基于PSO?RBFNN的太阳能电池片表面质量检测

张鹏娟

摘  要： 为解决太阳能电池片质量检测精度不佳、抗扰性差等问题，提出基于PSO?RBFNN的太阳能电池片表面质量检测方法。基于PSO?RBFNN原理采集电池片质量缺陷条纹特征，根据采集到的条纹特征定位电池片质量缺陷区域;为保障定位的准确，结合最小二乘法对电池片质量缺陷区域进行降噪，最终实现对太阳能电池片表面质量的准确检测。最后通过实验证实，基于PSO?RBFNN的太阳能电池片表面质量检测方法相对于传统方法有更高的准确性，充分满足研究要求。

关键词： 电池质量分析; 检测值对比; 太阳能电池片; PSO?RBF神经网络; 外观检测; 图像处理

中图分类号： TN247?34; TP272                     文献标识码： A                    文章编号： 1004?373X（2020）09?0083?04

Solar cell surface quality detection based on PSO?RBFNN

ZHANG Pengjuan

（Yinchuan University of Energy， Yinchuan 750105， China）

Abstract： In view of the poor quality detection precision and anti?interference of solar cells， a solar cell surface quality detection method based on PSO?RBFNN is proposed. The stripe features of quality defects of solar cells are collected based on the theory of PSO?RBFNN， and the quality defect areas of solar cells are positioned according to the collected stripe features. In order to ensure an accurate positioning， noise reduction is carried out on the quality defect areas of solar cells in combination with the least square method to realize an accurate surface quality detection of solar cells finally. The experiment proves that the accuracy of the solar cell surface quality detection method based on PSO?RBFNN is higher than that of the traditional method. Therefore， the proposed method fully meets the research requirements.

Keywords： cell quality analysis; detected value contrast; solar cell; PSO?RBFNN; appearance inspection; image processing

0  引  言

为了更好地保障太阳能电池片有效运行，结合PSO?RBFNN方法对太阳能电池片表面进行质量检测。根据PSO?RBFNN方法对电池片表面条纹的镜面反射结构光的异常变形情况进行采集和分析，获取电池表面光线特征的梯度条纹分布数值[1]，并重建太阳能电池表面的三维模型，从而更加直观地对电池片表面质量异常相位进行导向。进一步质量导向和相位原理进行高度跃变处理，准确标定异常区域的能源转换情况，获得精确的电池片异常区域测量相位[2]。对电池片表面细小孔洞物体造成的异常区域进行判断，实现对电池片表面质量的准确检测。最后通过实验证实了基于PSO?RBFNN的太阳能电池片表面质量检测方法的可行性和可靠性。相对于传统的太阳能电池表面空间相位检测方法有更高的优越性和实用性。

1  太阳能电池片表面质量检测方法

1.1  基于PSO?RBFNN的电池片缺陷条纹采集

为保障对太阳能电池片编码质量的有效检测，需要对电池片表面异常条纹特征进行采集，为保障采集数據的有效性，需要首先对电池片表面结构进行分析。在电池片表面结构中，N型层的表面区域为细栅线，其主要作用是通过利用正面电极模块对阳光进行收集和集中存储，从而将阳光能源转入到N型层，并产生蓝色氮化硅，从而在电池结构中自动形成减反射膜，从而防止电池表面光子被硅晶反射掉，并达到对阳光能源进行集中保存的效果[3]。在N型层与P型层之间的主栅线中进一步进行能源导出处理[4]。对太阳能电磁表面结构进行展示分析，具体如图1所示。

基于太阳能电池结构特征进行分析，结合PSO?RBFNN原理对电池结构及电池规格进行规范，选用尺寸为148 mm[ ×]148 mm，评价厚度为160～180 pm的电池[5]。对太阳能电池片表面质量常见问题进行分析，具体包括：电池表面边缘破损、腐蚀等导致电池出现粗栅、断栅、花片缺角、边缘破损等，导致电池片寿命降低、使用效果不佳等问题[6]。对太阳能电池片常见的表面质量问题及特征进行调查，具体如图2所示。

根据太阳能电池片常见缺陷类型，有针对性地对太阳能电池片表面质量进行检测，获取太阳能电池片表面图像，并对图像进行PSO?RBFNN判断，以便准确地对电池中的栅线影响程度进行检测及特征数值提取[7]。结合PSO?RBFNN及中值滤波原理对电池图像进行对比，并对太阳能电池中的栅线条纹灰度值进行定位检测，判断异常缺陷数值[8]。具体步骤如图3所示。

基于以上特征采集步骤检测电池表面条纹缺陷初始数值，并根据采集到的结果进一步对表面质量缺陷区域进行定位和降噪处理。结合质量缺陷条纹进行输入和对比，以便检测电池表面较为细微的缺陷区域质量异常参数[9]。为保障检测结果的有效性，需要对缺陷区域进行定位并对定位区域进行图像降噪处理，从而更加有效地实现对电池片表面质量的缺陷检测。对电池片表面缺陷条纹区域定位步骤进行优化，具体如图4所示。

