硅電池片自動串焊表面缺陷在線視覺檢測研究*

陳智強，樓佩煌，錢曉明

(南京航空航天大學 機電學院，江蘇 南京 210016)

0 引 言

作為太陽能發電的主要載體材料，硅電池片的產量近年來迅速增長[1]。太陽能電池的生產需要很多的工序。在生產出標準硅電池片后，先將單片太陽能硅電池片焊接為電池串，再將電池串敷設層壓成為太陽能電池板。為了提高焊接質量和效率，目前在硅電池片集成過程中使用自動串焊機。

在硅電池片表面缺陷檢測方面，國內外學者已經做了較為深入的研究。孫智權、童鋼等[2]對制備過程中或焊前單片電池片的表面缺陷檢測做了相應研究，其成果方法對于單片電池片的固有缺陷如邊緣缺損、斷柵裂紋有較好的檢測效果，但均屬于離線或生產節拍較慢的制備生產線測量，未在高速集成生產線進行相應實驗；高志良[3]對太陽能電池自動焊接中的視覺檢測關鍵技術進行研究，設計了面向自動焊接過程的檢測系統，討論了電池片偏轉、分級相關方法，但其檢測仍然針對焊接前的電池片，對于焊后成串電池的焊帶偏移、臟污劃痕及一些焊后尺寸測量未加討論。硅電池片焊后缺陷主要由串焊機自動焊接產生或串焊機焊前檢測的漏檢造成，主要有邊角缺損、色差、臟污、劃痕、斷柵、露白、尺寸偏差等缺陷。

對于電池片的贓污、劃痕等缺陷檢測，現有研究一般通過多種濾波、圖像增強與閾值門限操作等預處理，將待檢特征分離后再進行特征識別[3-4]，對于不同缺陷采用的投影特征或紋理特征也不相同。WANG Yong-qing等[5]提出將矩特征與SVM結合的監督算法，對于電池片生產過程均具有較好的檢測效果，然而對于經常更換電池片種類與部分檢測指標的集成生產線，樣本的多樣性要求較高，一種無監督的目標檢測方法更具優勢；周維芳等[6]采用局部自適應閾值的二值化處理方法并做水平投影來提取缺陷信息，通過缺陷的矩形輪廓信息檢測斷線、履帶印等缺陷，效果良好，但對集成過程中的其他缺陷如臟污、劃痕尚未深入研究；龍建武等[7]提出一種自適應最小誤差閾值分割算法，僅含一個敏感性很低的參數,同時對均勻光照圖像以及不均勻光照小目標圖像均有著優秀的處理效果,提升了最小誤差算法的分割性能，但該算法僅限于對文本、米粒等小目標圖像的處理,無法處理大目標圖像。

針對太陽能硅電池片由單片焊接為電池串的串焊生產線，本文提出一種焊后硅電池片多種缺陷在線檢測方法。

1 焊后電池片幾何類參數視覺測量技術

1.1 焊后電池片總體檢測流程

本文提出的硅電池片缺陷識別方法首先通過CCD攝像機在線采集每一節拍的片間圖像，然后對采集得到的圖像進行圖像預處理。焊接生產線控制器在獲取串焊機輸送停止信號時，在線檢測控制器則控制相機獲取片間圖像，并對獲取的圖像進行預處理。經過圖像預處理后得到的二值化圖像，對其進行感興趣區域分割，針對崩邊、斷柵、贓污等不同缺陷將圖像劃分為傳送帶、片間距、主副柵等不同區域[8]。本研究在進行某項缺陷檢測時僅對部分感興趣區域進行特征識別，從而縮短檢測時間，實現對所要求尺寸的精確測量以及缺陷檢測。

整個視覺檢測的處理流程如圖1所示。

圖1 系統流程圖

1.2 缺陷分類及圖像預處理

焊接采用的焊帶是鍍錫銅帶，在電池片主柵上噴涂助焊劑，銀漿在紅外加熱作用下與焊帶形成銀錫合金層。焊接過程中，會因為焊帶切斷應力、翻面真空吸力、焊帶偏移、助焊劑殘留等各種原因導致包括邊角缺損、贓污劃痕、焊接短路在內的多種缺陷，影響硅電池光電轉化效率(FF)。目前，焊前檢測還不能完全杜絕斷柵缺陷。

本文檢測的主要缺陷如圖2所示。

圖2 常見焊后缺陷

對于劃痕、贓污、缺邊3種特征類缺陷，先通過初步的感興趣區域分割與圖像預處理，去除無關區域，再根據不同特征進行處理，根據面積、外接圓半徑、長度等參數篩選真實缺陷；對于尺寸類缺陷如焊帶偏移、起焊點短路等，則采用基于像素點的影像測量方法，通過采樣區域的最小外界矩形得到所需尺寸，從而據此對所檢電池串做出評判。

