基于匹配濾波器的多晶硅電池片裂紋檢測方法

張玉婷，鄭茜穎，俞金玲

(福州大學物理與信息工程學院，福建福州 350000)

近年來，光伏能源在全世界大規模應用，在光伏能源中，太陽能是最可靠、清潔和無污染的可再生能源[1]。太陽電池片是光伏發電的關鍵部分，電池片缺陷會嚴重地影響光伏發電系統的穩定性以及壽命[2-3]。目前，裂紋缺陷主要依靠專業人員進行檢測識別，但是這種檢測方式缺乏快速性和魯棒性。因此，越來越多的國內外學者提出把基于計算機視覺的技術[4]應用到太陽電池片裂紋缺陷的自動檢測系統中。

根據圖像紋理特征之間的差異，現有的太陽電池片裂紋檢測方法可以分為以下三種：基于人工智能的檢測方法、基于均勻紋理的檢測方法和基于非均勻紋理的檢測方法。其中，基于人工智能的檢測方法主要是使用人工標記的數據集對分類器[5]和卷積神經網絡[6-7]進行訓練，無需區別背景的均勻程度，但是這種檢測方法需要標記大量的圖像和訓練樣本[8]，并且對非均質紋理背景圖像的裂紋識別準確率有待提高。基于均勻紋理的檢測方法，主要是通過傅里葉變換[9]、Gabor 變換[10-11]和離散小波變換[12-13]等方法識別裂紋缺陷，由于均勻紋理背景與裂紋缺陷之間的對比度較高，這些方法都可以有效地識別出裂紋，但是算法的復雜度較高，難以滿足在線檢測的實時性要求；基于非均勻紋理的檢測方法，目前主要是采用各向異性擴散系數法[14]、基于Hessian 矩陣的裂紋檢測[15]等方法進行裂紋檢測，但是這些方法具有一定局限性，在晶粒和裂紋高度混淆的情況下，裂紋誤檢率高。在之前提出的檢測方法上，設計了一種基于匹配濾波器和微分匹配均值濾波器的裂紋檢測方法，對多晶硅電池片進行裂紋檢測。

1 總體方案設計

本文方法的具體實現過程如下：首先，將原始的RGB 圖像轉換為單通道的灰度圖，降低算法的計算復雜度；其次，對灰度圖像進行線性反轉等增強操作；再利用旋轉矩陣構造出不同角度的匹配濾波器進行裂紋增強，為閾值分割提供基礎；同時采用微分匹配均值濾波器對灰度圖像的空間特征進行濾波處理，為閾值計算提供依據；然后，根據匹配閾值篩選完整的裂紋結構；最后，利用Hough 變換和形態學方法獲取連續的裂紋結構。系統整體框架如圖1 所示，分為裂紋匹配和裂紋提取兩個部分。

圖1 系統框架

2 多晶硅電池片裂紋檢測方法

2.1 預處理

本文范例選取ELPV-dataset 數據庫中的圖像進行算法驗證。為了方便后續算法實現，首先對裂紋圖像轉換為單通道灰度圖。為了更好地檢測裂紋特征，對灰度圖像進行線性反轉變換。

2.2 裂紋匹配

經過實驗觀察電池片的電致發光成像(Electroluminescence,EL)的三維截面如圖2 所示：(a)是裂紋結構灰度圖；(b)是裂紋結構對應的三維截面圖；(c)是晶粒結構灰度圖；(d)是晶粒結構對應的三維截面圖。可以發現裂紋三維圖像的特征與高斯曲線相似且截面圖像的梯度具有不對稱性，另外晶粒結構與線性晶粒結構都具有階梯幾何特征，這是因為多晶晶粒生長的本質是以正四面體晶格排列成多晶核結構。結合以上特點，本文采用高斯函數f(x,y)擬合裂紋截面圖像形狀以及階躍函數ε(x,y)模擬大塊的晶粒結構邊緣，以便于裂紋檢測算法驗證。如圖3 所示：(a)是裂紋結構模擬信號；(b)是晶粒結構模擬信號；(c)是裂紋匹配濾波響應圖；(d)是晶粒匹配濾波響應圖；(e)是裂紋微分匹配均值濾波響應圖；(f)是晶粒微分匹配均值濾波響應圖。

