多特征融合的太陽能電池片缺陷檢測

賴天舒，劉懷廣，湯 勃，周詩洋

（1.武漢科技大學 冶金裝備及其控制教育部重點實驗室，湖北 武漢，430081；2.武漢科技大學 機械傳動與制造工程湖北省重點實驗室，湖北 武漢，430081；3.武漢科技大學 精密制造研究院，湖北 武漢，430081）

引言

近年來，晶體太陽能電池片隨著光伏產業(yè)的快速發(fā)展而廣泛應用。但在其生產過程中出現的破片、電池片隱裂、表面污染及電極接觸不良等問題，會嚴重影響太陽能電池片的光電轉換效率和使用壽命[1]。在實際生產中，鑒于太陽能電池片脆性與易碎性高，目前主要以非接觸的方式進行視覺檢測[2]。而檢測方案主要以人工目測為主，人工目測的優(yōu)點是檢測準確率高，但人工成本較高，效率低下且工作內容乏味，而且需要依靠個人的經驗常識進行判斷，檢測標準因人而異，很難形成統(tǒng)一的標準而達到客觀的結果。對于機器視覺檢測方法來說，檢測效率高，但不同檢測模型的檢測準確率和速率不同，因此探索更加準確和高效的檢測方案尤為重要。太陽能電池片機器視覺檢測方法的成像方案有兩種，分別為電致發(fā)光成像（electroluminescence,EL）與光致發(fā)光成像（photoluminescence,PL）。光致發(fā)光是指太陽能電池片吸收了另一個光源后，自身散發(fā)出光子的過程。

對于太陽能電池片缺陷機器視覺檢測方法而言，陶志勇等人利用支持向量機即SVM 算法提取Gabor 特征，對太陽能電池片EL 圖像裂縫缺陷進行檢測[3]，其效果顯著，準確率可達99.33%。但上述方法僅針對裂縫特征進行了識別，而未能對太陽能電池片存在的黑斑、線隱、枝隱等缺陷進行檢驗。SPATARU S 和BASTARI A 等人采用匹配濾波器法與紋理分析法等檢測太陽能電池板的缺陷[4-5]，但其適應性較差，當缺陷位置比較隨機或者缺陷形狀不固定時，其方案檢測效果較弱。張鵬娟等人提出使用POS-RBFNN 的分類器，該方法用粒子群算法改進的徑向基函數支持向量機對太陽能電池片缺陷進行學習，以對太陽能電池片的缺陷進行檢測[6]。該方法對大缺陷檢測的效果良好，但對微小缺陷的檢測效果較差，另外，該方法無法通過缺陷的位置對其進行定位。此外，有學者將深度神經網絡算法應用到太陽能電池片缺陷的檢測當中。如王延年等人提出了一種基于改進的U-net 缺陷檢測方法[7]，該方法引入了密集連接[8]和雙注意力機制[9]，通過注意力機制加強對關鍵信息的提?。恢芊f等人構建了一種改進的CNN 網絡對太陽能電池片的缺陷進行檢測[10]，主要是通過調整模型深度和寬度來加強特征的提取，以及評估核大小對識別結果帶來的影響。實驗表明，改進CNN 模型的深度和寬度能有效改進太陽能電池片缺陷識別率，但是在實際應用中，深度學習方法需要大量的數據集，這會在實際應用中受到一定限制。

綜上所述，雖然目前眾多學者針對太陽能電池片缺陷的檢測方法已進行了較為深入的研究，但太陽能電池片的檢測依然無法以更高的檢測精度和檢測速度完成，以及完全脫離人為干預。為此，本文在上述研究的基礎上，首先根據太陽能電池片的缺陷特點與檢測要求，選用二值化圖像對ROI區(qū)域進行分割定位；然后通過提取其低維的形狀特征與高維的HOG 特征進行融合識別；最后將帶有缺陷的圖像進行檢測，最高準確率可達98.3%，實現了脫離人工干預的自動識別。

1 太陽能電池片成像及圖像增強

1.1 基于光致發(fā)光的太陽能電池片成像

為了達到光子躍遷的能量，目前的激發(fā)器主要依靠高能激光發(fā)出1 150 nm 左右的紅外光。同時，為避免雜波的影響，要利用偏振片進行過濾。照相機一般選用窄波紅外相機，其像素為300 萬，總流程是將圖1（a）太陽能電池片原件放入傳送帶，經光致發(fā)光和相機圖像采集后可得到圖1（b）PL 圖像，其檢測平臺總體搭建如圖1 所示。

圖1 半硅片PL 成像原理Fig.1 Schematic diagram of semi-silicon PL imaging

為了提高太陽能電池片（以下簡稱“電池片”）的電流匯聚速度，一般需要在電池片的基片上進行激光打孔。但如此操作，在可提高電流轉移效率的同時，也給電池片帶來了破損隱患，電池片的細微隱裂會導致其缺陷向晶界方向擴展，輕則導致熱斑，重則導致電池片區(qū)域性失效，都會減少電池片的使用壽命。此外，在電池片制造過程中，激光孔在PL 成像時沒有離子激發(fā)，在圖像中會呈現黑色的角點形狀，而缺陷也會因離子弱化呈現暗紋黑斑，黑斑也會對電子轉移造成影響，導致光電轉化效率變低。最嚴重的劃痕缺陷則會導致電池片的開路性破碎，使電池片徹底失效。因此，需要對電池片激光孔周圍的隱裂（枝隱、線隱）以及黑斑、劃痕進行檢測[11]。該檢測方案以角點和非角點的圖像作為樣本，將截取的圖像提取特征，以粒子群優(yōu)化的支持向量機作為分類器對圖像進行檢測，檢測總體流程如圖2 所示。

圖2 太陽能電池片缺陷檢測流程圖Fig.2 Flow chart of solar cell defect detection

該工作要檢測的電池片缺陷，枝隱為單方向“/”形，線隱為雙方向”X”形，缺陷大小在0.5 mm～5 mm范圍內。這兩種缺陷主要位于激光孔的角點處，而黑斑和劃痕的分布位置則比較隨機，且劃痕缺陷相比線隱缺陷在電池片上跨度更大，如圖3 所示。

圖3 電池片上的四種典型缺陷Fig.3 Four typical defects on solar cells

1.2 基于背景評估的圖像增強

進行PL 成像時，因為不同硅基成分的活躍度不同，圖像會呈現出不同的亮度和陰影，導致圖像分割困難。針對這一問題，本文提出一種基于高斯濾波陰影矯正的方法。該方法的基本思想是：首先利用局部二維高斯函數對背景光照進行擬合；其次基于擬合的背景圖對原圖進行加權，以矯正陰影。若單張電池片的圖像為S，則其擬合表達式如下：

式中：S(x,y)表示該點像素的原值；(x,y)表示二維圖像像素點的坐標；G(x,y)表示該點像素被處理后的像素值；f(u,v)表示卷積核在u,v上的權重；Inew(u,v)為矯正后的新圖像在(x,y)點的像素值；k表示高斯核的大小。

對高斯核大小k的選擇，直接影響圖像增強的效果。若選取過小，則不足以體現其陰影分布，且矯正后的圖像會由于圖像陰影分布不夠細膩而出現椒鹽噪聲；若選取過大，將增加計算量，導致運算時間增加。本文采用基于邊緣數量的高斯核大小評價方法，如圖4 所示。其邊緣數量與核大小呈遞減關系，但是遞減到一定程度后，其邊緣數量開始收斂，如圖4（a）和圖4（b）所示，說明繼續(xù)增大高斯核對其背景分布已不再具有積極作用。

圖4 高斯核選擇分析Fig.4 Gaussian kernel selection analysis

本文中，高斯核采用了圖像大小的三分之一以進行背景的評估，如圖5 所示。圖5（b）是圖5（a）經（1）式處理后得到的背景分布圖；圖5（c）是經（2）式處理后并將灰度拉伸，最后用5×5 的核進行中值模糊去噪獲得的結果。