本文采用CCD彩色相機采集電池串圖像，通過GigE接口獲取CCD相機采集得到的電池串原始圖像。將采集得到的圖像轉換至RGB空間和三角變換的IHS空間，S分量即飽和度下的圖像中電池片與露出的傳送帶有較好的分割效果。采用動態閾值方法，將S分量進行均值濾波后作為模板，將模板中的像素值減去設定值與S分量對應點的值比較，即相當于對平滑去噪的圖像進行閾值化，減少普通閾值下的噪聲。對動態閾值后的圖像進行形態學處理，對二值圖像進行開運算可以去除一些細小的毛刺，由于片間邊緣對片間距測量有精度要求，故在不影響精度的前提下采用小結構元處理，處理后的邊緣可用canny算子提取。

普通閾值與動態閾值下邊緣區的截取圖像如圖3所示。

圖3 普通閾值與動態閾值后的圖像

對于不同的檢測參數，實際需要檢測的圖像在原圖中中只占一小部分，可根據已得到的上下邊緣與中央邊緣建立坐標，從而設置感興趣區域，只提取包含待檢測區域的一小部分圖像，減少大量的像素點，提高算法的效率。采用一種圖像掩膜的方法來設置不規則的感興趣區域。由于硅電池片具有的高度對稱性，主體檢測區域由片間區軸線對稱展開。

主柵與輔柵的定位坐標為：

(1)

式中：n—主柵條數；D—主柵寬度；d—輔柵寬度；Yi—主柵定位坐標；yi—輔柵定位坐標。

主輔柵區域長度覆蓋全片，寬度由電池規格決定，因此掩膜由計算出的矩形左上角點y坐標即可得到。本研究用掩膜對待處理的圖像進行全部或局部的遮擋，使得原圖在感興趣區域內的像素值保持不變。每一幀圖像的主體檢測區主要檢測斷柵、贓污和劃痕缺陷，上下邊緣檢測區識別邊角缺陷，片間區與主柵區用于片間距、焊帶偏移量的視覺測量，輔柵區的白色虛線對斷柵、劃痕等多種缺陷的檢測有所干擾，在檢測時用以屏蔽。

1.3 幾何類參數視覺測量

焊后電池串的主要幾何類檢測要求為片間距與焊帶偏移量。通過動態閾值得到上下邊緣、中央片間區、主輔柵區域及硅電池片主體感興趣區域掩膜，尺寸測量使用主柵區與片間區掩膜屏蔽原圖無關區域，構建取樣矩形單元及集合運算得到包含待檢測尺寸的特征矩形，從而計算需求尺寸。

以焊帶偏移檢測為例，正確焊接的焊帶在主體檢測區域的打光條件下呈現不反光的深色，偏移的焊帶會使焊后電池片產生露白現象。掩膜處理后的主柵區域即為感興趣區域，但整條主柵區域過于狹長，且焊帶的物理特性使其的彎折一般不會產生弧狀彎曲而是線性偏折，可利用相交線所夾線段的數學增長特性設計一種合理的采樣方式，縮短檢測時間。

對于單個主柵區域焊帶狀態建立模型如下：以主柵區域左下角點為坐標原點，焊帶彎折n次，即將焊帶分為n+1段矩形，假設每段焊帶起始點的集合為(x[n],y[n])，相關參數計算如下：

(2)

(3)

式中：S—取樣區偏移(露白)面積；L—取樣長度；x[i]—起始點橫坐標；y[i]—起始點縱坐標。

本研究分別取2、3、4、5個取樣矩形對10幅典型偏移的主柵區域圖像進行處理，L均取5，取樣數3、4具有最顯著特征，考慮到算法時間因素每條主柵取3個取樣矩形。取樣矩形二值化特征明顯，閾值化后用canny算子得到露白區輪廓，對此輪廓取最小包圍矩形，矩形左上角點與右下角點的y坐標差值作為檢測指標。差值計算方法為統計目標路徑的像素值與標定后像素當量的乘積。

像素是圖像坐標系內的單位，將圖像坐標系的測量結果轉化為世界坐標系的真實值，需要對影像獲取裝置進行標定。由攝像機成像幾何關系可得：

(4)

式中：fu,fv—u軸和v軸上的歸一化焦距，fu=f/dX,fv=f/dY；f—相機的焦距；dX，dY—傳感器u軸和v軸上單位像素的大小；fu、fv、u0、v0只與攝像機內部參數有關，故稱矩陣M1為內參數矩陣。

由于本文方法的影像系統位置固定不變，只需標定內參數即可得到像素當量，即每個像素點對應實際尺寸為0.06 mm，結合邊緣檢測算法得到的單像素邊緣，最終檢測精度為0.1 mm。

