基于彩色機(jī)器視覺的多晶硅太陽能電池顏色分選技術(shù)研究

孫海杰，林俊強(qiáng)，李錚濤，李 濤，歐陽高飛

（華南理工大學(xué) 機(jī)械與汽車工程學(xué)院 機(jī)械電子工程研究所，廣州 510640）

0 引言

鑒于常規(guī)能源供給的有限性和環(huán)保壓力的增加，世界上許多國家掀起了開發(fā)和利用新能源的熱潮。在新能源中，特別引人矚目的是不斷地傾注于地球的永久性能源——太陽能。太陽能是一種干凈、清潔、無污染和取之不盡用之不竭的自然能源，將太陽能轉(zhuǎn)換為電能是大規(guī)模利用太陽能的重要技術(shù)基礎(chǔ)[1]。當(dāng)前主要的太陽能轉(zhuǎn)換工具——多晶硅太陽能電池具有轉(zhuǎn)化[1]效率高、成本低和壽命長等優(yōu)點(diǎn)。然而多晶硅太陽能電池生產(chǎn)工藝復(fù)雜，導(dǎo)致生產(chǎn)出的硅片具有不同顏色，而且顏色具有不均勻性，從而影響到電池片的光電轉(zhuǎn)換效率，并且不同轉(zhuǎn)換效率的太陽能電池放在一起使用時(shí)會(huì)減低整體的轉(zhuǎn)換效率，因此在生產(chǎn)的最后一道工序需要按照同一轉(zhuǎn)換效率和同樣顏色的標(biāo)準(zhǔn)對(duì)電池片進(jìn)行分類。目前，對(duì)轉(zhuǎn)換效率的測(cè)試分選主要通過模擬太陽能光照射，在標(biāo)準(zhǔn)條件下對(duì)電池片的相關(guān)電參數(shù)進(jìn)行測(cè)試，把不同電性能的電池片進(jìn)行分類，而對(duì)顏色的分選，主要還是采用人工檢測(cè)的方式,依賴作業(yè)人員的視覺判斷,因此也帶來了很多檢測(cè)問題,同時(shí)產(chǎn)品質(zhì)量很難得到保證[2]。針對(duì)這種情況，本文提出基于彩色機(jī)器視覺的多晶硅太陽能電池顏色分選算法，運(yùn)用彩色機(jī)器視覺分析，對(duì)產(chǎn)品的顏色質(zhì)量進(jìn)行檢測(cè)分類，并開發(fā)出了模塊化的人機(jī)交互界面，有效解決人工作業(yè)所造成的問題與困難，提升了產(chǎn)品的品質(zhì)與競(jìng)爭(zhēng)能力。

1 基于顏色直方圖統(tǒng)計(jì)的顏色分類算法

多晶硅太陽能電池顏色分選是機(jī)器視覺的一種典型應(yīng)用，太陽能電池先利用工業(yè)照相機(jī)采集圖像，然后通過一系列圖像預(yù)處理，對(duì)圖像進(jìn)行去噪處理和圖像增強(qiáng)的預(yù)處理，進(jìn)而進(jìn)行顏色分選，并構(gòu)建顏色分選系統(tǒng)。本文采用矢量中值濾波法來對(duì)圖像去噪、采用直方圖均衡化的方法來增強(qiáng)圖像的細(xì)節(jié)信息，最后，采用Canny邊緣檢測(cè)算法對(duì)圖像進(jìn)行邊緣檢測(cè)以便讓系統(tǒng)準(zhǔn)確地識(shí)別出圖像的邊界[3]。此外還利用卡尺上灰度值的變化來確保硅片圖像能很準(zhǔn)確地校正定位。此外，顏色分類系統(tǒng)是在圖像灰度直方圖[4]上進(jìn)行分析的，采用基于歐幾里德距離公式來實(shí)現(xiàn)圖像與模板的相似度測(cè)量。具體方法則是分別根據(jù)圖像H、S和I分量的直方圖上相同的灰度級(jí)對(duì)應(yīng)于不同的頻率，從而計(jì)算出兩者的相似度，最后計(jì)算出來的結(jié)果越小，則表示圖像與模板越相似。實(shí)驗(yàn)證明，這種方法能夠全面地反映兩種圖像的相似程度，而且能夠很好地滿足客戶對(duì)顏色分選的要求。

