太陽(yáng)能電池片的主柵線提取及缺陷檢測(cè)方法研究＊

王 偉，李 強(qiáng)

（西安工業(yè)大學(xué) 光電工程學(xué)院，西安710021）

近年來(lái)，太陽(yáng)能電池片全自動(dòng)串焊機(jī)以其獨(dú)特的優(yōu)勢(shì)取代人工操作在工業(yè)現(xiàn)場(chǎng)中廣泛應(yīng)用，國(guó)內(nèi)外的設(shè)備技術(shù)差距也逐漸縮小，國(guó)外的設(shè)備如德國(guó)帝目STRINGER的TT900其生產(chǎn)能力為4s／片，而國(guó)內(nèi)大部分串焊機(jī)的生產(chǎn)能力為6s／片，破片率遠(yuǎn)高于國(guó)外，圖像處理系統(tǒng)的差距是影響國(guó)內(nèi)外設(shè)備生產(chǎn)能力及破片率的主要因素．

太陽(yáng)能電池片自動(dòng)串焊機(jī)的圖像處理系統(tǒng)是非接觸式測(cè)量電池片幾何信息的核心，它測(cè)量的精度［1］、誤差和時(shí)間影響太陽(yáng)能電池片的破片率及生產(chǎn)成本，串焊后的電池片構(gòu)成太陽(yáng)能電池組件，焊帶與主柵線對(duì)不準(zhǔn)的焊接及生產(chǎn)效率影響電池組件的光電轉(zhuǎn)換率及生產(chǎn)效率［2］．文獻(xiàn)［3］采用最小誤差法對(duì)圖像進(jìn)行閾值分割，通過(guò)輪廓提取電池片輪廓，雖然能達(dá)到提取主柵線的目的，但其相機(jī)像素需提高；文獻(xiàn)［4-5］通過(guò)分析亞像素的幾種細(xì)分算法如幾何方法、矩估計(jì)法和插值法來(lái)研究各自的優(yōu)缺點(diǎn)和適用范圍，其中幾何方法對(duì)系統(tǒng)成像噪聲、目標(biāo)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(jì)算出的誤差較大；矩估計(jì)方法的定位精度比幾何法好，但算法復(fù)雜度較高，計(jì)算時(shí)間較長(zhǎng)；插值算法最為簡(jiǎn)單，速度快，精度雖不及其余算法高但可以滿足本設(shè)計(jì)的系統(tǒng)精度要求．

本文提出一種可降低相機(jī)像素且滿足精度要求的亞像素邊緣提取法對(duì)電池片邊緣進(jìn)行提取，選取一種適用于定位的機(jī)器視覺(jué)標(biāo)定算法，通過(guò)相機(jī)標(biāo)定求出內(nèi)參數(shù)，根據(jù)內(nèi)參矩陣計(jì)算有效焦距并求出單個(gè)像素的實(shí)際尺寸，利用霍夫變換實(shí)現(xiàn)硅太陽(yáng)能電池片的定位，采用掉角缺陷檢測(cè)算法對(duì)不合格的電池片予以剔除，為太陽(yáng)能電池片幾何測(cè)量提供參考．

1 實(shí)驗(yàn)裝置與選型

1．1 實(shí)驗(yàn)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(jī)、定焦鏡頭及實(shí)驗(yàn)平臺(tái)．實(shí)驗(yàn)平臺(tái)如圖1所示．

圖1 實(shí)驗(yàn)平臺(tái)Fig．1 Experimental platform

載物臺(tái)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(cè)物采用125mm×125mm的單晶硅電池片，視場(chǎng)為140mm，要求檢測(cè)精度小于0．20mm，故感光芯片的寬度W′需大于140／0．20＝700個(gè)像素點(diǎn)，因此選用130萬(wàn)像素的黑白CCD相機(jī)．本文選用的CCD相機(jī)型號(hào)為北京維視數(shù)字圖像技術(shù)有限公司的 MVC1000MF USB2．0接口CCD工業(yè)相機(jī)，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(xué)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(jī)匹配的鏡頭需滿足四個(gè)條件：焦距、視場(chǎng)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(chǎng)寬度．由D＝250mm，W′＝4．8mm，W＝140 mm，按式（1）計(jì)算可得f＝8．57mm．

2）視場(chǎng)角θ的選擇

由直角三角形可知

式中：D＝250mm；W＝140mm．故視場(chǎng)角要大于43．6°．

3）像面尺寸及接口類型匹配

由于CCD相機(jī)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(chǎng)角 54．6°、相對(duì)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(tái)背面，采取背光式；②放置在鏡頭上的環(huán)形光源．

