成本。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，包括以下步骤：
获取样本光伏电池板电致发光图像；
对所述样本光伏电池板电致发光图像进行预处理；
通过所述改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；
根据所述特征向量构建高维特征空间，以获取所述光伏电池板的缺陷类型；
根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
2.根据权利要求1所述的基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，对所述样本光伏电池板电致发光图像进行预处理，具体包括：
将所述样本光伏电池板电致发光图像灰度化；
对灰度化后的样本光伏电池板电致发光图像进行滤波处理；
对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。
3.根据权利要求1所述的基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，通过所述改进LBP算法获取预处理后的光伏电池板的发光图像的图像纹理特征，具体包括：
定义所述改进LBP算法的中心像素点的灰度值、周围像素点的灰度值、采样半径和采样点个数；
通过改进阈值模式求解动态阈值；
判断所述周围像素点的灰度值和中心像素点的灰度值的差的绝对值与所述动态阈值的大小，并记为二进制编码；
将所述二进制编码转换成十进制。
4.根据权利要求1所述的基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，通过KNN算法对所述光伏电池板的缺陷类型进行分类。
5.根据权利要求1所述的基于改进LBP算法的光伏电池板缺陷检测方法，其特征在于，所述光伏电池板的缺陷类型包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
6.一种基于改进LBP算法的光伏电池板缺陷检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取样本光伏电池板电致发光图像；
预处理模块，所述预处理模块用于对所述样本光伏电池板电致发光图像进行预处理；
第二获取模块，所述第二获取模块用于通过所述改进LBP算法获取预处理后的光伏电池板电致发光图像的特征向量；
构建模块，所述构建模块用于根据所述特征向量构建高维特征空间，以获取所述光伏电池板的缺陷类型；
检测模块，所述检测模块用于根据所述光伏电池板的缺陷类型对待检测光伏电池板进行缺陷检测。
7.根据权利要求6所述的基于改进LBP算法的光伏电池板缺陷检测装置，其特征在于，所述预处理模块对所述样本光伏电池板电致发光图像进行预处理，具体包括：
将所述样本光伏电池板电致发光图像灰度化；
对灰度化后的样本光伏电池板电致发光图像进行滤波处理；
对滤波处理后的样本光伏电池板电致发光图像进行图像增强处理。
8.根据权利要求6所述的基于改进LBP算法的光伏电池板缺陷检测装置，其特征在于，第二获取模块通过所述改进LBP算法获取预处理后的光伏电池板的发光图像的图像纹理特征，具体包括：
定义所述改进LBP算法的中心像素点的灰度值、周围像素点的灰度值、采样半径和采样点个数；
通过改进阈值模式求解动态阈值；
判断所述周围像素点的灰度值和中心像素点的灰度值的差的绝对值与所述动态阈值的大小，并记为二进制编码；
将所述二进制编码转换成十进制。
9.根据权利要求6所述的基于改进LBP算法的光伏电池板缺陷检测装置，其特征在于，通过KNN算法对所述光伏电池板的缺陷类型进行分类。
10.根据权利要求6所述的基于改进LBP算法的光伏电池板缺陷检测装置，其特征在于，所述光伏电池板的缺陷类型包括虚焊、串短路、电池片污染、电池片划伤、单片短路和单片贯穿。
CN202311383549.9A 2023-10-23 2023-10-23 基于改进lbp算法的光伏电池板缺陷检测方法和装置 Pending CN117474846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311383549.9A CN117474846A (zh) 2023-10-23 2023-10-23 基于改进lbp算法的光伏电池板缺陷检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311383549.9A CN117474846A (zh) 2023-10-23 2023-10-23 基于改进lbp算法的光伏电池板缺陷检测方法和装置

Publications (1)

Publication Number Publication Date
CN117474846A true CN117474846A (zh) 2024-01-30

Family

ID=89635667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311383549.9A Pending CN117474846A (zh) 2023-10-23 2023-10-23 基于改进lbp算法的光伏电池板缺陷检测方法和装置

Country Status (1)

Country Link
CN (1) CN117474846A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975269A (zh) * 2024-01-31 2024-05-03 重庆千信新能源有限公司 通过机器视觉进行光伏电力设备故障监督方法
CN119649119A (zh) * 2024-11-28 2025-03-18 国网四川省电力公司达州供电公司 基于梯度方向改进的lbp算法的配电线路绝缘子缺陷检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975269A (zh) * 2024-01-31 2024-05-03 重庆千信新能源有限公司 通过机器视觉进行光伏电力设备故障监督方法
CN119649119A (zh) * 2024-11-28 2025-03-18 国网四川省电力公司达州供电公司 基于梯度方向改进的lbp算法的配电线路绝缘子缺陷检测方法及系统
CN119649119B (zh) * 2024-11-28 2025-08-19 国网四川省电力公司达州供电公司 基于梯度方向改进的lbp算法的配电线路绝缘子缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN111563889B (zh) 基于计算机视觉的液晶屏幕Mura缺陷检测方法
CN117474846A (zh) 基于改进lbp算法的光伏电池板缺陷检测方法和装置
CN109883654B (zh) 一种用于oled亚像素定位的棋盘格图、生成方法及定位方法
CN115115644B (zh) 一种基于人工智能的车辆焊接缺陷检测方法
CN108416766B (zh) 双侧入光式导光板缺陷视觉检测方法
CN115601367A (zh) 一种led灯芯缺陷检测方法
US7925073B2 (en) Multiple optical input inspection system
CN110009607B (zh) 显示屏坏点检测方法、装置、计算机设备和存储介质
CN111932504B (zh) 一种基于边缘轮廓信息的亚像素定位方法及装置
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
JP5103665B2 (ja) 物体追跡装置および物体追跡方法
Ma Defect detection and recognition of bare PCB based on computer vision
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN103810722A (zh) 结合改进的lbp纹理和色度信息的运动目标检测方法
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN115131359A (zh) 一种金属加工件表面麻点缺陷检测方法
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN111882529B (zh) 显示屏Mura缺陷检测方法及装置
CN116805302A (zh) 一种缆索表面缺陷检测装置及方法
CN114881965A (zh) 一种基于人工智能和图像处理的木板节子检测方法
CN116012767A (zh) 一种电控硅油风扇离合器壳体裂纹视觉检测方法
CN118379636A (zh) 一种基于正交分解的遥感影像阴影自动检测算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination