基于人工神經(jīng)網(wǎng)絡(luò)的太陽能電池片表面質(zhì)量檢測系統(tǒng)

伍李春, 劉明周, 蔣倩男, 葛茂根, 凌 琳

(合肥工業(yè)大學(xué) 機械工程學(xué)院,安徽 合肥 230009)

基于人工神經(jīng)網(wǎng)絡(luò)的太陽能電池片表面質(zhì)量檢測系統(tǒng)

伍李春, 劉明周, 蔣倩男, 葛茂根, 凌 琳

(合肥工業(yè)大學(xué) 機械工程學(xué)院,安徽 合肥 230009)

針對依賴人工進行太陽能電池片表面質(zhì)量檢測時效率和精度低的問題,文章提出了基于機器視覺以及人工神經(jīng)網(wǎng)絡(luò)的太陽能電池片表面質(zhì)量檢測方法。將表面缺陷分為外形缺陷、顏色缺陷、裂紋以及絲印線路缺陷4類,基于模板匹配檢測外形缺陷,基于HIS空間下的顏色直方圖檢測顏色缺陷;針對細(xì)微性缺陷容易受噪聲影響的特點,利用2類人工神經(jīng)網(wǎng)絡(luò)進行斷柵檢測,并對這2類神經(jīng)網(wǎng)絡(luò)進行比較。大量實驗結(jié)果驗證了上述方法能夠準(zhǔn)確、快速地檢測出太陽能電池片表面缺陷。

缺陷檢測;機器視覺;人工神經(jīng)網(wǎng)絡(luò);正則化徑向基函數(shù)(RBF)網(wǎng)絡(luò);學(xué)習(xí)向量化(LVQ)網(wǎng)絡(luò)

隨著化石能源逐漸走向衰竭,太陽能作為一種清潔能源得到了飛速發(fā)展,同時,硅太陽能電池片的產(chǎn)量也迅速增長。太陽能電池片的表面質(zhì)量不僅影響其自身的發(fā)電效率和可用壽命,而且表面缺陷還會造成太陽能模塊在后續(xù)使用中的電氣故障[1]。因此,在太陽能電池片制造過程中,其表面質(zhì)量的檢測顯得尤為重要。

目前,絕大多數(shù)的太陽能電池生產(chǎn)廠家仍依賴電子顯微鏡進行視覺判斷[2]。人工視覺檢測屬于接觸性檢測,不僅在檢測的過程中帶來二次損傷,同時也會由于疲勞、經(jīng)驗等引起人為誤差,降低檢測的精度[3]?；跈C器視覺的缺陷檢測具有以下特點:① 能夠自動控制檢測過程;② 檢測的速度快、精度高;③ 具有非接觸的特點。因此,太陽能電池片缺陷檢測更適合采用基于機器視覺的自動檢測方式。

文獻(xiàn)[2]通過擬合直線和圓進行外形尺寸測量和外形破損檢測,并采用多模板匹配和差影法實現(xiàn)絲印缺陷檢測;但該方法的檢測效率較低,且只能判斷缺陷的有無,不能對缺陷進行分類。文獻(xiàn)[4]提出了基于魯棒主成分分析(robust principle component analysis,RPCA)的太陽能電池片表面缺陷檢測方法,將圖像矩陣進行變換,使之分解成無缺陷的低秩矩陣圖像和有缺陷的稀疏矩陣圖像,通過凸優(yōu)化的方法求出最優(yōu)解,進而判斷太陽能電池片是否存在缺陷;該方法能夠準(zhǔn)確地檢測出裂紋缺陷以及缺角缺陷,但不能準(zhǔn)確地檢測出絲印缺陷。文獻(xiàn)[5]提出了基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法,首先根據(jù)樣本特征建立深度置信網(wǎng)絡(luò)(deep belief network,DBN),并通過網(wǎng)絡(luò)訓(xùn)練以及反向傳播 (back propagation,BP)算法獲取網(wǎng)絡(luò)參數(shù),得到訓(xùn)練樣本到無缺陷模板之間的映射關(guān)系,然后利用重構(gòu)圖像與缺陷圖像之間的對比關(guān)系,實現(xiàn)測試樣本的缺陷檢測;應(yīng)用該方法對低像素圖片進行檢測,可以得到較優(yōu)的檢測結(jié)果,且檢測速度較快,但在實際應(yīng)用中,因為細(xì)微型缺陷在高精度相機下才能顯現(xiàn)出來,所以待檢測的圖片一般都為百萬像素級,這對DBN的網(wǎng)絡(luò)訓(xùn)練形成很大挑戰(zhàn)。

