基于改进动态阈值分割算法的光伏电池组件裂纹检测研究

曹茂深，黄 勇*，张 思，孙先波，易金桥，梁树先，叶建聪

(1.湖北民族大学 信息工程学院，湖北 恩施 445000；2.广州风标教育技术股份有限公司，广州 510700)

光伏电池组件是太阳能光伏产业的重要组成部分，电池组件裂纹的检测关系到光伏发电系统的输出功率和正常运行.然而，常规的电池组件裂纹检测方法存在人工成本高、检测标准不唯一等问题[1-2].为解决检测方法的单一性和烦琐性，满足光伏产业及光伏用户需求，进行电池组件裂纹检测的算法研究具有重要研究意义[3].

计算机技术和图像处理技术的发展为电池组件裂纹检测提供了良好的技术支撑，通过光伏电池组件图像的采集和存储，使得其裂纹的检测成为现实[4-7].Decor等[8]在随机生成图像的基础上，加入深度学习的思想，对预处理后的图片进行阈值集合的检测，以此来判断当前画面是否存在裂纹情况，该方法能够精准识别裂纹的具体位置，但是容易受到噪声的影响，导致误判的情况发生；Hutchinson等[9]在canny算子的基础上，融入小波变换的思想，将二者的优点进行细致的结合，再进行裂纹的检测，通过某些特征性参数来报告裂纹情况，但易受图像噪声的影响；李彦等[10]提出了Canny优化算子，该算法利用动态惩罚因子进行边缘信息的提取，虽然大部分裂纹可以检测出来并做好标记，但其检测准确率并不是很高，且检测的裂纹不完整；邓鑫等[11]在原有阈值分割算法的基础上融入改进因子，其目的主要是进行荧光磁粉的裂纹检测，从试验效果来看，改进后的算法能够有效提高识别率，但是精确度还达不到工业水平要求，存在一定的局限性.

针对上述问题，在现有研究方案基础上，提出一种针对光伏电池组件裂纹进行智能检测和标记的动态阈值分割算法，介绍该算法的实现过程，通过实验验证该算法的有效性.

图1 裂纹检测方法示意图Fig.1 Schematic diagram of photovoltaic modules crack detection method

图2 系统实现框图Fig.2 Block diagram of system realization

图3 人工目视检测示意图Fig.3 Schematic diagram of manual visual inspection

1 基本理论

太阳能电池组件受到外力作用可能会产生裂纹和缺角的严重事故，进而引起光伏发电系统的运行异常.目前渗透法、超声法、红外线法等检测方法比较常见，但此类方法均为接触式的检测，在现场检测存在诸多不便.现有的检测方法如图1所示.

基于太阳能电池组件的裂纹识别，采用自然环境下的光伏电池组件为研究对象，对采集图像预处理之后进行阈值信息提取，利用动态阈值分割算法模型进行阈值特征搜索，通过多重迭代确定裂纹时出现的面积最小值，基于区域闭运算拟合准则来识别裂纹，为识别光伏电池组件裂纹提供一种行之有效的参考.系统实现流程如图2所示.

1.1 人工目视检测

人工目视检测就是借助人眼来进行观察，或借助放大镜等设备来观察是否存在缺陷[12].可以大致记录下裂纹的位置、长宽度等数值.但是这样的检测方法对于工作人员的劳动量要求很高，并且会受到检查者自身因素的影响，因此该方法对于裂纹检测存在较大不准确性[13].具体如图3所示.

1.2 动态阈值分割

选择改进后的动态阈值法来完成裂纹的分割，在多类像素点的基础上，它是一种针对区域的分割技术，其计算量小、性能稳定，逐渐成为图像分割中最基本的分割技术[14-15].在很多工程实践中，图像的状态分析以及部分特征的提取需要完成复杂的图像预处理过程，区域内部属性应保持一致，而邻域的准则恰与之相反[16]，仅仅使用一个全局阈值，全面的像素区域提取几乎很难完成，因此本文对动态阈值进行改进后，基于图像分块的思路，依次对各个块进行区域提取与分割操作.

2 算法描述

2.1 算法原理

算法设计核心采用的是动态阈值分割法，设计思路是首先用大尺度、高强度的动态阈值分割法进行正常线提取；然后用小尺度、小阈值进行全线提取；其次与得到的正常区域做差，得到缺陷的可疑区域；接着根据形态学处理进行杂质过滤；再根据长宽比进行再次过滤；最后通过闭运算进行拟合来得到图片的裂纹分割图.

2) 将阈值集合Dp构成的区域定义为候选提取区域Dc，在Dc中搜索小于阈值T的灰度像素点完成非常规提取，并将其加入到Dp中.如果没有，则将候选集合Dc中灰度值最低的像素加入到Dp中作为正常线提取的基准像素点.

