基于彩色机器视觉的多晶硅太阳能电池颜色分选技术研究

2012-10-16孙海杰林俊强李铮涛欧阳高飞

制造业自动化 2012年21期

孙海杰，林俊强，李铮涛，李涛，欧阳高飞

（华南理工大学机械与汽车工程学院机械电子工程研究所，广州 510640）

0 引言

鉴于常规能源供给的有限性和环保压力的增加，世界上许多国家掀起了开发和利用新能源的热潮。在新能源中，特别引人瞩目的是不断地倾注于地球的永久性能源——太阳能。太阳能是一种干净、清洁、无污染和取之不尽用之不竭的自然能源，将太阳能转换为电能是大规模利用太阳能的重要技术基础[1]。当前主要的太阳能转换工具——多晶硅太阳能电池具有转化[1]效率高、成本低和寿命长等优点。然而多晶硅太阳能电池生产工艺复杂，导致生产出的硅片具有不同颜色，而且颜色具有不均匀性，从而影响到电池片的光电转换效率，并且不同转换效率的太阳能电池放在一起使用时会减低整体的转换效率，因此在生产的最后一道工序需要按照同一转换效率和同样颜色的标准对电池片进行分类。目前，对转换效率的测试分选主要通过模拟太阳能光照射，在标准条件下对电池片的相关电参数进行测试，把不同电性能的电池片进行分类，而对颜色的分选，主要还是采用人工检测的方式,依赖作业人员的视觉判断,因此也带来了很多检测问题,同时产品质量很难得到保证[2]。针对这种情况，本文提出基于彩色机器视觉的多晶硅太阳能电池颜色分选算法，运用彩色机器视觉分析，对产品的颜色质量进行检测分类，并开发出了模块化的人机交互界面，有效解决人工作业所造成的问题与困难，提升了产品的品质与竞争能力。

1 基于颜色直方图统计的颜色分类算法

多晶硅太阳能电池颜色分选是机器视觉的一种典型应用，太阳能电池先利用工业照相机采集图像，然后通过一系列图像预处理，对图像进行去噪处理和图像增强的预处理，进而进行颜色分选，并构建颜色分选系统。本文采用矢量中值滤波法来对图像去噪、采用直方图均衡化的方法来增强图像的细节信息，最后，采用Canny边缘检测算法对图像进行边缘检测以便让系统准确地识别出图像的边界[3]。此外还利用卡尺上灰度值的变化来确保硅片图像能很准确地校正定位。此外，颜色分类系统是在图像灰度直方图[4]上进行分析的，采用基于欧几里德距离公式来实现图像与模板的相似度测量。具体方法则是分别根据图像H、S和I分量的直方图上相同的灰度级对应于不同的频率，从而计算出两者的相似度，最后计算出来的结果越小，则表示图像与模板越相似。实验证明，这种方法能够全面地反映两种图像的相似程度，而且能够很好地满足客户对颜色分选的要求。

用一定的数值来有效的表示两幅图像在颜色上的相似程度，便是颜色的相似度度量问题。它是一个很重要的概念，特别是相似度的计算问题，这个也是图像颜色分类的基础。

相似度是以数值的形式表示两个对象之问的相似程度。通常使用几何模型，将图像的特征看作是坐标空间中的点，两个点的接近程度通常用它们之间的距离表示[5]。在颜色直方图中，相似度的计算结果反映了两个直方图的分布是否相似，因此也表征了两个图像的色差程度。相似度的计算公式必须能够符合以下两点要求[6]。

1）与图像的视觉感知相似度成正比，也即距离度量函数D(i,j)越小，表示图像I,J从人类的视觉感知上来看，越接近，反之则越不相似。

2）计算尽量简单。对于图像的特征向量的距离度量函数D(i,j)应该尽量计算简单，这样才可以有效地节省计算时间。

为了达到以上的这两点要求，应用比较广泛的相似度计算公式主要有三种：欧氏距离法、绝对值距离法和加权距离法。

在这里，我们假设有两样本X={X1，X2，…，Xn}, Z={Z1，Z2，…，Zn}。

1）欧几里德距离公式

经典的算法是计算直方图之间的欧氏距离，即是按照直方图每个灰度级的距离测量来进行相似度测量的。则X与Z的欧氏距离定义为：

距离D越大，就表示X和Z这两个直方图的差异越大；D越小，则表示X与Z越相似。这种方法得到的结果能够全面地反映两个直方图的相似程度，原理比较简单，但计算量稍微大一些。在本论文的颜色分选系统中，采用的正是欧氏距离法来衡量直方图的相似度。

