刘云潺,　毕立恒

(黄河水利职业技术学院,河南 开封 475004)

0　引　言

随着新能源技术的发展，车载太阳能电池应用越来越广泛，而电池片的质量影响了汽车行驶距离，这是因为在制造过程中，太阳能电池片存在裂缝、缺角、隐裂、碎片、断栅等缺陷，因此对太阳能电池片表面质量的检测是生产中一个重要的环节[1-2]。

新能源汽车太阳能电池表面缺陷的细微性使检测变得异常困难[3]，目前人工检测存在漏检、错检率比较高和实时性差等问题，随着视觉检测技术的发展，利用图像处理对太阳能电池板进行缺陷检测成为新的研究方法：基于独立主成分方法识别率比较高[4]，但是由于独立主成分分析是基于所有阶的统计信息，因此其求解过于复杂；区域增长法检测准确率高[5]，但是计算时间较长，算法速度较慢；矩估计方法的定位精度比几何法好[6]，但算法复杂度较高，计算时间较长；各向异性扩散法减少了可疑的缺陷区域[7]，使得裂缝的位置能够通过原始图像与扩散图像相减而检测到，但是暗色的区域存在错误识别；Gabor变换法能够在频域不同尺度、不同方向上提取相关的纹理特征[8]，但是Gabor提取不同特征分量之间有冗余。

为了提升新能源汽车太阳能电池表面缺陷检测的效果，本文采用粒子群权重多级加权算法。首先在基本粒子群算法基础上对惯性权重进行3级加权，第1级权值表示为缺陷区域内部像素的分布特性，第2级权值表示为缺陷区域位置特性，第3级权值表示为缺陷区域分布特性；接着对数据集基于欧氏距离通过k-均值聚类进行优化；然后双阈值进行缺陷定位，缺陷特征量提取；最后给出了算法流程。实验仿真显示本文算法对新能源汽车太阳能电池表面缺陷检测结果清晰，对各类缺陷的正确识别率比较高。

1　改进粒子群算法

1.1　基本粒子群算法

(1)

1.2　改进过程

惯性权重其大小决定了对粒子当前速度继承的多少，合适的选择可以使粒子具有均衡的探索和开发能力，较大的惯性权重有利于全局探索;而较小的惯性权重有利于算法的局部开发,加速算法的收敛。

1.2.1权重多级加权缺陷聚类判别

缺陷图像中不同的缺陷特征具有差异性。为了区分缺陷的差异性，对不同的缺陷区域进行赋予不同的权值，缺陷的差异性越大，则赋予权值较高；缺陷的差异性越小，则赋予权值较低。权重值不但要考虑缺陷区域像素的分布特征，还要考虑缺陷区域的位置信息，通过不断调整缺陷区域的权值，使得表面缺陷检测更具有准确性。

同时考虑到数据集X中有N个未标记的对象、D个缺陷特征和H个观测点：

(2)

为了找到数据集聚类结构[9]，基于欧氏距离通过k-均值聚类优化后的数据损失函数为：

(3)

式中：U=[uki]K×N为分区矩阵;Z=[zkj]K×D为聚类中心;xij为像素数据。

令特征权重为w和观测权重为v，则优化模型为：

minJ(Z,U,W,V)=

(4)

满足：

(5)

式中：W=[wj]1×D是特征量权重；V=[vh]1×H是观测量权重；α、β是控制权重分布参数。

权重多级加权示意图如图1所示。

图1权重多级加权过程

图1中，粒子权重进行多级加权，本文进行3级加权，其第1级权值表示为缺陷区域内部像素的分布特性;第2级权值表示为缺陷区域位置特性;第3级权值表示为缺陷区域分布特性。

1.2.2权重控制参数α、β选择

在3级权重控制中，参数α、β值对权重的影响如图2所示。

图2　α,β值

从图2可以看出，只有-0.5<α<0.5,-0.5<β<0.5时，归一化权重值才有开始大于0.5，所以本文选取α∈[-0.1,0.1],β∈[-0.1,0.1]。