基于上述檢測方法的缺陷和不足,本文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的太陽能電池片表面缺陷檢測方法;該方法不僅能夠從低像素圖片中檢測出一般缺陷并對缺陷進行分類,而且能夠快速地處理高像素圖片并進行細(xì)微型缺陷檢測。

1 太陽能電池片表面缺陷的種類

依據(jù)太陽能電池片表面缺陷的特點[6],同時便于檢測算法的設(shè)計,本文將表面缺陷分為外形缺陷、顏色缺陷、裂紋以及絲印線路缺陷4類。其中,外形缺陷表現(xiàn)為電池片的外形尺寸或特征與標(biāo)準(zhǔn)電池片存在差異,包含表面彎曲、外形破損等;顏色缺陷表現(xiàn)為電池片的主體顏色偏離藍(lán)色、深藍(lán)色或電池片上有明顯的臟污痕跡或顏色突變區(qū)域,包含色差、表面臟污、斑點、漏漿等;裂紋是指在電池片上有1個或1個以上的裂紋、裂痕;絲印線路缺陷表現(xiàn)為電池片的柵線或電極線存在部分缺失或偏離正確位置,包含斷柵、柵線變厚、變薄。常見缺陷的具體形態(tài)如圖1所示。

圖1 常見的多晶硅太陽能電池片表面缺陷

2 基于機器視覺的缺陷檢測

本文依據(jù)不同類型表面缺陷的特征,選擇不同精度的相機并設(shè)計適合該類型缺陷的檢測算法。首先,由低精度相機獲取一張?zhí)柲茈姵仄牡拖袼貓D片,并判斷該圖片是否包含外形缺陷、顏色缺陷或裂紋缺陷;然后通過高精度相機獲取該太陽能電池片的高像素圖片,并檢測該圖片是否包含斷柵缺陷。本文規(guī)定數(shù)字圖像中太陽能電池片所在區(qū)域為目標(biāo)區(qū)域,并將柵線定義為目標(biāo)前景,將藍(lán)色區(qū)域定義為目標(biāo)背景。基于機器視覺的太陽能電池片表面質(zhì)量檢測算法流程如圖2所示。

在圖像獲取、傳輸?shù)冗^程中,常常由于噪聲干擾使圖片的質(zhì)量變差[7]。因此,本文首先應(yīng)用圖像增強技術(shù)對原始圖像進行預(yù)處理,運用平滑技術(shù)消減噪聲,提高圖像信噪比。但是圖像的平滑過程會導(dǎo)致圖像模糊,為了消除圖像模糊,需要先將濾波結(jié)果經(jīng)銳化后,再采用3×3模板進行平均值平滑處理。同時,為了方便圖像處理算法的后續(xù)設(shè)計,還應(yīng)運用圖像分割技術(shù)從改善后的圖像中提取目標(biāo)。首先,基于直方圖形狀分析進行閾值檢測;然后利用最優(yōu)閾值化方法[8]分割太陽能電池板與黑色背景,得出只包含太陽能電池板的感興趣區(qū)域(region of interest,ROI)。

2.1 外形缺陷檢測

外形檢測只關(guān)注太陽能電池片的邊緣特征,這些特征可以由圖像灰度的變化來表示,因此為了減少圖像處理過程中的運算量,應(yīng)先對分割后的圖像作二值化處理。本文采用基于形狀模板匹配的改進算法[9]進行外形檢測。將待檢測圖像的ROI與標(biāo)準(zhǔn)模板配準(zhǔn),得到點的匹配分?jǐn)?shù);再將其與閾值分?jǐn)?shù)比較,若匹配分?jǐn)?shù)大于閾值分?jǐn)?shù),則判定產(chǎn)品外形合格,否則判定產(chǎn)品存在外形缺陷。

