基于彩色機器視覺的多晶硅太陽能電池顏色分選技術研究

孫海杰，林俊強，李錚濤，李 濤，歐陽高飛

（華南理工大學 機械與汽車工程學院 機械電子工程研究所，廣州 510640）

0 引言

鑒于常規能源供給的有限性和環保壓力的增加，世界上許多國家掀起了開發和利用新能源的熱潮。在新能源中，特別引人矚目的是不斷地傾注于地球的永久性能源——太陽能。太陽能是一種干凈、清潔、無污染和取之不盡用之不竭的自然能源，將太陽能轉換為電能是大規模利用太陽能的重要技術基礎[1]。當前主要的太陽能轉換工具——多晶硅太陽能電池具有轉化[1]效率高、成本低和壽命長等優點。然而多晶硅太陽能電池生產工藝復雜，導致生產出的硅片具有不同顏色，而且顏色具有不均勻性，從而影響到電池片的光電轉換效率，并且不同轉換效率的太陽能電池放在一起使用時會減低整體的轉換效率，因此在生產的最后一道工序需要按照同一轉換效率和同樣顏色的標準對電池片進行分類。目前，對轉換效率的測試分選主要通過模擬太陽能光照射，在標準條件下對電池片的相關電參數進行測試，把不同電性能的電池片進行分類，而對顏色的分選，主要還是采用人工檢測的方式,依賴作業人員的視覺判斷,因此也帶來了很多檢測問題,同時產品質量很難得到保證[2]。針對這種情況，本文提出基于彩色機器視覺的多晶硅太陽能電池顏色分選算法，運用彩色機器視覺分析，對產品的顏色質量進行檢測分類，并開發出了模塊化的人機交互界面，有效解決人工作業所造成的問題與困難，提升了產品的品質與競爭能力。

1 基于顏色直方圖統計的顏色分類算法

多晶硅太陽能電池顏色分選是機器視覺的一種典型應用，太陽能電池先利用工業照相機采集圖像，然后通過一系列圖像預處理，對圖像進行去噪處理和圖像增強的預處理，進而進行顏色分選，并構建顏色分選系統。本文采用矢量中值濾波法來對圖像去噪、采用直方圖均衡化的方法來增強圖像的細節信息，最后，采用Canny邊緣檢測算法對圖像進行邊緣檢測以便讓系統準確地識別出圖像的邊界[3]。此外還利用卡尺上灰度值的變化來確保硅片圖像能很準確地校正定位。此外，顏色分類系統是在圖像灰度直方圖[4]上進行分析的，采用基于歐幾里德距離公式來實現圖像與模板的相似度測量。具體方法則是分別根據圖像H、S和I分量的直方圖上相同的灰度級對應于不同的頻率，從而計算出兩者的相似度，最后計算出來的結果越小，則表示圖像與模板越相似。實驗證明，這種方法能夠全面地反映兩種圖像的相似程度，而且能夠很好地滿足客戶對顏色分選的要求。

用一定的數值來有效的表示兩幅圖像在顏色上的相似程度，便是顏色的相似度度量問題。它是一個很重要的概念，特別是相似度的計算問題，這個也是圖像顏色分類的基礎。

相似度是以數值的形式表示兩個對象之問的相似程度。通常使用幾何模型，將圖像的特征看作是坐標空間中的點，兩個點的接近程度通常用它們之間的距離表示[5]。在顏色直方圖中，相似度的計算結果反映了兩個直方圖的分布是否相似，因此也表征了兩個圖像的色差程度。相似度的計算公式必須能夠符合以下兩點要求[6]。

1）與圖像的視覺感知相似度成正比，也即距離度量函數D(i,j)越小，表示圖像I,J從人類的視覺感知上來看，越接近，反之則越不相似。

2）計算盡量簡單。對于圖像的特征向量的距離度量函數D(i,j)應該盡量計算簡單，這樣才可以有效地節省計算時間。

為了達到以上的這兩點要求，應用比較廣泛的相似度計算公式主要有三種：歐氏距離法、絕對值距離法和加權距離法。

在這里，我們假設有兩樣本X={X1，X2，…，Xn}, Z={Z1，Z2，…，Zn}。

1）歐幾里德距離公式

經典的算法是計算直方圖之間的歐氏距離，即是按照直方圖每個灰度級的距離測量來進行相似度測量的。則X與Z的歐氏距離定義為：

距離D越大，就表示X和Z這兩個直方圖的差異越大；D越小，則表示X與Z越相似。這種方法得到的結果能夠全面地反映兩個直方圖的相似程度，原理比較簡單，但計算量稍微大一些。在本論文的顏色分選系統中，采用的正是歐氏距離法來衡量直方圖的相似度。

2）絕對值距離公式

絕對值距離公式跟歐氏距離公式很相似，它的表達式為：

這種算法的計算雖然比歐氏距離法要簡單，但是結果的精確度卻比歐氏距離法要差，這必然也會導致識別誤差的增大。

3）加權距離公式

這是一種比較靈活的算法，它可以根據不同的要求來確定具體的計算公式。

一個圖像的特征分量有好幾個，但每個分量對圖像相似度的貢獻作用并不是一樣的。比如，在HSI模型中，H分量比較能夠反映不同色彩的特征區別，其他兩個分量相對而言則弱之，那么，我們就可以給予H分量更大的權值。它的計算公式如下：

在式子中，W1、W2和Wn可以根據要求而取不同的值。這種算法有時能夠很好地對兩個圖像的相似度進行判別，但計算量也會隨之增加。

除了上述算法，還有一種基于隨機變量統計特征的直方圖匹配算法。這種新的算法思路需要涉及到直方圖的概率密度函數、均值和方差等概念。具體思路如下所示。

在直方圖中，橫坐標代表256位灰度級，縱坐標代表每一灰度級所出現的頻率（可視為概率），同時，縱坐標也可表示每種灰度的像素數目。簡而言之，若像素總數為n，灰度為t的像素數為nk，那么概率密度函數為：p(t) =nk/n