2 實(shí)驗(yàn)方法及原理

本文太陽(yáng)能電池片主柵線提取的主要流程圖及實(shí)現(xiàn)方法如圖3所示．

2．1 相機(jī)標(biāo)定

相機(jī)標(biāo)定流程圖如圖4所示．相機(jī)標(biāo)定是計(jì)算機(jī)視覺(jué)系統(tǒng)不可缺少的前提和基礎(chǔ)部分［1］，本文采用張正友平面標(biāo)定法，指在自標(biāo)定與傳統(tǒng)標(biāo)定之間的一種妥協(xié)方法，考慮了鏡頭畸變及對(duì)高精度的設(shè)備沒(méi)有特殊要求，比自標(biāo)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(jī)標(biāo)定流程圖Fig．4 Flow chart of camera calibration

軟件采用CVUT庫(kù)環(huán)境，此環(huán)境可以通過(guò)調(diào)用OpenCV開(kāi)源圖像處理算法庫(kù)在基礎(chǔ)算法上迅速開(kāi)始工作，且可以縮短應(yīng)用程序的開(kāi)發(fā)周期，消除C語(yǔ)言編程中常見(jiàn)的內(nèi)存泄漏問(wèn)題［6］．求得畸變系數(shù)和攝像機(jī)內(nèi)參數(shù)后，可用圖像矯正函數(shù)cvUndistort2來(lái)進(jìn)行矯正．

相機(jī)標(biāo)定原理如圖5所示．

圖5 攝像機(jī)標(biāo)定原理圖Fig．5 Principle diagram of the camera calibration

確定空間平面的三維點(diǎn)M與攝像機(jī)平面二維點(diǎn)的映射，首先假設(shè)空間平面位于世界坐標(biāo)系中三維點(diǎn)的齊次坐標(biāo)M·＝［X，Y，0，1］T與相機(jī)平面位于相機(jī)坐標(biāo)系中二維點(diǎn)的齊次坐標(biāo)m·＝［u，v，1］T，在不同方向通過(guò)對(duì)定標(biāo)板多次（三次以上）完整拍照且不需要知道定標(biāo)板的運(yùn)動(dòng)方式，可直接獲得該相機(jī)的內(nèi)參矩陣和畸變系數(shù)，算法是選取平面標(biāo)定，故坐標(biāo)軸Z＝0．

空間中點(diǎn)的映射為

式中：s為縮放因子；R為旋轉(zhuǎn)矩陣；t為平移矩陣；A為相機(jī)內(nèi)參矩陣；α和β分別為像素坐標(biāo)系中U軸和V軸的尺度因子；γ為扭曲參數(shù)；大多數(shù)標(biāo)準(zhǔn)相機(jī)γ＝0，u0和v0為光學(xué)中心主點(diǎn)的坐標(biāo)．將式（3）簡(jiǎn)化為

其中H為單應(yīng)性矩陣，描述空間平面三維點(diǎn)和攝像機(jī)平面二維點(diǎn)之間的關(guān)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(biāo)點(diǎn)后有

因?yàn)檫x取的是平面標(biāo)定令Z＝0，所以旋轉(zhuǎn)向量只有r1和r2，旋轉(zhuǎn)矩陣R和平移矩陣t是每幅圖像對(duì)應(yīng)的外參數(shù)，空間平面的三維點(diǎn)可通過(guò)已知的棋盤(pán)格圖像獲取，攝像機(jī)平面的二維點(diǎn)可通過(guò)棋盤(pán)格的角點(diǎn)提取獲得，所以每張圖片都可以算出一個(gè)單應(yīng)性矩陣H．

由式（5）可知

由式（8）可求解出相機(jī)的內(nèi)參，因?yàn)閮?nèi)參矩陣有5個(gè)未知量但每張圖片只可列出2個(gè)內(nèi)參約束方程，故要求解5個(gè)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(duì)相機(jī)的內(nèi)參評(píng)價(jià)越準(zhǔn)確．

得到內(nèi)參矩陣后，即可根據(jù)內(nèi)參矩陣A（式（3））算出每幅圖像對(duì)應(yīng)的外參數(shù)．由初始參數(shù)將每張圖像中的已知點(diǎn)根據(jù)求解出的內(nèi)外參數(shù)重新投影回世界坐標(biāo)系，通過(guò)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(jì)內(nèi)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(xì)分算法

本文圖像處理系統(tǒng)應(yīng)用于在線檢測(cè)中，故要求算法的準(zhǔn)確性好，計(jì)算量小，用時(shí)較短，故采用多項(xiàng)式插值細(xì)分算法．像素級(jí)精度粗定位，選用Sobel算子由原始圖像f（i，j）計(jì)算梯度圖像R（i，j）．

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

式中：yi為函數(shù)值；xi為插值基點(diǎn)．

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

若式（13）和式（14）同時(shí)成立，則上述多項(xiàng)式插值細(xì)分算法的邊緣定位精度可達(dá)0．1個(gè)像素［4］．

2．3 掉角缺陷檢測(cè)

電池片的缺陷檢測(cè)是將不合格的剔除，從而提高光伏組件的光電轉(zhuǎn)換率，這里本課題主要檢測(cè)的缺陷是宏觀缺陷，即掉角問(wèn)題．將預(yù)處理后的電池片檢測(cè)其掉角問(wèn)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(zhǎng)直線L1、L2、L3、L4，8個(gè)頂點(diǎn)分別為D1、D2、D3、D4、D5、D6、D7、D8，及四條擬合直線的交點(diǎn)P1、P2、P3、P4，具體示意圖如圖6所示．