圖5 圖像增強過程Fig.5 Image enhancement process

從圖5 中可以看出，右上角的不均勻光照得到了較有效的抑制。

1.3 兩步法確定ROI

電池片缺陷位置通常具有隱裂位于激光孔上，而黑斑和劃痕位置比較分散，因此將單張電池片上的缺陷分兩步進行提取。根據激光孔分布具有規(guī)律的特性，首先對單張電池片的圖像進行二值化分割，利用角點檢測獲取激光孔位置并判斷激光孔形態(tài)，以甄別隱裂缺陷；其次，剔除激光孔與隱裂缺陷；最后，篩選出黑斑和劃痕缺陷。

1.3.1 激光孔定位

對于角點區(qū)域，首先要對原圖像進行底帽變換，以消除背景以及噪聲干擾。對底帽變換的圖像進行Shi-Tomasi 角點檢測[12]，角點質量參數為0.05。本文檢測的硅片激光孔為3×6，為防止漏檢，本文檢測20 個角點，得到圖6（b）初始的角點，并按距離進行篩選。將篩選后的角點坐標進行X方向和Y方向的求均值處理，并且進行排列組合，即可得到18 個角點位置的坐標信息圖像，如圖6 所示。

圖6 角點檢測的圖像Fig.6 Images detected by corner points

1.3.2 ROI 篩選

由于角點上的缺陷以激光孔為中心向四周發(fā)散，因此先要對激光孔周圍的局部圖像進行處理：首先對局部圖像進行二值化，反色后，遍歷白色有效點數Si；其次對18 個局部區(qū)域有效點求平均值Smean，以此作為篩選隱裂缺陷的閾值。若Si小于Smean則剔除，若大于此面積則保留。此ROI 區(qū)域為需要進行檢測的區(qū)域，該操作可以減少一部分激光孔的檢測，以提升算法速率。其數學表達式如下：

對于非角點處的缺陷，由于已經得到角點區(qū)域的ROI 中心坐標，此條件下，應將角點區(qū)域剔除，即可得到非角點的缺陷。對于非角點位置的缺陷，具體采取最小外接矩形進行框選，即可得到ROI 區(qū)域，如圖7 所示。

圖7 非角點缺陷分割Fig.7 Non-corner point defect segmentation

2 特征提取

2.1 HOG 特征

鑒于電池片缺陷有一定的方向性，本文首先按不同方位提取HOG 特征。在選取的ROI 中提取HOG 特征，將其梯度和幅值控制在0°～180°范圍內，壓縮為每20°為1 個方向，即9 個方向。再將原圖64×64 的圖像劃分為4 個互不相交32×32 的cell 單元，并將每個cell 單元進行9 個方向的特征統(tǒng)計，即共獲取36 維的特征。由于特征維數較高，計算復雜，因此需要對特征進行降維。拉普拉斯特征映射（laplacian eigenmaps，LE）降維方法[13]是一種非線性流行學習算法，其計算復雜度較低，對聚類、分類等問題有較好的魯棒性和收斂性，其主要思想是相互相關的數據能在降維后的空間更加具有相關性，可理解為在新的低維特征空間中產生了一個與之前特征空間局部鄰接關系一樣的數據。而主成分分析（principal component analysis，PCA）降維方法可以理解為直接乘以一個矩陣，通過線性投影來降低數據維度，并且使降維后的數據盡可能地保持最大的方差。若出現所有點映射到同一個位置的情況，數據信息就會丟失，因此采用拉普拉斯特征映射降維方法，可以將特征降至更低的維數，且能保存更多的特征信息。根據統(tǒng)計學實驗分析，保留原圖特征80%的信息，即可代表其原信息。本文采取的降維方案，僅對HOG 特征進行降維，其原因在于若將形態(tài)特征融合后再進行降維，融合后的形態(tài)特征會由于HOG 特征維數較高而丟失部分信息。因此，選定采用拉普拉斯特征映射降維方法，將HOG 特征降至8 維。由于特征的維數相差不高，可直接進行特征融合。其識別率對比如圖8 所示。