算法流程：① 粒子群随机初始化；② 粒子权重3级加权，权重控制参数α、β在[-0.1,0.1]随机选择；③ 粒子速度和位置输出更新；④ 满足迭代次数或者缺陷区域判断要求，进行步骤⑤，否则进行步骤②；⑤ 输出数据最优解值。

2　新能源汽车太阳能电池表面缺陷模型

2.1　双阈值进行缺陷定位

太阳能电池图像包含着太阳能电池区域和缺陷区域[10-12]，如果不分离缺陷区域和电池区域而直接进行分割，会严重影响分割效果，造成分割错误的情况出现。太阳能电池片表面具有简单的纹理图案，在检测背景不变、检测位置固定时，无缺陷图像具有一致的纹理特征，而有缺陷图像只是在局部存在灰度差异，这些特点正好适用于缺陷背景提取。

缺陷处像素灰度值会产生较大的变化，一部分像素灰度值较高;另一部分像素灰度值较低。假设高亮度噪声在图像中所占的像素比例为k1，背景点和弱划痕的像素比例为k2，图像的灰度均值为μ和方差为σ，分割阈值T1为剔除噪声，排除高亮度噪声点的干扰，高亮度噪声灰度g1与背景灰度g2分别为：

(6)

由于暗场成像中高亮度噪声灰度值较高，为了将高亮度噪声从灰色背景中剔除，选取高亮度噪声的分割阈值：

(7)

通过阈值分割，将高亮度特征点集合赋予一定的背景灰度μ。将整体图像灰度背景均匀化，低于阈值T2的灰度同样赋值为μ。

对点(i,j)处的像素灰度值为g(i,j)，其缺陷区域判断过程为：

(8)

2.2　缺陷特征量提取

新能源汽车太阳能电池表面缺陷主要反映在像素点灰度的变化，不同缺陷的面积、周长、边缘曲线的斜率和曲率具有不同的灰度特征[13-15]，这些特征可以通过特征量描述，包括平均灰度差、复杂度、长宽比。

缺陷区域和整个区域的平均灰度值之差：

(9)

复杂度

θ=P/A

(10)

式中：P是边界像素点数；A是整个目标像素点数。

通过阈值分割法把目标区域分割出来，目标最小外接矩形的长度与宽度的比:

η=(L4-L3)/(L2-L1)

(11)

式中：外接矩形左上顶点坐标为(L1，L3)；外接矩形右下顶点坐标为(L2，L4)。

2.3　检测流程

检测流程:① 输入待检测图像；② 权重多级加权最优解获得分割双阈值；③ 缺陷区域定位分割，分割缺陷区域边界像素点的灰度值g(i,j)检测Edefect(i,j)为0，则判断为缺陷区域，否则为非缺陷区域；④ 缺陷特征量提取；⑤ 输出检测结果。

3　实验仿真

粒子群数目为150个，最大迭代次数为100，α=0.015，β=0.015，c1=2.05c2=2.05，r1=0.5，r2=0.5，硬件环境为英特尔I3双核处理器，主频2.8 GHz、内存DDR3双通道8 GB，后期数据处理采用Matlab7.0软件编程实现，对各种算法进行分析。

3.1　视觉效果分析

分别采用2幅表面不同缺陷的太阳能电池进行各种算法的检测，其检测如图3和图4所示。

图3(a)、图4(a)为裂纹缺陷和划伤缺陷；图3(b)、图4(b)为独立主成分法检测效果；图3(c)、图4(c)为区域增长法检测效果；图3(d)、图4(d)为矩估计法检测效果；图3(e)、图4(e)为各向异性扩散法检测效果；图3(f)、图4(f)为本文方法检测效果。从图3(b)～(f)、图4(b)～(f)的检测效果可以看出，本文算法检测效果受噪声影响小，能够把缺陷区域清晰地检测出来，其他算法对检测的裂痕、划伤效果不太明显，出现断点。