圖6 掉角缺陷檢測(cè)示意圖Fig．6 Corner defect detection schemes

圖6中L4、L1的交點(diǎn)為P1；L1、L2的交點(diǎn)為P2；L2、L3的交點(diǎn)為P3；L3、L4的交點(diǎn)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(cè)目標(biāo)，R1的坐標(biāo)若為（i，j），P1到線段D8D1的距離必定在（0，R］之間，若測(cè)得的R1在此距離之間說(shuō)明該角未掉落．

3 實(shí)驗(yàn)結(jié)果及分析

3．1 相機(jī)標(biāo)定結(jié)果

由拍攝的20幅棋盤(pán)格圖像選取其中7幅平均誤差較小的樣品，得到了相機(jī)的內(nèi)參，標(biāo)定結(jié)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(biāo)定結(jié)果定標(biāo)誤差見(jiàn)表1．

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

則實(shí)際的視場(chǎng)寬度W為

由視場(chǎng)寬度可得每個(gè)像素代表的實(shí)際距離為

平均誤差σ為0．67pixel，精度為0．09mm，小于0．2mm，滿足設(shè)計(jì)要求．

圖7 標(biāo)定結(jié)果Fig．7 Calibration results

表1 圖像定標(biāo)誤差Tab．1 Image calibration error

3．2 電池片幾何信息

對(duì)圖像做預(yù)處理后，由亞像素細(xì)分算法進(jìn)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(jí)粗定位使用Soble算子，細(xì)定位使用多項(xiàng)式插值細(xì)分算法，程序運(yùn)行時(shí)間為0．3s．

對(duì)圖8得到的圖像進(jìn)行Hough變換及主柵線的下邊緣位置的定位，并用線Ⅰ標(biāo)記，由Hough變換找到電池片下邊緣輪廓的直線，通過(guò)程序返回其縱坐標(biāo)的像素值，則實(shí)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(gè)像素的實(shí)際距離．

當(dāng)電池片傾斜時(shí)，定位下主柵線并返回端點(diǎn)的坐標(biāo)值，可用程序計(jì)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(biāo)為708pixel，線Ⅱ輪廓下邊緣為891pixel，則實(shí)際距離

3．3 缺陷檢測(cè)

實(shí)驗(yàn)拍攝了一張掉角的電池片如圖9所示，圖9（a）是CCD相機(jī)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(guò)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(diǎn)的像素坐標(biāo)，由2．3節(jié)可知，四條邊緣線段中兩兩直線的交點(diǎn)，到電池片角邊的距離可判斷其是否掉角，檢測(cè)結(jié)果如圖10所示．

圖10 檢測(cè)結(jié)果Fig．10 Detection result

由檢測(cè)結(jié)果可知，程序運(yùn)行時(shí)間為0．09s，R1＝110．646 961個(gè)像素，則實(shí)際距離為110．64×0．14mm＝15．50mm．

4 結(jié) 論

1）采用機(jī)器視覺(jué)標(biāo)定方法，提出了一種降低相機(jī)像素且滿足精度要求的亞像素邊緣提取法，標(biāo)定誤差小于1pixel，實(shí)驗(yàn)測(cè)量精度小于0．20mm．

2）電池片的幾何測(cè)量采用亞像素邊緣檢測(cè)法及Hough變換是可行的，可降低相機(jī)像素，其提取圖象清晰定位準(zhǔn)確，程序用時(shí)小于0．5s，在200 mm×200mm的載物臺(tái)范圍內(nèi)可實(shí)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(diǎn)的像素坐標(biāo)，可由四條邊緣線段中兩兩直線的交點(diǎn)，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(jié)果檢測(cè)為不合格電池片并予以剔除．

4）在缺陷檢測(cè)中還有許多種微觀缺陷需要解決，如主、細(xì)柵線的斷裂及隱裂、電池片穿孔問(wèn)題等，在工業(yè)生產(chǎn)中，微觀缺陷同樣會(huì)導(dǎo)致太陽(yáng)能電池片的光電轉(zhuǎn)換效率降低，因此之后還需進(jìn)一步研究微觀缺陷檢測(cè)．

［1］ 全厚德，閆守成，張洪才．計(jì)算機(jī)視覺(jué)中攝像機(jī)標(biāo)定精度評(píng)估方法［J］．測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，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(jī)器視覺(jué)的太陽(yáng)能電池片位置誤差檢測(cè)［J］．機(jī)械制造與自動(dòng)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(xiàng)式插值改進(jìn)的亞像素細(xì)分算法［J］．北京科技大學(xué)學(xué)報(bào)，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(cè)的亞像素細(xì)分算法綜述［J］．計(jì)算機(jī)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(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)［M］．北京：科學(xué)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．