2.2 顏色缺陷以及裂紋缺陷檢測

HIS顏色空間與人的視覺系統(tǒng)保持一致,而且對顏色的描述比RGB要簡單,因此本文基于目標(biāo)背景的HIS空間顏色特征進行顏色檢測。

首先,將無缺陷的樣本圖像進行二值化處理,通過閾值分割提取目標(biāo)前景,并將圖像的ROI和目標(biāo)前景配準(zhǔn)后進行減影操作,進而得到只包含目標(biāo)背景(即太陽能電池片的藍(lán)色區(qū)域)的RGB圖,該處理過程的局部放大圖如圖3所示。

圖3 減影操作處理結(jié)果的局部放大圖

然后,將大量無缺陷的太陽能電池片的目標(biāo)背景圖轉(zhuǎn)換到HIS顏色空間,得到藍(lán)色區(qū)域的H、I、S值,并依據(jù)顏色直方圖確定每一個分量的閾值,H、I、S的閾值范圍見表1所列;最終,將待檢測圖像的目標(biāo)背景的RGB圖轉(zhuǎn)換到HIS顏色空間下,并對每個像素點進行搜索,若像素點的H、I、S值均在閾值范圍內(nèi),則該點為有效點,并將有效點占總像素點的百分比與閾值比較,判斷是否存在顏色缺陷。而裂紋缺陷檢測,只需將目標(biāo)背景的RGB圖進行閾值分割即可直接獲取裂紋區(qū)域。

表1 太陽能電板目標(biāo)背景顏色閾值范圍

2.3 斷柵檢測

由太陽能電池片的圖像(圖1)可知,斷柵在圖像上表現(xiàn)為柵線不連續(xù),且柵線的灰度值較高,斷開區(qū)域的灰度值較低。因此在圖像上可以從柵線的上端向下端掃描,若某點的灰度值小于設(shè)定的閾值,則該點為缺陷點;若與該點相鄰的缺陷點數(shù)量大于設(shè)定的缺陷點的最低數(shù)量,則認(rèn)為是斷柵缺陷。

圖像信號在產(chǎn)生、傳輸和記錄過程中,經(jīng)常會受到各種噪聲的干擾,在圖像上呈現(xiàn)出黑白雜點,白點為高灰度噪聲,黑點屬于低灰度噪聲。當(dāng)噪聲點落到柵線位置時,僅依靠上述方法進行斷柵缺陷檢測,容易將黑色噪聲點誤識別為斷柵。本文應(yīng)用正則化徑向基函數(shù)(radial basis function,RBF)網(wǎng)絡(luò)和學(xué)習(xí)向量化(learning vector quantization,LVQ)網(wǎng)絡(luò)2類人工神經(jīng)網(wǎng)絡(luò)來剔除錯分點,提高檢測結(jié)果的準(zhǔn)確率。

(1) 正則化RBF網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)具有N個輸入節(jié)點,P個隱節(jié)點,l個輸出節(jié)點;網(wǎng)絡(luò)的隱節(jié)點數(shù)等于輸入樣本數(shù),將所有輸入樣本設(shè)為RBF的中心,各RBF取統(tǒng)一的拓展常數(shù)。正則化RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 正則化RBF網(wǎng)絡(luò)結(jié)構(gòu)

圖4中,X=[x1x2…xN]T為輸入向量;φj(X)(j=1,2,…,P)為任一隱節(jié)點的激活函數(shù),稱為“基函數(shù)”,一般選用Gauss函數(shù);W為輸入權(quán)值矩陣,其中wjk(j=1,2,…,P;k=1,2,…,l)為隱層第j個節(jié)點與輸出層第k個節(jié)點間的突觸權(quán)值;Y=[y1y2…yl]T為網(wǎng)絡(luò)輸出;輸出層神經(jīng)元采用線性激活函數(shù)。