2）绝对值距离公式

绝对值距离公式跟欧氏距离公式很相似，它的表达式为：

这种算法的计算虽然比欧氏距离法要简单，但是结果的精确度却比欧氏距离法要差，这必然也会导致识别误差的增大。

3）加权距离公式

这是一种比较灵活的算法，它可以根据不同的要求来确定具体的计算公式。

一个图像的特征分量有好几个，但每个分量对图像相似度的贡献作用并不是一样的。比如，在HSI模型中，H分量比较能够反映不同色彩的特征区别，其他两个分量相对而言则弱之，那么，我们就可以给予H分量更大的权值。它的计算公式如下：

在式子中，W1、W2和Wn可以根据要求而取不同的值。这种算法有时能够很好地对两个图像的相似度进行判别，但计算量也会随之增加。

除了上述算法，还有一种基于随机变量统计特征的直方图匹配算法。这种新的算法思路需要涉及到直方图的概率密度函数、均值和方差等概念。具体思路如下所示。

在直方图中，横坐标代表256位灰度级，纵坐标代表每一灰度级所出现的频率（可视为概率），同时，纵坐标也可表示每种灰度的像素数目。简而言之，若像素总数为n，灰度为t的像素数为nk，那么概率密度函数为：p(t) =nk/n

以下列出几个直方图统计特征：

其中，直方图的均值表示其平均灰度；方差是对直方图t值分布的分散性度量；直方图的偏差（即扭曲度）是描述灰度分布偏离对称情况的度量；峰值是对灰度分布的倾向是聚集于均值附近还是散布于尾端的度量；能量则反映了图像颜色分布均匀程度；直方图的熵是指对于等概率分布则具有最大的熵。

可见，上述方法都是对直方图相似性测量的检测法，它们从不同的角度对直方图进行了描述。而在本论文中，还将运用一种新的直方图检测方法——近邻法，即按最近似的模板的类别作为自己的类别，但是它的判别算法也是欧几里德距离公式。实验证明，这种新的检测方法能够很好地迎合客户对于彩色分类的需求。

2 颜色分类方法与流程

2.1 建立模板

硅片模板的建立一般是由客户指定，客户根据自身需要事先建立n个模板，n的取值由客户设定，这几个模板分别设为X1、X2、X3、…、Xn。每个模板的色彩特征都不一样，在HSI模型里，有的模板的H值可能比较大，其中一个分量数值的差异必定会对整幅图像的色彩特征有一定的影响。我们在获得客户提供的这n个模板后，分别提取每个图像的H、S、I分量值，并进行灰度化处理，分别绘出这三个分量的灰度直方图，并存储于软件系统中。当新的硅片到达时，则对硅片进行处理，来跟这n个模板进行色彩匹配，最终对其进行分类。

2.2 颜色分类

首先对硅片进行灰度化处理，噪声滤除，图像增强，边缘检测后，再对硅片Z颜色进行灰度直方图处理，建立其H、S、I分量的灰度直方图。直方图的横坐标就是灰度级（0代表黑色，255代表白色），纵坐标就是该灰度级出现的频率。当H、S和I三个分量的直方图都建立完成之后，分别把所得到的直方图与几个模板的直方图进行对比。并求出每个分量直方图在相同灰度级上的频数的差值，算出每个分量之间的方差，最后把三个分量的方差用一定的合成法则来总的数值D。最终对比不同模板之间D1、D2、D3、…、Dn，哪个值最小，则表示Z与哪个模板最相似，此时即可把该硅片归类为这个模板。

具体操作为：在H分量的直方图中，求出第一个灰度级的频数与模板X1的进行减法处理，得出来的值设为H0，依次求出剩下255个灰度级与标准模板之间的差值H1、H2、H3、…、H255。求出这256个差值的平方的和，并开根号，公式为：