基于机器视觉的光伏电池板检测系统_肖慧慧.pdf

137工 艺 与 装 备基于机器视觉的光伏电池板检测系统肖慧慧汪倩玉（华北水利水电大学，郑州 450045）摘要：光伏电池板生产过程中存在缺陷检测漏检、误检以及人工检测效率低的问题，容易造成二次损伤，为此提出一种基于机器视觉的光伏电池板检测系统。该系统使用图像预处理、图像去噪、图像分割以及特征提取等技术算法，采用卷积神经网络模型，通过交叉熵损失目标函数进行自主学习，提升检测的准确性。应用验证，该系统具有较高的检测效率和准确率，为企业带来提质、降本、增效的效果。关键词：机器视觉；缺陷检测；光伏电池板；卷积神经网络（CNN）Photovoltaic Panel Detection System Based on Machine VisionXIAO Huihui,WANG Qianyu(North China University of Water Resources and Electric Power,Zhengzhou 450045)Abstract:In the production process of photovoltaic panels,there are problems such as missing detection,false detection and low efficiency of manual detection,which is easy to cause secondary damage.Therefore,a photovoltaic panel detection system based on machine vision is proposed.In this system,image preprocessing,image denoising,image segmentation,feature extraction and other technical algorithms are used,and Convolutional Neural Network model is adopted to carry out self-learning through cross-entropy loss objective function,so as to improve the accuracy of detection.The application verifies that the system has high detection efficiency and accuracy,and brings the effect of improving quality,reducing cost and increasing efficiency for enterprises.Keywords:machine vision;defect detection;photovoltaic panels;Convolutional Neural Network(CNN)随着“工业 4.0”智能制造的到来，人工智能（Artificial Intelligence，AI）和图像处理技术取得了极大进展，成为新一代的“质检员”1。“质检员”通过深度学习图像识别算法快速处理图像，让质检设备自动判断缺陷，大幅降低人力劳动强度，节约用工成本，提高了产品的生产效率和检测精度。1系统结构和实现原理1.1系统结构基于机器视觉的光伏电池板检测系统分为硬件系统和软件系统。其中：硬件系统由图像采集单元、网络模块、数据处理单元、控制单元、服务器及辅助执行单元等部分组成；软件系统主要由图像处理与分析、特征提取与识别模块等部分组成。1.2实现原理近年来，深度学习技术和 AI 图像识别算法广泛应用于计算机领域，WANG 等提出了一种新的机器视觉检测方法，在确保精度的情况下识别和分类缺陷产品2。本文将光伏电池板的检测要求和深度学习算法技术相结合，通过图像预处理改善图像质量，抑制不需要的变形或滤除干扰噪声，采用深度学习的视觉方法识别光伏电池板高清图像的缺陷。实验表明，该视觉检测解决方案具有良好的识别准确率，能够高效协助人工作业，达到提质、降本、增效的效果，有效解决了传统人工检测误检、漏检和效率低的问题。目前，神经网络技术已经成功应用于图像缺陷识别的各个领域2。2图像预处理功能图像采集通过高清摄像机和图像采集器拍摄来实现，为了获取高辨识度的图像，需要进行预处理，抑制不需要的形变或者增强图像提取特征，同时结合卷积神经网络模型进行训练，进而高效准确地识别光伏电池板的缺陷。2.1中值滤波和图像锐化获取的图像通过数据接口传入计算机，图像噪声来源于图像摄取和过程传输。为了减少光伏电池板的表面噪声，采用改进的中值滤波去噪算法和红外图像锐化技术进行处理。中值滤波去噪的目的是改善图像质量和抽取对象特征，提高图像质量，结合图像锐化技术突出特征，以便更好地显示有用信息，降低图像识别和分类的难度，从而保证产品检测的准确率3-4。对比带有噪声的光伏电池板原图和中值滤波预处理后的图像，经过试验验证可知，改进的中值滤波技术结合图像锐化技术能够有效过滤噪声点和线，具有边缘特征较为清晰及特征信息无丢失等优点。中值滤波预处理前后对比图如图 1 所示。DOI:10.16107/ki.mmte.2023.0183现代制造技术与装备1382023 年第 3 期总第 316 期（a）带有噪声的光伏电池板原图 （b）中值滤波预处理后图像图 1中值滤波预处理前后对比图2.2图像分割图像分割是在图像预处理后、图像数据分析前至关重要的一个环节，以图像灰度等级为标准分割图片，提取感兴趣区域（Region of Interest，ROI），目的是提高目标轮廓的对比度和图像数据处理的效率5。