(2) LVQ網(wǎng)絡(luò)。LVQ網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示,由輸入層、競爭層和輸出層神經(jīng)元組成。

圖5 LVQ網(wǎng)絡(luò)

輸入層有n個神經(jīng)元接受輸入向量,與競爭層之間完全連接;競爭層有m個神經(jīng)元,分為若干組并呈一維線陣排列;輸出層每個神經(jīng)元只與競爭層中的一組神經(jīng)元連接,連接權(quán)值固定為1。在LVQ網(wǎng)絡(luò)的訓(xùn)練過程中,輸入層和競爭層之間的權(quán)值被逐漸調(diào)整為聚類中心。

(3) 斷柵缺陷圖像的特征提取。斷柵與黑色噪聲點如圖6所示。

通過比較斷柵與黑色噪聲點的圖像特征可知,斷開區(qū)域為藍(lán)色區(qū)域,其灰度值大于黑色噪聲點的灰度值,小于柵線的灰度值。因此,斷柵區(qū)域與黑色噪聲點區(qū)域的灰度特征不同,且該類特征向量可作為神經(jīng)網(wǎng)絡(luò)的輸入向量。

圖6 斷柵與黑色噪聲點

缺陷區(qū)域像素點集合用Ω表示,計算以下4個參數(shù),具體如下:

(1)

(2)

R=max(zi)-min(zi)

(3)

(4)

其中,μ、δ2、R、e分別為點集Ω中像素點灰度的均值、方差、極值、熵;n為點集Ω中像素點的個數(shù);zi為每個像素點的灰度;p(zi)為灰度zi在點集Ω中的概率。

將這4個參數(shù)作為缺陷區(qū)域的特征向量,并將其輸入到BPN和LVQ網(wǎng)絡(luò)學(xué)習(xí),進而判斷該缺陷區(qū)域是否為斷柵區(qū)域。

3 缺陷檢測的實現(xiàn)

該缺陷檢測系統(tǒng)運行在C#平臺上,包括CCD彩色相機(低精度相機:DH MER-030-120UM/UC 1/4“656×492;高精度相機:DH Manta G-609 1” Sony ICX694 2752×2206)、光源(DH LER2-90SW2)、PC機(OS:Windows 7 64 bit;CPU:Intel Core i5-3337U;RAM: 6 GB) 3個基本硬件。在缺陷自動檢測之前,應(yīng)由有經(jīng)驗的工人對每張?zhí)柲茈姵仄M行檢測,并將人工檢測結(jié)果作為正確結(jié)果用于系統(tǒng)驗證。

為了驗證本文算法的正確性,首先選取一批廢品率較高的600幅像素為656×492的太陽能電池片圖像,其中包含外形缺陷、顏色缺陷以及裂紋缺陷的圖像各200幅。

外形、顏色以及裂紋缺陷的檢測結(jié)果見表2所列。

表2 外形、顏色以及裂紋缺陷檢測結(jié)果

600張圖像檢測所需時間為43.57 s,平均每張檢測時間為0.072 6 s。通過應(yīng)用RBF和LVQ網(wǎng)絡(luò)判斷高像素圖片中是否包含斷柵缺陷,并對這2類神經(jīng)網(wǎng)絡(luò)的實驗結(jié)果進行比較。

在進行實驗驗證之前,需要對2類神經(jīng)網(wǎng)絡(luò)進行網(wǎng)絡(luò)訓(xùn)練,選取400幅高像素圖片(200幅只包含斷柵缺陷,200幅只包含黑色噪聲點)作為訓(xùn)練樣本。為檢驗2類神經(jīng)網(wǎng)絡(luò)的識別效果,再選取600個樣本作為測試集(人工檢測結(jié)果為400幅只包含斷柵缺陷,200幅只包含黑色噪聲點)。