以下列出幾個直方圖統計特征：

其中，直方圖的均值表示其平均灰度；方差是對直方圖t值分布的分散性度量；直方圖的偏差（即扭曲度）是描述灰度分布偏離對稱情況的度量；峰值是對灰度分布的傾向是聚集于均值附近還是散布于尾端的度量；能量則反映了圖像顏色分布均勻程度；直方圖的熵是指對于等概率分布則具有最大的熵。

可見，上述方法都是對直方圖相似性測量的檢測法，它們從不同的角度對直方圖進行了描述。而在本論文中，還將運用一種新的直方圖檢測方法——近鄰法，即按最近似的模板的類別作為自己的類別，但是它的判別算法也是歐幾里德距離公式。實驗證明，這種新的檢測方法能夠很好地迎合客戶對于彩色分類的需求。

2 顏色分類方法與流程

2.1 建立模板

硅片模板的建立一般是由客戶指定，客戶根據自身需要事先建立n個模板，n的取值由客戶設定，這幾個模板分別設為X1、X2、X3、…、Xn。每個模板的色彩特征都不一樣，在HSI模型里，有的模板的H值可能比較大，其中一個分量數值的差異必定會對整幅圖像的色彩特征有一定的影響。我們在獲得客戶提供的這n個模板后，分別提取每個圖像的H、S、I分量值，并進行灰度化處理，分別繪出這三個分量的灰度直方圖，并存儲于軟件系統中。當新的硅片到達時，則對硅片進行處理，來跟這n個模板進行色彩匹配，最終對其進行分類。

2.2 顏色分類

首先對硅片進行灰度化處理，噪聲濾除，圖像增強，邊緣檢測后，再對硅片Z顏色進行灰度直方圖處理，建立其H、S、I分量的灰度直方圖。直方圖的橫坐標就是灰度級（0代表黑色，255代表白色），縱坐標就是該灰度級出現的頻率。當H、S和I三個分量的直方圖都建立完成之后，分別把所得到的直方圖與幾個模板的直方圖進行對比。并求出每個分量直方圖在相同灰度級上的頻數的差值，算出每個分量之間的方差，最后把三個分量的方差用一定的合成法則來總的數值D。最終對比不同模板之間D1、D2、D3、…、Dn，哪個值最小，則表示Z與哪個模板最相似，此時即可把該硅片歸類為這個模板。

具體操作為：在H分量的直方圖中，求出第一個灰度級的頻數與模板X1的進行減法處理，得出來的值設為H0，依次求出剩下255個灰度級與標準模板之間的差值H1、H2、H3、…、H255。求出這256個差值的平方的和，并開根號，公式為：

此時求出的數值即是硅片Z與模板X1在色彩方面的對比值。依次求出Z與模板X2、X3、…、Xn的對比值D2、D3、…、Dn，然后看哪個值最小。若D1最小，則表示硅片與模板1最相似，這樣子的話就可以把硅片歸為模板1一類。這樣即可完成硅片的色彩分類。

本文分別根據以上H、S、I三個參數以及綜合三種參數繪制出四種直方圖，通過直方圖將檢測片與模板進行比對,進而實現顏色分選。

3 實驗結果與分析

在軟件主界面上，選擇模板2作為當前模板，并繪制出模板2的H、S和I分量的直方圖。

圖1 顏色分類工作界面

圖1中，在“當前編輯 參數”一欄，只需要選擇“色彩檢測”即可。右邊的硅片是需要檢測的，而中間一欄的小硅片則是模板2，先是讓硅片與模板2進行比較。在開始檢測前，中間一欄已匯出了模板1的H、S和I分量的灰度直方圖（黃色線表示）。

當點擊“顯示當前硅片顏色直方圖”控件時，則在這三分量的坐標系中也會顯示出待檢測硅片的直方圖。如圖2所示。

圖2 待檢測硅片（青色線）與模板（黃色線）的直方圖

在圖2中，黃色線代表模板1的直方圖，青色線則代表待檢測硅片的直方圖。當畫出兩條直方圖時，點擊界面左側的“檢測“按鍵，系統便會計算出匹配后的差值，此例中計算出來的差值為75。

由圖3可知，模板的閾值為351，由于75<351，故把該硅片歸類為模板2。

圖3 參數選擇

4 結束語

本文通過深入分析多晶硅太陽能電池在機器視覺系統下的分選，根據灰度直方圖進行相似度對比，對多晶硅太陽能電池進行在線分選。并且所開發出的工作界面使檢測過程大大簡化，并且易于人工操作。實驗結果表明，改檢測方法可達到較高準確率，目前該方法已經在生產線上試用。

[1]秦桂紅.多晶硅薄膜太陽能電池的研制及發展趨勢[J].上海有色金屬, Shanghai Nonferrous Metals, 2004, 01.

[2]張舞杰, 李迪, 葉峰.硅太陽能電池紋理缺陷檢測[J].計算機應用, 30(10).

[3]潘琦.基于Canny算法的改進型圖像邊緣檢測算法[J].工業控制計算機.2011, 10.

[4]龔金云.基于灰度圖像直方圖的邊緣檢測[J].裝備制造技術.2007, 02.

[5]顏勇, 林代茂.圖像距離的研究方法[C].全國第二屆信息隱藏學術研討會, 2000-06-01.

[6]宋春剛.基于圖像的皮革顏色紋理檢測分類方法研究及系統研制[D].浙江大學, 2006.