在图像分割的基础上对目标进行特征提取和参数测量，大大提升了图片缺陷的识别效果，进而提高了图像的分析质量和判断结果的准确率。图像分割是在灰度图的基础上迭代阈值提取ROI。假设初始阈值为T0，最终阈值的计算公式为11011012iiiiLTk TkkkiTLkkk TkhkhkThh+=+=+|（1）式中：hk为k值的像素值；L为总灰度个数。式（1）迭代到Ti+1=Ti为止，其算法流程图如图2所示。获得灰度图像数据灰度直方图数据得到均值T0T=(T1+T2)/2T 是否等于 T0输出结果是否得到T1MinT1T0得到T2T0T2Max得到灰度值最大和最小值图 2迭代算法流程图光伏电池板经过阈值分割处理后获得较为理想的灰度值，有利于后续图像特征参数的提取、计算及缺陷识别。2.3特征提取通过提取采集对象的本质特征，有效实现缺陷类别的区分，提高缺陷识别的准确率。2.3.1卷积神经网络系统采用卷积神经网络（Convolutional Neural Network，CNN）模型进行模拟训练，是一种自适应的检测训练方法。CNN 对数据库依赖性较高，图像缺陷识别精度高，自主学习时能够丰富训练集6。CNN 通过卷积运算和内核滤波器提取图像的局部特征，将获取的卷积特征图样过滤到下一层卷积运算中进行处理。CNN 结构由卷积层、池化层和全连接层组成，卷积层与池化层的作用是减小缺陷图像的尺寸，全连接层则是为了完成对图像缺陷的分类和识别。卷积运算特征提取层数越多，图像的特征提取和自主学习能力就越强，但会增加计算强度，延长训练时间。采用的卷积神经网络结构图如图 3 所示。在 CNN 网络层互连训练过程中，增加了激活函数修正线性单元（Rectified Linear Unit，ReLU），可以有效降低训练中的过拟合，使训练过程易于收敛，从而提高网络结构的缺陷分类识别性能。2.3.2CNN 训练优化CNN 训练是提高网络学习能力的过程，也是缺陷识别和分类的关键过程。该训练过程可以有效挖掘数据样本的本质特征，并通过优化算法重新分配权重以减小拟合误差。采用训练优化目标函数为交叉熵损失函数，数学表达式为()()1ln1ln 1xCyayan=+（2）式中：x为样本数；n为样本总数；y为期望值。本次采用适应性矩估计（Adaptive Moment Estimate，Adam）算法对 CNN 进行训练优化。该算法结合了Momentum 和 RMSProp 两种算法的优点，通过梯度移动指数加权平滑处理网络参数，通过梯度微分平方加权平均数，有效抑制摆动幅度，进一步提高收敛 速度。3试验结果分析测试集中每类样本图像为 20 张，共计 120 张。试验主要验证参数为误检数、漏检数、准确率和识别时间等。实验结果如表 1 所示。139工 艺 与 装 备由表 1 的检测结果可以得知，CNN 结构下的缺陷识别率达到 98%以上，图像无漏检，识别时间在40 ms 以内。实验表明，该方法训练时间短、收敛性好且识别精度较高，完全满足用户的使用需求。光伏电池板检测系统部署完成后，能够自动获取现场的质检图像，对质检图像进行智能识别处理完成产品的缺陷检测。光伏电池板缺陷检测可视化界面如图 4 所示。图 4光伏电池板缺陷检测可视化界面通过光伏电池板检测系统可视化界面可以得到检测图片、检测结果、检测结果图样以及历史记录列表等数据，系统不仅能有效完成图像智能处理和缺陷检测识别，而且能够实现产品检测过程的可追溯功能。4结语该系统在大批量产品生产过程中，有效提高了生产效率和自动化水平，降低了不合格产品流入市场的概率，同时降低了质检工人的劳动强度，具有极高的复制推广价值。参考文献1 靳晶晶，王佩.基于卷积神经网络的图像识别算法研究 J.通信与信息技术，2022（2）：76-81.2WANG J，FU P，GAO R X.Machine vision intelligence for product defect inspection based on deep learning and hough transformJ.Journal of Manufacturing Systems，2019，51：52-60.3 李彦军，苏红旗，杨峰，等.改进的中值滤波图像去噪方法研究 J.计算机工程与设计，2009（12）：2995-2997.4 钱惟贤，陈钱，顾国华，等.一种具有噪声抑制功能的红外图像锐化算法 J.光学学报，2009（7）：1807-1811.5 陈再良，邹北骥，黄敏之，等.图像亮度特征对 ROI 提取的影响 J.中南大学学报（自然科学版），2012（1）：208-214.6 徐冰冰，岑科廷，黄俊杰，等.图卷积神经网络综述 J.计算机学报，2020（5）：755-780.瑕疵图片数据增强特征提取数据清洗模型训练深度学习模型封装部署实时在线检测Convolution+ReLUPoolingPoolingFeature ExtractionClassificationConvolution+ReLUFullyConnectedFullyConnectedOutput Predictions图 3卷积神经网络结构图表 1试验结果试验次数试验方法测试数量/个误检数/个漏检数/个正确数/个识别率/%识别时间/ms1CNN1201011999.138.82CNN1202011898.338.9