(1) 正則化RBF的網(wǎng)絡(luò)訓(xùn)練與參數(shù)選擇。由于點集Ω有4個特征參數(shù),故輸入層節(jié)點數(shù)應(yīng)為4;輸出層節(jié)點數(shù)選為2,對應(yīng)類別編碼為(1,0)和(0,1)。計算機程序用Matlab編寫,用Solverb函數(shù)訓(xùn)練網(wǎng)絡(luò),輸出結(jié)果的判定閾值設(shè)為0.5。通過多次訓(xùn)練比較,可以得出目標(biāo)誤差為0.01且RBF的分布常數(shù)(speed constant,SC)為5時正確識別率可以達(dá)到最大值98.57%,對應(yīng)的均方根誤差最低,值為0.257 9。因此,選定目標(biāo)誤差為0.01,SC為5。

(2) LVQ的網(wǎng)絡(luò)設(shè)計與網(wǎng)絡(luò)訓(xùn)練。

輸入層設(shè)計:與正則化RBF相同,樣本輸入維數(shù)為4。

競爭層設(shè)計:在競爭層中所需的神經(jīng)元數(shù)與訓(xùn)練樣本的類別數(shù)及訓(xùn)練樣本數(shù)有關(guān)。由于輸出結(jié)果分為2類,故在競爭層神經(jīng)元必須大于2個,否則不能正常識別。同時訓(xùn)練樣本數(shù)為400個,故在競爭層神經(jīng)元數(shù)不宜多于400個,原因在于競爭層神經(jīng)元過多,不僅影響網(wǎng)絡(luò)的訓(xùn)練速度,而且易產(chǎn)生“死”神經(jīng)。此處節(jié)點數(shù)設(shè)計為40個。

輸出層設(shè)計:由于輸出結(jié)果分為2類,將輸出層節(jié)點數(shù)設(shè)為2。

W的權(quán)值由計算機隨機產(chǎn)生一個2行40列的矩陣。W根據(jù)上述LVQ網(wǎng)絡(luò)學(xué)習(xí)算法進行修正,直到400個訓(xùn)練樣本全部正確劃分。

最后,將測試集中600個樣本輸入到設(shè)計好的2類神經(jīng)網(wǎng)絡(luò)分類器中進行測試。正則化RBF分類器和LVQ分類器的比較結(jié)果見表3所列。由表3可知,正則化RBF分類器需要花費較長的計算時間,但其具有較好的識別效果。

表3 正則化RBF分類器和LVQ分類器的測試結(jié)果比較

本文方法與基于RPCA的檢測方法和基于深度學(xué)習(xí)的檢測方法的對比結(jié)果如下：

(1) 基于RPCA的檢測方法,平均每張圖片的檢測時間為2.21 s,計算速度低于本文方法(平均每張檢測時間最長為0.179 6 s)。而改進的RPCA通過降低低秩矩陣圖像清晰度,使得平均每張檢測時間減低為0.2 s,其計算速度仍低于本文方法。

(2) 基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法,平均每張圖片的檢測時間為0.151 s,其計算速度高于本文方法。但是該檢測方法的檢測對象是低像素圖片,利用該方法可以檢測出低像素圖片的外形缺陷、顏色缺陷以及裂紋缺陷,而細(xì)微型缺陷在高像素的圖片中才能顯現(xiàn)出來,因此針對斷柵等細(xì)微型缺陷該方法不具有較好的檢測效果。本文方法能夠較快地檢測出太陽能電池片表面的細(xì)微缺陷,利用LVQ神經(jīng)網(wǎng)絡(luò)進行檢測時,平均每張圖片的計算時間為0.083 s;利用RBF神經(jīng)網(wǎng)絡(luò)進行檢測時,平均每張圖片的計算時間為0.107 s。

4 結(jié) 論

從檢測太陽能電池片表面缺陷的實驗可知,在對低像素圖片進行外形缺陷檢測、顏色缺陷檢測以及裂紋缺陷檢測時,本文方法不僅具有較高的準(zhǔn)確率,而且具有較快的計算速度。針對斷柵這一細(xì)微型缺陷,本文通過訓(xùn)練正則化RBF和LVQ 2類分類器來檢測高像素圖像中是否包含該缺陷。正則化RBF分類器的正確識別率能夠達(dá)到98.57%,計算時間為0.107 s;LVQ分類器的正確識別率能夠達(dá)到92.85%,計算時間為0.083 s?；赗BF神經(jīng)網(wǎng)絡(luò)檢測方法花費的時間較長,但其具有較好的檢測效果,因此,本文將正則化RBF分類器用于缺陷檢測系統(tǒng)中。