尺寸檢測的另一個參數片間距檢測方法與其類似，只是檢測區域由水平的主柵區域變為中央片間區。片間區的左右邊界由預處理階段得到，其精度滿足要求，用4個或以上取樣矩形與片間區做交集運算，再對得到的特征矩形求最小包圍，最終算出需要尺寸。單幀圖像中每條主柵均有一個片間距值，任一片間距值不在要求區間內，即判斷有短(斷)路缺陷。

2 焊后電池片在線缺陷檢測技術

2.1 斷柵檢測

區域分割后的斷柵特征檢測區域柵線中心像素值為255，氮化硅像素值為0，標準硅電池分割后的柵線將氮化硅分割為面積相等的矩形塊，因此可利用其連通性檢測每塊獨立氮化硅的面積，再通過頻域處理分離出面積突變的面積單元，從而得到斷柵數量。

斷柵檢測流程如圖4所示。

圖4 斷柵檢測流程

當系統獲取當前幀硅電池片圖像后，此時經過預處理后得到的圖像如圖4(a)所示(矩形框內為單個檢測區域，一幀圖像包含12至20塊檢測區不等)。

區域生長(即漫水填充)算法是目前應用最為廣泛的連通域檢測方法。經過預處理后的斷柵檢測區圖像具有較好的對稱及規律性，在起始點選擇時可進行優化，如圖4(b)所示。

對生長中止規則的評價函數也是區域生長算法處理能力的重要影響因素，待選像素的灰度級和已加入生長區像素的相似性可用于提高算法的處理速度。本文提出了一種改進的區域生長算法，實現對斷柵區域的快速檢測。

以其中一塊斷柵檢測區為例，從該區域左上角像素開始行掃描。當提取到的像素點的灰度值為0時，將該點坐標值賦值給ui，依次判斷該像素點后5個點的灰度值是否也為0。若不滿足，將ui清除，繼續向右掃描判斷黑色氮化硅區域。若滿足，此時ui的值即為提取到的第一條氮化硅區域的起始種子點。提取到起始點之后，采用改進的掃描線填充算法逐個對氮化硅區域進行填充，設B和P分別是n×2和m×2的矩陣，將掃描得到的起始點放入b[i]，以第一區域B[0]為例，算法具體填充過程如下：

(1)將b[0]作為掃描線段起點，從b[0]向右掃描，當連續3個非0像素出現時，將中間像素存入P[0](P01,P02)，作為水平掃描線段的終點，將此線段填充該區域設定顏色C[0]，計算掃描線段長度L，若大于預設值的P[i]數目超過閾值，一般為8個像素，執行步驟(3)；

(2)對b[0]的下鄰域進行判斷，像素坐標記為(B11,B12)，若(B11,B12)為0，則對b[2]重復步驟(1)線掃填充過程，并循環向下掃描，直到b[i]不為0；

(3)以P[i]為第二種子點，對下鄰域進行反向線段掃描填充,與步驟(2)類似；

(4)從具有最大Bij的區域像素b[end]向右掃描，直到提取到的像素點的灰度值為0時，將該點坐標值賦值給ui，依次判斷該像素點后5個點的灰度值是否也為0。若不滿足，將ui清除，繼續向右掃描判斷黑色氮化硅區域。若滿足，此時ui的值即為下一條氮化硅區域的起始種子點，由此專轉向步驟一開始循環，直到b[end]到達整塊斷柵檢測區最右端。

采用線掃式填充，避免了全局使用4鄰域或8鄰域遍歷導致的堆棧溢出及內存占用過多等問題，并能有效提高算法運行效率。但原有的線段掃描式填充在狹小路徑連通型區域表現不佳，存在填充不完全等問題，因此本文算法針對斷柵造成的狹小路徑連通區域作出相應改進，在掃描線通過狹小路徑后生成新種子點，從而徹底填充。而傳統的多種子點并發填充算法不能有效區分不同氮化硅區域，不便于之后的面積計算。

本研究將不同的氮化硅區域著色后，即取[1,255]中不同灰度值。循環對每個區域像素點個數進行計數。出現斷柵的相鄰氮化硅區域面積會成倍增加，從而能輕松判斷面積突變區域得到斷柵數量及所在區域編號，如圖4(c)所示。對單個檢測區處理完成后，對剩余檢測區做同樣處理，將斷柵數求和并在原圖標記位置。