用一定的數(shù)值來有效的表示兩幅圖像在顏色上的相似程度，便是顏色的相似度度量問題。它是一個(gè)很重要的概念，特別是相似度的計(jì)算問題，這個(gè)也是圖像顏色分類的基礎(chǔ)。

相似度是以數(shù)值的形式表示兩個(gè)對(duì)象之問的相似程度。通常使用幾何模型，將圖像的特征看作是坐標(biāo)空間中的點(diǎn)，兩個(gè)點(diǎn)的接近程度通常用它們之間的距離表示[5]。在顏色直方圖中，相似度的計(jì)算結(jié)果反映了兩個(gè)直方圖的分布是否相似，因此也表征了兩個(gè)圖像的色差程度。相似度的計(jì)算公式必須能夠符合以下兩點(diǎn)要求[6]。

1）與圖像的視覺感知相似度成正比，也即距離度量函數(shù)D(i,j)越小，表示圖像I,J從人類的視覺感知上來看，越接近，反之則越不相似。

2）計(jì)算盡量簡(jiǎn)單。對(duì)于圖像的特征向量的距離度量函數(shù)D(i,j)應(yīng)該盡量計(jì)算簡(jiǎn)單，這樣才可以有效地節(jié)省計(jì)算時(shí)間。

為了達(dá)到以上的這兩點(diǎn)要求，應(yīng)用比較廣泛的相似度計(jì)算公式主要有三種：歐氏距離法、絕對(duì)值距離法和加權(quán)距離法。

在這里，我們假設(shè)有兩樣本X={X1，X2，…，Xn}, Z={Z1，Z2，…，Zn}。

1）歐幾里德距離公式

經(jīng)典的算法是計(jì)算直方圖之間的歐氏距離，即是按照直方圖每個(gè)灰度級(jí)的距離測(cè)量來進(jìn)行相似度測(cè)量的。則X與Z的歐氏距離定義為：

距離D越大，就表示X和Z這兩個(gè)直方圖的差異越大；D越小，則表示X與Z越相似。這種方法得到的結(jié)果能夠全面地反映兩個(gè)直方圖的相似程度，原理比較簡(jiǎn)單，但計(jì)算量稍微大一些。在本論文的顏色分選系統(tǒng)中，采用的正是歐氏距離法來衡量直方圖的相似度。

2）絕對(duì)值距離公式

絕對(duì)值距離公式跟歐氏距離公式很相似，它的表達(dá)式為：

這種算法的計(jì)算雖然比歐氏距離法要簡(jiǎn)單，但是結(jié)果的精確度卻比歐氏距離法要差，這必然也會(huì)導(dǎo)致識(shí)別誤差的增大。

3）加權(quán)距離公式

這是一種比較靈活的算法，它可以根據(jù)不同的要求來確定具體的計(jì)算公式。

一個(gè)圖像的特征分量有好幾個(gè)，但每個(gè)分量對(duì)圖像相似度的貢獻(xiàn)作用并不是一樣的。比如，在HSI模型中，H分量比較能夠反映不同色彩的特征區(qū)別，其他兩個(gè)分量相對(duì)而言則弱之，那么，我們就可以給予H分量更大的權(quán)值。它的計(jì)算公式如下：

在式子中，W1、W2和Wn可以根據(jù)要求而取不同的值。這種算法有時(shí)能夠很好地對(duì)兩個(gè)圖像的相似度進(jìn)行判別，但計(jì)算量也會(huì)隨之增加。