圖2 指定結構的灰度圖和三維截面圖

圖3 匹配濾波器和微分匹配均值的模擬信號響應圖

2.2.1 匹配濾波器

匹配濾波器[16]是一種識別目標對象空間特征的算子，對于裂紋結構具有強烈的響應。采用匹配濾波器與待處理圖像相卷積以匹配裂紋特征，識別圖像中的裂紋結構，為后續提取完整的裂紋提供基礎。濾波過程具體表示為：

式中：Hi(x,y)表示匹配濾波器；(x,y)表示像素點位置；i表示旋轉角度；δ表示濾波器的尺度。因為高斯曲線在[-3δ，3δ]的區域接近99%，所以t為常數3，L是沿y軸平滑噪聲的長度，參數L的設置與δ的值互相影響，δ較小時，L的取值也相對較小；反之亦然；mi表示濾波器內核均值，用于將濾波器均值標準化為0。

對于不同方向的裂紋檢測，匹配濾波器根據旋轉矩陣從不同角度尋找裂紋，旋轉矩陣Ri表示為：

2.2.2 微分匹配均值濾波器

雖然，匹配濾波器對于裂紋結構有強烈的響應，但如圖3(c)～(d)所示，發現匹配濾波器會對裂紋結構和晶粒結構都產生強烈的響應幅值，不能有效區分這兩種結構。因此，根據圖3 所發現的裂紋截面曲線梯度具有不對稱性這一特點，提出通過兩個濾波器匹配裂紋的方案。式(1)中定義了匹配濾波器的內核，可以推導出微分匹配濾波器的內核公式Gi(x,y)：

然后采用局部均值濾波器W與微分匹配濾波器的響應結果Gi相卷積，增加兩種結構響應差值，提高算法的魯棒性。其中局部均值濾波器的大小為w×w，系數為1/w2。

如圖3(e)～(f)所示，微分匹配均值濾波器對裂紋結構產生響應趨近于無，但對晶粒結構產生一定寬度的強烈響應。為方便論述，本文記匹配濾波器的響應圖為S，微分匹配均值濾波的響應圖為G。

綜上分析，得出以下結論：裂紋結構在S中存在高幅值，但在G中卻是低幅值；晶粒結構在S中存在高幅值，但在G中也是高幅值。因此提出根據G得出閾值T，然后把T應用于S來檢測裂紋結構。如果G的幅值很低，則說明周圍存在裂紋結構，T會相應變小以保證檢測到裂紋結構；如果G的幅值很高，則說明周圍存在晶粒結構，T會相應地變大以篩選晶粒結構。T的公式如下：

式中：μs為S的均值；q為常數，根據實驗經驗設置為3。最后裂紋匹配圖F由式(6)得出：

式中：S(x,y)為S的像素值矩陣；T(x,y)為計算出的閾值矩陣。

裂紋匹配步驟如下：

Step1 將本文選取的裂紋范例圖像與匹配濾波器相卷積，得到響應圖S，其結果以及相應的三維強度圖如圖4 所示。

圖4 匹配濾波器的響應圖以及對應三維強度顯示圖

Step2 將范例圖像進行微分匹配均值濾波，得到響應圖G，如圖5(a)所示。

Step3 然后對G進行歸一化處理，再根據閾值公式計算閾值T。

Step4 最后將T應用于匹配濾波器的響應圖S，得到閾值篩選結果如圖5(b)所示。

對比圖4 和圖5 可以看出，匹配濾波確實在一定程度上強化線性裂紋結構的對比度，但是同時也增強了一些晶粒結構。而本文算法中線性晶粒結構的去除效果明顯提高，同時為后面的裂紋提取保留了完整的裂紋結構。