基于上述流程对电池表面的质量区域进行定位，并获取该区域的二维图像，以便进一步检测。

1.2  电池片表面缺陷数值降噪

在二维图像的生产过程中，受到诸多因素影响，易出现诸多冗余信息，产生噪声干扰，导致图像监测精度不佳等问题[10]。因此，需要对定位区域二维图像进行降噪处理。采集电池片表面条纹异常区域的背景及检测区域范围内的褐色和白色区域像素值，并去除冗余数据[11]。由于太阳能电池片表面检测图像中，异常区域背景亮度通常会略低于其他区域，以此作为评判标准，结合PSO?RBFNN及阈值分割算法对二者的差异数值进行计算，从而实现对太阳能电池异常区域的背景分离处理，其具体过程如下：

1） 对采集到的区域异常图像[li]进行转换，并获取局部图灰度数值，记为[l′i]。

2） 对异常图像数据[l′i]进行计算，获取每行每列的背景图像灰度数值，并分别对行、列数值集合进行记录，即[Li=（l1，l2，…，lk），Hj=（h1，h2，…，hn）]。在上述集合中，[Li]表示在电池表面行间第[i]个特征点的灰度数值，同理，[Hj]表示在电池表面列间第[j]个特征点的灰度数值。

3） 根据步骤2）进一步对异常区域阈值进行计算，通过对太阳能电池片表面异常区域特性及边界特征的采集，对电池片表面行列间的白色背景区域的最大抗扰性数值进行计算，算法如下：

[H（xi，yi）=Li（x，y），  Li≤mean（L），i∈（1，k）delete，otherwise] （1）

[L（xj，yj）=Hj（x，y），   Hj≤mean（H），j∈（1，n）delete，otherwise] （2）

式中：[（x，y）]为特征区域范围内的定位坐标，如在区域噪声抗噪处理过程中，若[l∈Rm×n]为采集到的原始图像，其像素大小为[k×g]，对原始图像中的彩色数值进行提取，提取后的像素大小记为[m×n]。在此环境下，对采集到的电池表面图像纹理特征进行抗扰提取，算法如下：

[d=（m×n）floor H（xi，yi）] （3）

[f=（k×g）floor L（xj，yj）] （4）

式中[floor]表示对图像纹理左端进行抗扰数值取整。

经过上述算法可有效获取最佳图像抗扰后的分辨率[12]。结合中值滤波和PSO?RBFNN原理进一步对图像噪声进行消除处理。在去噪过程中，要对图像内不同区域边缘细节进行影响噪声剔除，则需要对一维中值滤波和二维中值滤波进行分类[13]。由于检测滤波具有多样性，因此，在进行去噪处理的过程中需要根据前文算法对图像分辨率进行规范，在此环境下更加直接地对噪声干扰数值进行去除，具体噪声干扰过滤算法如下：

[g（x，y）=Med： d*[f（t-x，r-y）-1]] （5）

式中：[g（x，y）]为电池片表面图像去噪区域;Med表示中值滤波标准数值。

基于上述算法可有效对降噪后的太阳能电池片图像进行获取。

1.3  太阳能电池片表面质量检测的实现

结合前文方法进一步对太阳能电池片表面质量检测方法进行优化研究，对降噪处理后的电池表面质量检测图像进行研究和分析。结合太阳能电池表面结构材质的特殊性进行非栅线检测，有针对性地对太阳能电池表面的质量异常区域进行修正处理[14]。将降噪处理后的电池片表面图像进行转换，设转换后的图像特征为[G（x，y）]，对检测到的图像进一步进行检测，设检测过程中的光源强度为[p]，光通量为[q]，则对太阳能电池板表面的光照度和光照映射投影分别进行计算，可得：

[Wi=p=1fg（x，y）-f] （6）

[Pi=q=1fg（x，y）-d] （7）

基于上述算法对检测范围内的光照度和光照映射投影进行判断，根据计算数值对空间区域质量平滑度数值进行判断，并通过频域原理强化区域背景邻域分辨率。在对电池表面质量進行检测的过程中，需要对获取图像中的傅里叶参数进行转换，获取频域空间分量数值及空域滤波[15]。根据采集到的空间滤波变化情况实现对太阳能电池片表面质量的检测，对电池片表面质量异常区域进行精准定位，具体的电池板质量缺陷定位检测原理如图5所示。

基于空间域线性滤波检测原理，对平衡状态下的电池能源转换质量[m]、电池质量异常区域半径[R]，以及检测过程中光照射的角度[α1]和[α2]进行规范。在约束条件下，对太阳能电池片能力转换的不平衡数值进行计算，具体算法为：

[E=2mRcosα2-α12（Wi-Pi）α2+α12] （8）

根据以上算法，可有效计算太阳能电池表面光伏采集到的电能差异数值。由于太阳能电池具有一定的不规则性，因此，检测过程中要对区域检测图像边缘数值和细节区域进行采集对比，通过差值图像进行图像特征标记和识别，分析灰度曲线，从而实现对电池表面质量的准确检测，具体步骤如图6所示。