圖8 降維方案對比Fig.8 Comparison of dimension reduction schemes

2.2 形態(tài)特征

對分割后的ROI 區(qū)域從圖像上進行分析，根據其形態(tài)特征判斷，其形狀特征的可區(qū)分度較高。本文經實驗研究后，在形態(tài)特征上選取了周長L、面積S、圓形度C，以及長寬比A。對加入的形態(tài)特征，為驗證其有效性，本文采用圖標分析方法對本文所選定的特征進行分析，如圖9 所示。

圖9 特征區(qū)別度Fig.9 Characteristic distinction degree

對于HOG 特征，其中每種點型代表一種樣本類型，本文用T 分布的隨機近鄰嵌入（T-stochastic neighbour embedding，TSNE）方法進行可視化。圖9中的5 種樣本在三維空間中基本可分，說明HOG特征對識別方法具有有效性。而對于長寬比和圓形度這兩種特征來說，其中正方形代表正常樣本，圓形代表枝隱樣本，正三角代表線隱樣本，倒三角代表黑斑樣本，菱形代表劃痕樣本。對于長寬比特征而言，其中劃痕、線隱與正常樣本，或者劃痕、線隱、黑斑這兩組的區(qū)分度都比較高，但對于枝隱而言，則還需要引入其他特征再加以區(qū)分；對于圓形度而言，其中黑斑、劃痕和枝隱，或者劃痕、黑斑隱、線隱每3 個為一組的特征區(qū)分度明顯。說明本文確立提取的長寬比特征以及圓形度特征的確可作為有效特征，而面積和周長作為圓形度特征的中間變量，雖然其特征區(qū)分度表現得并不如其他特征明顯，但在大劃痕上也能將之與其他缺陷區(qū)分開來。

3 基于PSO-SVM 的電池片缺陷識別

傳統(tǒng)的SVM，是一種在特征空間上尋找最大間隔的二分類器，其中對數據分類起到關鍵作用的是核函數。本文選取的SVM，其核函數為徑向基函數RBF。在SVM 中，C是懲罰因子，C越大，說明模型對誤差的容忍性越低，模型就容易過擬合；C越小，模型越容易欠擬合。Gamma 是選擇徑向基函數作為核函數后自帶的一個超參數，它決定了數據在新的特征空間映射的分布關系。C和Gamma 同時決定了模型的復雜度和準確率，所以需要對C和Gamma 進行優(yōu)化。

為了獲得較優(yōu)的C和Gamma，一種常見的方法就是結合SVM 的結果進行遍歷搜索，如GASVM[14]。但是由于遺傳算法的局部尋優(yōu)能力較差、遍歷比較費時，于是本文采用啟發(fā)式粒子群（PSO）算法[15]對SVM 進行參數優(yōu)化。本文中設定C和Gamma 的取值范圍為0～10，慣性因子取為0.5，學習因子分布為0.2 和0.3，并以混淆矩陣分類錯誤數作為適應度函數，然后以每個種群平均準確率繪制訓練特性曲線，其尋優(yōu)過程如圖10所示。

圖10 PSO-SVM 的尋優(yōu)過程Fig.10 Optimization process for PSO-SVM

經過100 步的訓練，獲得了最佳模型（C=2.45，Gamma=6.58）。隨后，應用此模型對單張電池片圖像進行缺陷檢測。首先依據以上分割方法，分為角點區(qū)域和非角點區(qū)域，然后分別進行識別，分別提取特征后進行融合；對識別的結果，除正常樣本以外，要對存在缺陷的電池片上的缺陷位置進行標記，并且要將其對應的位置也進行標記。對于劃痕缺陷或者黑斑缺陷，由于其分布并不規(guī)律，缺陷分布難免呈離散狀，所以可將其識別框進行聚類合并，聚類的條件是聚類閾值和種類是否相同。

4 實驗及結果分析

4.1 樣本收集與整理

本文研究中所利用的電池片缺陷識別數據集，取之于江蘇某太陽能電池片生產廠，具體是從該廠不同批次的電池片抽取了部分缺陷圖片，通過采用上述確立的圖像分割方法，形成了正常樣本450 張，黑斑樣本450 張，線隱樣本450 張，枝隱樣本450 張。