除了上述算法，還有一種基于隨機(jī)變量統(tǒng)計(jì)特征的直方圖匹配算法。這種新的算法思路需要涉及到直方圖的概率密度函數(shù)、均值和方差等概念。具體思路如下所示。

在直方圖中，橫坐標(biāo)代表256位灰度級(jí)，縱坐標(biāo)代表每一灰度級(jí)所出現(xiàn)的頻率（可視為概率），同時(shí)，縱坐標(biāo)也可表示每種灰度的像素?cái)?shù)目。簡(jiǎn)而言之，若像素總數(shù)為n，灰度為t的像素?cái)?shù)為nk，那么概率密度函數(shù)為：p(t) =nk/n

以下列出幾個(gè)直方圖統(tǒng)計(jì)特征：

其中，直方圖的均值表示其平均灰度；方差是對(duì)直方圖t值分布的分散性度量；直方圖的偏差（即扭曲度）是描述灰度分布偏離對(duì)稱情況的度量；峰值是對(duì)灰度分布的傾向是聚集于均值附近還是散布于尾端的度量；能量則反映了圖像顏色分布均勻程度；直方圖的熵是指對(duì)于等概率分布則具有最大的熵。

可見，上述方法都是對(duì)直方圖相似性測(cè)量的檢測(cè)法，它們從不同的角度對(duì)直方圖進(jìn)行了描述。而在本論文中，還將運(yùn)用一種新的直方圖檢測(cè)方法——近鄰法，即按最近似的模板的類別作為自己的類別，但是它的判別算法也是歐幾里德距離公式。實(shí)驗(yàn)證明，這種新的檢測(cè)方法能夠很好地迎合客戶對(duì)于彩色分類的需求。

2 顏色分類方法與流程

2.1 建立模板

硅片模板的建立一般是由客戶指定，客戶根據(jù)自身需要事先建立n個(gè)模板，n的取值由客戶設(shè)定，這幾個(gè)模板分別設(shè)為X1、X2、X3、…、Xn。每個(gè)模板的色彩特征都不一樣，在HSI模型里，有的模板的H值可能比較大，其中一個(gè)分量數(shù)值的差異必定會(huì)對(duì)整幅圖像的色彩特征有一定的影響。我們?cè)讷@得客戶提供的這n個(gè)模板后，分別提取每個(gè)圖像的H、S、I分量值，并進(jìn)行灰度化處理，分別繪出這三個(gè)分量的灰度直方圖，并存儲(chǔ)于軟件系統(tǒng)中。當(dāng)新的硅片到達(dá)時(shí)，則對(duì)硅片進(jìn)行處理，來跟這n個(gè)模板進(jìn)行色彩匹配，最終對(duì)其進(jìn)行分類。

2.2 顏色分類

首先對(duì)硅片進(jìn)行灰度化處理，噪聲濾除，圖像增強(qiáng)，邊緣檢測(cè)后，再對(duì)硅片Z顏色進(jìn)行灰度直方圖處理，建立其H、S、I分量的灰度直方圖。直方圖的橫坐標(biāo)就是灰度級(jí)（0代表黑色，255代表白色），縱坐標(biāo)就是該灰度級(jí)出現(xiàn)的頻率。當(dāng)H、S和I三個(gè)分量的直方圖都建立完成之后，分別把所得到的直方圖與幾個(gè)模板的直方圖進(jìn)行對(duì)比。并求出每個(gè)分量直方圖在相同灰度級(jí)上的頻數(shù)的差值，算出每個(gè)分量之間的方差，最后把三個(gè)分量的方差用一定的合成法則來總的數(shù)值D。最終對(duì)比不同模板之間D1、D2、D3、…、Dn，哪個(gè)值最小，則表示Z與哪個(gè)模板最相似，此時(shí)即可把該硅片歸類為這個(gè)模板。