图4 动态阈值分割流程Fig.4 Dynamic threshold segmentation flowchart

图5 光伏电池组件原图与图像处理过程Fig.5 Process of original drawing and processing images of photovoltaic modules

6) 利用平方差公式来计算最小误差值.平方差值条件为：F(r+1)2-F(r)2≤η.其中η为最小误差，r为阈值系数.

7) 一旦上述条件成立，返回中断值，停止对区域内的线性提取，否则返回步骤2)，直至满足条件为止.

8) 输出光伏电池组件的裂纹阈值分割图.

2.2 算法设计流程

光伏电池组件的裂纹检测依靠动态阈值分割准则来输出，首先对输入图像进行宽21高1的均值平滑；然后利用平滑图像和原图像绝对值做差；其次对差值图进行阈值分割，进行小面积过滤除去图片杂质；接着对图像进行宽5高1的均值平滑，绝对值做差之后再次进行阈值分割这样可以避免像素的中心点发生变化；最后进行区域做差，利用相似度准则来进行二次小面积过滤和长宽比过滤，闭运算拟合之后就可以输出完整的裂纹分割图.设计流程如图4所示.

在如图4的流程中，由无人机采集自然环境下的光伏电池组件裂纹图像，完成图像的RGB分量的灰度变换，提取其断裂处分量信息，通过求中心区域点的像素矩阵大小，来确定裂纹长度的分割等级，至少提取3次，以免陷入局部最小值，用最小面积对裂纹处像素进行标记，并重新采用小长宽比来完成均值平滑，定义区域的分割等级.划分原则是：与初始像素集合中心点匹配的继续保留，生成裂纹分割图.

3 实验结果与分析

3.1 图像采集与处理

图5(a)(b)为无人机采集到的光伏电池组件原图.将采集到的光伏电池组件图像经过灰度化处理，图片像素尺寸为292×292，经处理后的灰度图如图5(c)(d)所示.将得到灰度图像后对其进行平滑处理，然后进行做差处理，将其作为原始的提取空间阈值集合.其平滑后如图5(e)(f)所示.

平滑处理后，需要对其进行线性分割处理，生成阈值集合中心区域，其线性分割效果如图6(a)(b)所示；线性分割过程完成后进行最小面积过滤，其目的是为了滤去阈值集合中心附近的干扰像素点，以实现最好的识别效果，进一步为闭运算拟合做准备.最小面积过滤如图6(c)(d)所示.

图6 线性分割和最小面积过滤图Fig.6 Linear segmentation graph and minimum area filter map

图7 Ostu算法分割Fig.7 Map of Ostu algorithm segmentation

图8 动态阈值分割算法裂纹识别Fig.8 Dynamic threshold segmentation algorithm crack recognition map

3.2 Ostu算法分割

Ostu算法是图像处理中进行二值化分割的最简便、最常用的算法，采集到图像的原始像素数据后，需要计算图像间的最大类间方差，并以此来保证图像的背景与前景的差值是维持在最大值范围内，最终实现最佳的分割效果.

图7为Ostu裂纹分割图，其主要依靠图像阈把原始像素分割成前景和背景两个区域，根据不同阈值区间下的像素点数、质量矩、平均灰度来计算方差，并预先设定好分割区域的最低阈值，图像可以分为暗区和亮区，由此完成分割.

3.3 改进动态阈值算法分割

动态阈值分割作为一种经典的基于灰度图像的划分算法，它在图片的裂纹检测方面具有较好的应用前景，由于其简捷、高效、识别效果较好等优点，使得该算法得到进一步的应用和实践.

图8为改进动态阈值分割算法裂纹识别图，其中图8(a)(b)(c)分别为图5(a)的提取差值信息图、长宽比过滤图、闭运算拟合图；图8(d)(e)(f)分别为图5(b)的提取差值信息图、长宽比过滤图、闭运算拟合图.通过动态阈值算法和Ostu算法的识别效果对比，可以看出后者虽可以很好利用阈值差异，将图像中的裂纹纹理分割出来，但是进行二值化处理远远不够精准，效果不理想，而前者能较好完成裂纹的识别，识别率优于Ostu算法.通过对捕获的500张光伏板裂纹图像的识别率及完整度的比较，其中裂纹识别率为算法识别的裂纹图占整个图像总数的比值，裂纹完整度为识别的裂纹的长度与实际长度的比值，其具体情况如表1所示.

表1 Ostu算法与改进动态阈值算法性能对比Tab.1 Performance comparison between Ostu algorithm and improved dynamic threshold algorithm

4 结论

针对自然环境下采集的光伏电池组件图像进行裂纹识别，在提取图像阈值分量信息的基础上，通过对像素中心数组来定义区域块等级，基于两个不同阈值中心的图像，研究改进动态阈值算法与Ostu算法对裂纹的识别效果.实验结果表明，改进后的动态阈值分割算法，其裂纹识别率与裂纹处形态的完整度明显优于Ostu算法，说明该改进算法能够适用于光伏电池组件裂纹识别的研究，具有较好的研究价值与推广意义.