本文提出了一種基于機器視覺以及人工神經(jīng)網(wǎng)絡(luò)的太陽能電池片檢測系統(tǒng),能夠?qū)崿F(xiàn)制造過程中太陽能電池片常見表面缺陷的檢測,降低了相關(guān)的人力成本、增加了檢測的可靠性和速度。該系統(tǒng)依靠上述檢測算法流程不僅可以準(zhǔn)確地識別出一般缺陷并對缺陷進行分類,而且能夠較好地檢測出斷柵等細(xì)微型缺陷。為了使該系統(tǒng)在工廠中被更廣泛地應(yīng)用,在對太陽能電池片的表面缺陷檢測研究的基礎(chǔ)上,還應(yīng)對太陽能電池片的電致發(fā)光圖像識別進行深入研究,進而識別出電池片的隱裂、黑心等內(nèi)部缺陷,并將內(nèi)部缺陷檢測功能加到該系統(tǒng)中,不斷完善該系統(tǒng)的功能。

[1] TSAI D M,CHANG C C,CHAO S M.Micro-crack inspection in heterogeneously textured solar wafers using anisotropic diffusion[J].Image and Vision Computing,2010,28(3):491-501.

[2] 張舞杰,李迪,葉峰.硅太陽能電池視覺檢測方法研究[J].計算機應(yīng)用,2010,30(1):249-252.

[3] SUN T H,TIEN F C,TIEN F C,et al.Automated thermal fuse inspection using machine vision and artificial neural networks[J].Journal of Intelligent Manufacturing,2016,27(3):639-651.

[4] 姚明海,李潔,王憲保.基于RPCA的太陽能電池片表面缺陷檢測[J].計算機學(xué)報,2013,36(9):1943-1952.

[5] 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.

[6] 桑野幸德.太陽電池及其應(yīng)用[M].鐘伯強,馬英仁,譯.北京:科學(xué)出版社,1990.

[7] SONCA M,HLAVAC V,BOYLE R.圖像處理、分析與機器視覺[M].艾海舟,蘇延超,譯.3版.北京:清華大學(xué)出版社,2011.

[8] GONZALEZ R C,WOODS R E..Digital image processing [M].2nd.Boston: Addison-Wesley Longman Publishing Co.Inc.,2010.

[9] 張代林,陳文廣,謝經(jīng)明,等.基于形狀模板匹配的印刷品缺陷檢測[J].機械與電子,2013(12):40-43.

Solarcellsurfacequalitydetectionsystembasedonartificialneuralnetwork

WU Lichun, LIU Mingzhou, JIANG Qiannan, GE Maogen, LING Lin

(School of Mechanical Engineering, Hefei University of Technology, Hefei 230009, China)

For the low efficiency and precision problem of solar cell surface test relying on manual labor, a method of the solar cell surface detection based on machine vision and artificial neural network is raised. Surface defects are firstly divided into four categories, including appearance defects, color defects, cracks and defects of screen printing line. Then the appearance defects are detected based on template matching and the color detection is realized according to the image of color histogram on HIS space. Finally, for the characteristics of small defects which are easily affected by noise, two types of artificial neural networks are used to detect the broken gate and the two networks are compared. The experimental results show that the presented method can accurately and quickly detect the solar cell surface defects.

defect detection; machine vision; artificial neural network; regularized radial basis function(RBF) network; learning vector quantization(LVQ) network

2016-06-20；

2016-08-29

安徽省科技攻關(guān)計劃資助項目(1604a0902182)

伍李春(1978-),男，安徽潛山人，合肥工業(yè)大學(xué)助理研究員；

劉明周(1968-),男,安徽六安人,博士,合肥工業(yè)大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2017.09.006

TP391

A

1003-5060(2017)09-1176-06

(責(zé)任編輯 胡亞敏)