為改善本文斷柵特征檢測方法的準確性與魯棒性，筆者將本文方法與直接區域生長、柵線種子填充及灰度差分統計方法進行對比實驗，根據結果繪制的ROC曲線。

2.2 臟污劃痕特征識別

硅電池片在串焊前同樣會經過視覺、激光、電泳等多種方式檢測內部區域的缺陷，但其針對的多是裂紋、缺邊、漏印等硅電池片生產工序中常見的問題，而在串焊的物料轉移和高溫焊接過程中，二次污染與運料劃傷不可避免，因此仍需對中央檢測區進行臟污與劃痕檢測。

由于不同規格的電池片(如多晶與單晶)氮化硅色度不同，本研究以實驗采集確定的不同參數對分割后的主體檢測區域進行自適應閾值二值化，來得到較好的特征識別效果。如對于臟污與劃痕缺陷，所作圖像預處理有一定區別。但處理后的圖像仍會出現多重缺陷不便于統計，因此可采用多種特征進行特征區分。常用的特征如周長、不變矩、最小外接圓和伸長度等。

計算特征區域周長則是基于邊界追蹤算法，先利用Canny算子得到區域外輪廓，再隨機選取起始點，以八鄰域方向順時針掃描，滿足灰度條件即作為下一個起點，直到回到原點，最終可求得輪廓周長。選取周長特征避免了閾值化輪廓閉合不佳導致的溢出問題，但算法執行時間較長。

不變矩中的零階矩即區域的面積，使用類似斷柵檢測中處理方法，對一定灰度的像素點進行統計，根據像素比例關系得出贓污面積。但贓污的灰度跨度較大，自適應二次閾值不能得到較為準確的輪廓；對于劃痕則面積法誤差更大。中心矩作為一種圖像數據的統計特征，可用來表現特征區域內的像素同質性，即像素偏離中心的程度。

最后根據零階矩、外接圓半徑R、歸一中心矩η等參數的范圍將不屬于檢測范圍的異類缺陷剔除。

3 實驗及分析

實驗中將檢測系統架設于多柵串焊機的焊接工位與原先的人工檢測工位之間，主要包括在線檢測控制器、CCD數字相機、鏡頭光源組件等。CCD安裝在暗箱內部，位于傳送帶正上方。該實驗檢測結果如圖5所示。

圖5 實驗結果

為了驗證整個檢測系統的穩定性，該實驗識別單晶、多晶4種不同色度的硅電池串，生產系統控制器與在線檢測控制器實時通訊，在傳送帶處于停止節拍時獲取圖像，在生產線試運行2周，以采集數據并驗證提出算法的穩定性。對示例圖片中缺陷進行檢測的結果如圖6所示。

圖6 部分實驗結果圖

實驗中利用openCV計時函數獲得的相應數據如表1所示。

表1 部分實驗數據

表1中時間數據為在CPU主頻為1.8 GHz的計算機上使用200組樣本圖片運行檢測的均值。在生產線連續30天運行中整個檢測程序總的運行時間不超過1 s，包括讀取圖片與顯示結果的時間，充分滿足了串焊生產線在線檢測的需求。

同時為進一步定量比較斷柵檢測算法的性能，筆者采用ROC曲線進行比較分析，如圖7所示。

圖7 3種方法的ROC特性曲線

該曲線描述了不同方法在對同一斷柵特征檢測時得到的虛警率(誤檢率)Pf與檢測率Pd間的變化關系。從ROC曲線中可以看出，本文方法上升速度最快，其檢測性能優于針對柵線的種子填充；而柵線法又優于直接的區域生長方法。

最后5天在線檢測率統計數據如表2所示。

表2 連續5天在線檢測率統計

檢測次數以處理的圖像張數計算，檢測率約達99.5%。標定像素當量為0.06 mm，尺寸測量精度可達0.1 mm。

4 結束語

(1)本研究提出了一種無監督的缺陷檢測方法，它對先驗樣本無特別要求，通過基于改進的區域生長算法與不變矩特征識別的硅電池片缺陷識別方法，首先通過邊緣定位，在整幅圖片中分割不同ROI區域。然后，通過所提出的方法精確識別多種缺陷。對電池串多重缺陷綜合評價檢測準確度高，虛警率控制在2%以下綜合檢測率達99.5%；

(2)本研究提出的改進的區域生長算法能夠快速返回各氮化硅連通區域的面積、區域的中心位置；根據氮化硅區域面積的數據特征，分離面積激增的區域，在區域的理想柵線處標明斷柵；利用不變矩與最小外接

圓等特征去除圖像多次處理后仍存在的雜點或檢測標準外的缺陷。多重缺陷檢測總時間控制在1 s內，充分滿足串焊生產線在線檢測需求；

(3)本研究提出的特征矩形測量方法能夠快速精確測算電池串(板)中的片間距、起焊點位置等尺寸參數。利用此方法結合基于亞像素的視覺測量方法，在樣機系統試運行中檢測精度可達0.1 mm。