具體操作為：在H分量的直方圖中，求出第一個(gè)灰度級(jí)的頻數(shù)與模板X1的進(jìn)行減法處理，得出來的值設(shè)為H0，依次求出剩下255個(gè)灰度級(jí)與標(biāo)準(zhǔn)模板之間的差值H1、H2、H3、…、H255。求出這256個(gè)差值的平方的和，并開根號(hào)，公式為：

此時(shí)求出的數(shù)值即是硅片Z與模板X1在色彩方面的對(duì)比值。依次求出Z與模板X2、X3、…、Xn的對(duì)比值D2、D3、…、Dn，然后看哪個(gè)值最小。若D1最小，則表示硅片與模板1最相似，這樣子的話就可以把硅片歸為模板1一類。這樣即可完成硅片的色彩分類。

本文分別根據(jù)以上H、S、I三個(gè)參數(shù)以及綜合三種參數(shù)繪制出四種直方圖，通過直方圖將檢測(cè)片與模板進(jìn)行比對(duì),進(jìn)而實(shí)現(xiàn)顏色分選。

3 實(shí)驗(yàn)結(jié)果與分析

在軟件主界面上，選擇模板2作為當(dāng)前模板，并繪制出模板2的H、S和I分量的直方圖。

圖1 顏色分類工作界面

圖1中，在“當(dāng)前編輯 參數(shù)”一欄，只需要選擇“色彩檢測(cè)”即可。右邊的硅片是需要檢測(cè)的，而中間一欄的小硅片則是模板2，先是讓硅片與模板2進(jìn)行比較。在開始檢測(cè)前，中間一欄已匯出了模板1的H、S和I分量的灰度直方圖（黃色線表示）。

當(dāng)點(diǎn)擊“顯示當(dāng)前硅片顏色直方圖”控件時(shí)，則在這三分量的坐標(biāo)系中也會(huì)顯示出待檢測(cè)硅片的直方圖。如圖2所示。

圖2 待檢測(cè)硅片（青色線）與模板（黃色線）的直方圖

在圖2中，黃色線代表模板1的直方圖，青色線則代表待檢測(cè)硅片的直方圖。當(dāng)畫出兩條直方圖時(shí)，點(diǎn)擊界面左側(cè)的“檢測(cè)“按鍵，系統(tǒng)便會(huì)計(jì)算出匹配后的差值，此例中計(jì)算出來的差值為75。

由圖3可知，模板的閾值為351，由于75<351，故把該硅片歸類為模板2。

圖3 參數(shù)選擇

4 結(jié)束語

本文通過深入分析多晶硅太陽能電池在機(jī)器視覺系統(tǒng)下的分選，根據(jù)灰度直方圖進(jìn)行相似度對(duì)比，對(duì)多晶硅太陽能電池進(jìn)行在線分選。并且所開發(fā)出的工作界面使檢測(cè)過程大大簡(jiǎn)化，并且易于人工操作。實(shí)驗(yàn)結(jié)果表明，改檢測(cè)方法可達(dá)到較高準(zhǔn)確率，目前該方法已經(jīng)在生產(chǎn)線上試用。

[1]秦桂紅.多晶硅薄膜太陽能電池的研制及發(fā)展趨勢(shì)[J].上海有色金屬, Shanghai Nonferrous Metals, 2004, 01.

[2]張舞杰, 李迪, 葉峰.硅太陽能電池紋理缺陷檢測(cè)[J].計(jì)算機(jī)應(yīng)用, 30(10).

[3]潘琦.基于Canny算法的改進(jìn)型圖像邊緣檢測(cè)算法[J].工業(yè)控制計(jì)算機(jī).2011, 10.

[4]龔金云.基于灰度圖像直方圖的邊緣檢測(cè)[J].裝備制造技術(shù).2007, 02.

[5]顏勇, 林代茂.圖像距離的研究方法[C].全國第二屆信息隱藏學(xué)術(shù)研討會(huì), 2000-06-01.

[6]宋春剛.基于圖像的皮革顏色紋理檢測(cè)分類方法研究及系統(tǒng)研制[D].浙江大學(xué), 2006.