图3裂纹缺陷检测

图4划伤缺陷检测

3.2　正确识别率分析

为了能够完整地评价算法的检测效果，在实验中选取了300块缺陷板进行随机检测，其缺陷包括裂纹、断栅、虚焊、缺角，进行10次实验，检测结果如图5所示。

图5各种算法对不同缺陷的正确识别率

从图5各种算法对不同缺陷的正确识别率可以看出，本文方法对缺陷的识别率比较高，这是因为本文方法对缺陷像素数据集进行聚类划分，通过欧氏距离优化后的数据损失函数，避免了数据误差出现。

4　结　语

为了提升新能源汽车太阳能电池表面缺陷检测的效果，采用权重3级加权粒子群算法，第1级权值表示为缺陷区域内部像素的分布特性，第2级权值表示为缺陷区域位置特性，第3级权值表示为缺陷区域分布特性。实验仿真显示本文算法对新能源汽车太阳能电池表面缺陷检测结果清晰，对各类缺陷的正确识别率比较高，为新能源汽车太阳能电池表面缺陷检测提供了一种新思路。

参考文献(References)：

[1]沈凌云,朱明,陈小云.基于径向基神经网络的太阳能电池缺陷检测[J].发光学报,2015,36(1):99-105.

[2]陈磊,乔继红,陈岩.太阳能电池板缺陷分割技术研究[J].微电子学与计算机,2014,31(12):98-102.

[3]Tsai D M, Li G N, Li W C,etal.Defect detection in multi-crystal solar cells using clustering with uniformity measures[J].Advanced Engineering Informatics,2015,29(3):419-430.

[4]Guilherme Gaspar,Gianluca Coletti,Mari Juel,etal.Identification of defects causing performance degradation of high temperature n-type Czochralski silicon bifacial solar cells[J].Solar Energy Materials and Solar Cells,2016,153(8):31-43.

[5]Yeh Ming Hua, Ho Shih Jung, Chen Guang Hong,etal.Toward low-cost large-area CIGS thin film III:Effect of Se concentration on crystal growth and defect formation of sequentially electrodeposited CIGS thin films[J].Solar Energy,2016,132(6):547-557.

[6]Teimuraz Mchedlidze,Axel Herguth,Jörg Weber.Monitoring of Si-solar cell degradation with electroluminescence[J].Solar Energy Materials and Solar Cells,2016,155(10):38-42.

[7]Ali Samii,Craig Michoski,Clint Dawson.A parallel and adaptive hybridized discontinuous Galerkin method for anisotropic nonhomogeneous diffusion[J].Computer Methods in Applied Mechanics and Engineering,2016,304(1):118-139.

[8]Li Wei Chen, Tsai Du Ming.Wavelet-based defect detection in solar wafer images with inhomogeneous texture[J].Pattern Recognition,2012,45(2):742-756.

[9]Jiang Bo, Qiu Feiyue, Wang Liping.i-level weighted multi-view clustering via hybrid particle swarm optimization[J].Information Processing & Management,2016,52(3):387-398.

[10]王宪保,李洁,姚明海,等.基于深度学习的太阳能电池片表面缺陷检测方法[J].模式识别与人工智能,2014,27(6):517-523.

[11]Liu Li jie, Zhang Lipeng, Li Miao，etal.Random dithienosilole-based terpolymers: Synthesis and application in polymer solar cells[J].Dyes and Pigments,2016,130(6):63-69.

[12]李晨,杨甬英,熊浩亮,等.基于滤波差分的双阈值弱划痕提取算法[J].强激光与粒子束,2015,27(7):0720041-0720048.

[13]王亚丽,孙坚,徐红伟.基于红外成像太阳能板缺陷检测方法研究[J].测控技术,2015,34(7):59-61.

[14]GianniD’Angelo, Salvatore RamponeFeature extraction and soft computing methods for aerospace structure defect classification[J]. Measurement,2016,85(5):192-209.

[15]杨冰倩,王明泉,张俊生, 等.基于机器视觉的光纤倒像器缺陷检测系统[J].实验室研究与探索,2016,35(12): 10-12.