4.2 實驗結果分析

本文工作中，所搭建實驗平臺的硬件為Intel Core i7-10750H CPU、內存8GB 的RTX2070。對電池片特征的提取以及基于PSO 的SVM 分類器訓練的識別算法，均利用python 編寫完成。

為進行實驗比對，實驗選取了線隱缺陷、枝隱缺陷、黑斑缺陷、劃痕缺陷和正常樣本5 類，各取400 張圖像數據樣本用來作為訓練集[16]，并利用待測圖像各50 張來進行檢驗。其檢測方案如表1所示。

表1 識別方案對比Table 1 Comparison of identification schemes

從表1 提供的實驗結果可知，該方案選取了不同的特征和不同的檢測方案進行組合對電池片的缺陷進行識別。其中第一組采用Le-Net 網絡[17]卷積提取樣本特征，雖然對正常無缺陷樣本檢測完全正確，但總準確率僅79.46%；第二組為SVM（C=1.5，Gamma=3）和形態(tài)特征，由于形態(tài)特征的維數較低，不采用降維方案，相比Le-Net 方法提高了6.79%準確率。說明在數據集較少的情況下，神經網絡容易產生過擬合，因此該特征提取方案優(yōu)于卷積特征提?。坏谌M是SVM 和PCA 降維的單HOG特征方法，相比形態(tài)特征準確率有所提高，但不準確率仍不完全理想；第四組是SVM 和PCA 降維的特征融合方法，進一步提升了算法的準確率；第五組是SVM 和LE 降維的特征融合方法，優(yōu)化了降維方案，可見LE 降維方案優(yōu)于PCA 降維方案；第六組是采用PSO 算法優(yōu)化SVM、并用PCA 降維的特征融合方法。采用PSO 算法對C和Gamma進行選取，大幅提升了模型的準確率，主要是由于人為選取超參數過程復雜，需要對模型預設多種組合，每種組合都需要交叉驗證評估，而引入PSO算法對超參數進行尋優(yōu)，可以找到最適合的超參數。最終將最優(yōu)的各方案進行組合，得到第七組方案：采用PSO 算法優(yōu)化SVM，并用LE 降維的特征融合方法，由結果可知該方案是準確率最高的方案。應用此方案測試50 張圖片時，平均單張的用時為1.38 s，最終缺陷檢測結果如圖11 所示，其中black 表示黑斑缺陷，branch 表示枝隱缺陷，line 表示線隱缺陷，srcatch 表示劃痕。

圖11 缺陷檢測結果Fig.11 Defect detection results

經檢測結果可知，太陽能電池片缺陷可以正常檢測，但仍然存在部分缺陷漏檢的情況。圖11 有部分劃痕漏檢，主要是由于部分劃痕缺陷過小，難以定義其分類，導致檢測時與線隱和枝隱缺陷難以區(qū)分。該方案已成功用于現場測試，運行良好，為太陽能電池片組件的缺陷檢測自動識別打下了基礎。

5 結論

太陽能電池片中的隱裂缺陷對電池板組件的影響巨大，但是在一張?zhí)柲茈姵仄M件PL 圖像中，缺陷在組件中的面積占比不到萬分之一。由于電池片的面積特征，導致對其上缺陷的檢測具有較高難度。根據組件圖像的特性以及實際生成要求，利用Shi-Tomasi 和最小外接矩形的圖像處理方法，對電池片單片上缺陷ROI 區(qū)域進行快速定位。實驗結果表明，該方法對缺陷的檢測精度和速度有了相對的提升，與其他的滑框檢測方法相比，采用直接對ROI 區(qū)域進行特征提取和識別的方法，在檢測的效率和準確率方面取得了較好的平衡，為太陽能電池片缺陷的自動化檢測打下了基礎。但是由于數據集的限制、提取的特征復雜程度，以及當前環(huán)境的復雜性增高（如遮擋，大面積陰影等），模型的精度和速率依然有待提高。在考慮有限的數據集下，提高模型的泛化能力以及精度和速率，將是后續(xù)工作的主要研究方向。