太阳能电池缺陷检测图像的分割技术

王志欣，田学民

（河北工业大学 信息工程学院，天津 300401）

当今世界面临的最大危机是能源与环境的矛盾，而为了解决这个危机，人类已经着手于开发和利用各种新能源，其中太阳能，作为一种普遍均匀、清洁环保的绿色资源，有着巨大的开发应用潜力。太阳能电池是这项技术的核心器件，直接影响发电效率。在太阳电池的生产过程中，容易产生一些隐性缺陷。隐性缺陷的存在将降低组件的效率、可靠性和使用寿命，因此太阳能电池的缺陷检测非常的重要。

电致荧光法是目前最常用的太阳能电池缺陷检测方法[1]。通过这种方法可以得到太阳能电池的红外图片，然后对去噪后的图像进行分割，之后对图像进行缺陷的识别和检测[2]。

在太阳能电池缺陷检测系统中，图像的分割技术起着至关重要的作用。图像的分割就是将图像中的目标和背景相分离的技术。图像分割处理的结果将直接影响到太阳能电缺陷特征的后续分类和识别。由于太阳能电池中的缺陷没有明显的边缘，因此只能使用区域分割法。本文采用一种针对太阳电池缺陷图像特性的阈值分割方法，这种方法比普通的直方图法和Otsu法更加的快速准确，能够很好的提取缺陷图像的特征，准确地进行图像分割，得到较好的二值图像。

1 直方图阈值分割法

如果前景物体内部灰度值分布比较均匀，背景灰度值的分布也是比较均匀的，这个图像的灰度直方图将有明显的双峰，如图1所示。当一幅图像的直方图具有双峰时，可以选择两峰之间的谷底作为阈值，将目标和背景分割开来。该方法简单，但是当两个峰值相差很远时不适用，因为前景和背景很可能有一部分灰度值是共有的，分割效果将不太理想。

图1 具有明显双峰的灰度直方图Fig.1 Has obvious bimodal histogram

太阳能电池缺陷图像，如图2所示。太阳能电池缺陷图像的直方图，如图3所示。选取直方图双峰之间的谷底作为阈值T。

其中，g（x）为阈值运算后的二值图像，运行后结果，如图4所示。

其表达式为：

图2 太阳能电池缺陷图像Fig.2 Solar cell defect image

图3 太阳能电池缺陷图像的直方图Fig.3 Histogram defective solar cell

图4 直方图法运行结果Fig.4 The result of histogram method

2 最大类间方差法（Otsu法）

当图像的背景与目标之间灰度差异较小时，即灰度直方图没有明显的双峰时，可以选用最大类间方差法[3]。在对图像进行阈值分割时，选定的分割阈值应使前景区域的平均灰度、背景区域的平均灰度与整幅图像的平均灰度之间差别最大，这种差异用区域的方差来表示。该算法计算过程简单，是一种稳定、常用的算法[4-5]。

设图像中灰度为i的像素数为ni，灰度范围为[0，L-1]，则总的像素数为：

各灰度值出现概率为：

对于 pi，有：

把图中的像素用阈值T分成两类C0和C1，C0由灰度值在[0，T-1]的像素组成，C1由灰度值在[T，L-1]的像素组成，则区域C0和C1的概率分别为：

区域C0和C1的平均灰度分别为：

其中，μ是整幅图像的平均灰度：

两个区域的总方差为：

让T在[0，L-1]范围内依次取值，使σ2B最大的T值便是最佳区域分割阈值[6]。

该方法是一种自动选择阈值的方法，而且能得到较好的结果。使用该方法处理缺陷图像的结果如图5所示。

图5 Otsu法运行结果Fig.5 The result of Otsumethod

3 自创的阈值分割方法

通过大量的实验统计，分析太阳能电池缺陷图像的数据，可以发现通过电致荧光法得到的太阳能电池图片中缺陷的荧光辐射强度基本为零，与不发光的主电极的灰度值基本相同，如图6所示，所以通过这种特点，可以采集主电极处的灰度值作为分割的阈值进行图像分割。

图6 太阳能电池缺陷图像Fig.6 Solar cell defect image

具体算法实现如下：

3）取两次结果的平均值的0.8作为分割阈值T；

4）对于灰度值大于T的像素，用255代替原灰度值，对于灰度值小于等于T的像素值，用0代替原来的像素值，对图像进行二值化。

图7 自创阈值分割结果Fig.7 Own threshold segmentation results

使用此算法处理太阳能电池缺陷图像的结果如图7所示。可以发现几乎所有缺陷区域都被提取出来了，提取效果非常的好。

4 实验结果对比

图4为直方图法的运行结果，由于缺陷图像的直方图具有双峰特性，所以分割结果较理想。但是如果直方图不具有双峰特性，提取结果将不理想，这种方法不具有普遍性。图5为Otsu法得到的分割图像，可以发现，虽然提取了缺陷区域，但也提取了过多的栅电极和一些不是缺陷的影响区域。图7为自创的阈值分割方法得到的分割图像，可以发现，这种方法不但提取了所有的缺陷区域，同时也减少了栅电极和其它非缺陷区域的影响，更好的把缺陷提取出来，同时，这种方法具有普遍性，使用范围较广，也更便于之后缺陷的分辨和识别。

5 结 论

本文根据电致荧光法得到的太阳能电池缺陷图像的特性，提出了一种自创的阈值分割方法，通过与直方图法和Otsu法进行试验对比，可以明显发现这种分割法可以快速准确地进行分割，具有较好的分割效果，有利于下一步对图像进行缺陷的识别和检测。

[1]张舞杰，李迪，叶峰.硅太阳能电池视觉检测方法研究[J].计算机应用，2010，30（1）:249-252.ZHANG Wu-jie，LI Di，YE Feng.Silicon solar cells visual inspection method[J].Computer Applications，2010，30（1）:249-252.

[2]丁叶飞，李红波，张滢清，等.硅太阳电池组件工艺缺陷的红外检测技术[J].太阳能，2010（2）:36-38.DING Ye-fei，LI Hong-bo，ZHANG Ying-qing，et al.Silicon solarmodules workmanship infrared detection technology[J].Solar，2010（2）:36-38.

[3]齐丽娜，张博，王战凯.最大类间方差法在图像处理中的应用[J].无线电工程，2006（7）:25-26.QI Li-na，ZHANG Bo，WANG Zhan-kai.Otsu method in image processing applications[J].Radio Engineering，2006（7）:25-26.

[4]刘直芳，王运琼，朱敏.数字图像处理与分析[M].北京：清华大学出版社，2006.

[5]郝颖明，朱枫.二维Otsu自适应阈值的快速算法[J].中国图象图形学报，2005（4）:88-92.HAO Ying-ming，ZHU Feng.Dimensional Otsu adaptive threshold fast algorithm[J].Chinese Journal of Image and Graphics，2005（4）:88-92.

[6]Marchadier J，Arqu`es D，Michelin S.Thinning Grayscale Well-Composed Images:A New Approach for Topological Coherent Image Segmentation [J].Discrete Geometry for Computer Imagery Lecture Notes in Computer Science，2002（2301）:360-371.