圖5 微分匹配均值濾波響應圖和閾值篩選結果圖

2.3 裂紋提取

將閾值篩選后的圖像用Hough 算法去除柵線，得到如圖6(a)所示的裂紋結構圖，再通過形態學方法連接裂紋結構，得到最終結果，如圖6(b)所示。

圖6 檢測結果

3 驗證與分析

ELPV-dataset 是現有公開的、較為全面的太陽電池片EL圖像數據庫，可以利用這個數據庫比較相關算法的有效性，本文選取這個數據庫的數據測試本文算法性能。

3.1 驗證結果評價指標

本文選取認可度較高的像素點分類方法對裂紋檢測方法進行性能評估，該標準是將算法檢測結果和專家標準數據進行比較。像素統計有以下四種情況：真陽性(TP)、假陽性(FP)、真陰性(TN)、假陰性(FN)。如表1 所示，可以通過像素點分類結果計算出正確率(Acc)、誤檢率(Err)、靈敏度(Sn)。正確率(Acc)和靈敏度(Sn)的數值越接近1 表示算法的性能越好，誤檢率(Err)的數值越接近0 表示算法的性能越好。

表1 性能評估指標

3.2 驗證結果

為了充分地檢驗本文算法的綜合性能，對ELPV-dataset數據庫中的幾組代表性圖像進行驗證對比。將本文算法、基于marr-hildreth 的檢測算法[17]、基于Hessian 矩陣的檢測算法以及基于sobel 的檢測算法[18]進行對比實驗分析算法性能，實驗結果如圖7 所示。其中圖7(a)為EL 圖像，(b)為marrhildreth 算法檢測結果，(c)為sobel 算法檢測結果，(d)為Hessian 算法檢測結果，(e)為本文算法檢測結果，(f)是專業人員人工檢測的結果。

圖7 本文算法與其他算法檢測結果的對比

可以看出，基于marr-hildreth 的方法和基于sobel 的方法都只能檢測到裂紋結構較為清晰的部分，且對于強度相似的晶粒結構誤檢率較高，裂紋檢測的完整性較差。基于Hessian矩陣的方法檢測效果有提升，裂紋檢測的完整性有所改善，但是對于強度相似的晶粒結構的誤檢率仍然較高。本文提出的算法不僅能夠檢測出完整連貫的裂紋結構，還很好地解決了強度相似度較高的晶粒結構誤檢率高的問題。

表2 是本文算法針對ELPV-dataset 數據庫中圖像的3 個檢測性能指標的計算結果。由表可得，本文算法的平均準確率為0.999 6，靈敏度為0.965 6，誤檢率為0.000 0。本文算法在數據庫中有很好的檢測準確率、靈敏度和很低的誤檢率，具有良好的檢測性能。

表2 本文算法測試結果

同時，本文還計算了基于marr-hildreth 的檢測算法、基于Hessian 矩陣的檢測算法以及基于sobel 的檢測算法在數據庫中的檢測準確率、靈敏度和誤檢率，并與本文算法進行比較，結果如表3 和圖8 所示。結合表中的數據可以看出，本文算法在檢測準確率、靈敏度和誤檢率上都有很大的改善。

表3 算法性能比較

圖8 算法性能比較

4 結束語

本文分析了多晶硅太陽電池片現有的裂紋檢測方案，根據經典高斯函數的匹配濾波器高信噪比的特性，結合微分均值濾波器以及匹配閾值方案，提出了新的裂紋檢測方案。設計了基于高斯函數的匹配濾波器以擬合裂紋的輪廓，提高裂紋的識別率；用微分均值濾波器以及匹配閾值方案篩選解決了部分線性晶粒結構產生的偽響應問題；通過微分均值濾波器在裂紋響應和階躍響應之間產生明顯的強度響應差距，為匹配閾值方案濾除偽響應提供了良好的檢測基礎。將本文的算法應用于ELPV-dataset 數據庫中的測試結果與標準結果進行對比，實驗表明本文算法可以很好地處理裂紋檢測過程中出現的紊亂背景干擾問題以及晶粒誤檢問題，同時具有很好的正確率，總體裂紋檢測效果優于對比算法。