張鵬娟

摘? 要： 為解決太陽能電池片質量檢測精度不佳、抗擾性差等問題，提出基于PSO?RBFNN的太陽能電池片表面質量檢測方法?；赑SO?RBFNN原理采集電池片質量缺陷條紋特征，根據(jù)采集到的條紋特征定位電池片質量缺陷區(qū)域;為保障定位的準確，結合最小二乘法對電池片質量缺陷區(qū)域進行降噪，最終實現(xiàn)對太陽能電池片表面質量的準確檢測。最后通過實驗證實，基于PSO?RBFNN的太陽能電池片表面質量檢測方法相對于傳統(tǒng)方法有更高的準確性，充分滿足研究要求。

關鍵詞： 電池質量分析; 檢測值對比; 太陽能電池片; PSO?RBF神經網絡; 外觀檢測; 圖像處理

中圖分類號： TN247?34; TP272? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 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

為了更好地保障太陽能電池片有效運行，結合PSO?RBFNN方法對太陽能電池片表面進行質量檢測。根據(jù)PSO?RBFNN方法對電池片表面條紋的鏡面反射結構光的異常變形情況進行采集和分析，獲取電池表面光線特征的梯度條紋分布數(shù)值[1]，并重建太陽能電池表面的三維模型，從而更加直觀地對電池片表面質量異常相位進行導向。進一步質量導向和相位原理進行高度躍變處理，準確標定異常區(qū)域的能源轉換情況，獲得精確的電池片異常區(qū)域測量相位[2]。對電池片表面細小孔洞物體造成的異常區(qū)域進行判斷，實現(xiàn)對電池片表面質量的準確檢測。最后通過實驗證實了基于PSO?RBFNN的太陽能電池片表面質量檢測方法的可行性和可靠性。相對于傳統(tǒng)的太陽能電池表面空間相位檢測方法有更高的優(yōu)越性和實用性。

1? 太陽能電池片表面質量檢測方法

1.1? 基于PSO?RBFNN的電池片缺陷條紋采集

為保障對太陽能電池片編碼質量的有效檢測，需要對電池片表面異常條紋特征進行采集，為保障采集數(shù)據(jù)的有效性，需要首先對電池片表面結構進行分析。在電池片表面結構中，N型層的表面區(qū)域為細柵線，其主要作用是通過利用正面電極模塊對陽光進行收集和集中存儲，從而將陽光能源轉入到N型層，并產生藍色氮化硅，從而在電池結構中自動形成減反射膜，從而防止電池表面光子被硅晶反射掉，并達到對陽光能源進行集中保存的效果[3]。在N型層與P型層之間的主柵線中進一步進行能源導出處理[4]。對太陽能電磁表面結構進行展示分析，具體如圖1所示。

基于太陽能電池結構特征進行分析，結合PSO?RBFNN原理對電池結構及電池規(guī)格進行規(guī)范，選用尺寸為148 mm[ ×]148 mm，評價厚度為160～180 pm的電池[5]。對太陽能電池片表面質量常見問題進行分析，具體包括：電池表面邊緣破損、腐蝕等導致電池出現(xiàn)粗柵、斷柵、花片缺角、邊緣破損等，導致電池片壽命降低、使用效果不佳等問題[6]。對太陽能電池片常見的表面質量問題及特征進行調查，具體如圖2所示。

根據(jù)太陽能電池片常見缺陷類型，有針對性地對太陽能電池片表面質量進行檢測，獲取太陽能電池片表面圖像，并對圖像進行PSO?RBFNN判斷，以便準確地對電池中的柵線影響程度進行檢測及特征數(shù)值提取[7]。結合PSO?RBFNN及中值濾波原理對電池圖像進行對比，并對太陽能電池中的柵線條紋灰度值進行定位檢測，判斷異常缺陷數(shù)值[8]。具體步驟如圖3所示。

基于以上特征采集步驟檢測電池表面條紋缺陷初始數(shù)值，并根據(jù)采集到的結果進一步對表面質量缺陷區(qū)域進行定位和降噪處理。結合質量缺陷條紋進行輸入和對比，以便檢測電池表面較為細微的缺陷區(qū)域質量異常參數(shù)[9]。為保障檢測結果的有效性，需要對缺陷區(qū)域進行定位并對定位區(qū)域進行圖像降噪處理，從而更加有效地實現(xiàn)對電池片表面質量的缺陷檢測。對電池片表面缺陷條紋區(qū)域定位步驟進行優(yōu)化，具體如圖4所示。

基于上述流程對電池表面的質量區(qū)域進行定位，并獲取該區(qū)域的二維圖像，以便進一步檢測。

1.2? 電池片表面缺陷數(shù)值降噪

在二維圖像的生產過程中，受到諸多因素影響，易出現(xiàn)諸多冗余信息，產生噪聲干擾，導致圖像監(jiān)測精度不佳等問題[10]。因此，需要對定位區(qū)域二維圖像進行降噪處理。采集電池片表面條紋異常區(qū)域的背景及檢測區(qū)域范圍內的褐色和白色區(qū)域像素值，并去除冗余數(shù)據(jù)[11]。由于太陽能電池片表面檢測圖像中，異常區(qū)域背景亮度通常會略低于其他區(qū)域，以此作為評判標準，結合PSO?RBFNN及閾值分割算法對二者的差異數(shù)值進行計算，從而實現(xiàn)對太陽能電池異常區(qū)域的背景分離處理，其具體過程如下：

1） 對采集到的區(qū)域異常圖像[li]進行轉換，并獲取局部圖灰度數(shù)值，記為[l′i]。

2） 對異常圖像數(shù)據(jù)[l′i]進行計算，獲取每行每列的背景圖像灰度數(shù)值，并分別對行、列數(shù)值集合進行記錄，即[Li=（l1，l2，…，lk），Hj=（h1，h2，…，hn）]。在上述集合中，[Li]表示在電池表面行間第[i]個特征點的灰度數(shù)值，同理，[Hj]表示在電池表面列間第[j]個特征點的灰度數(shù)值。

3） 根據(jù)步驟2）進一步對異常區(qū)域閾值進行計算，通過對太陽能電池片表面異常區(qū)域特性及邊界特征的采集，對電池片表面行列間的白色背景區(qū)域的最大抗擾性數(shù)值進行計算，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）]為特征區(qū)域范圍內的定位坐標，如在區(qū)域噪聲抗噪處理過程中，若[l∈Rm×n]為采集到的原始圖像，其像素大小為[k×g]，對原始圖像中的彩色數(shù)值進行提取，提取后的像素大小記為[m×n]。在此環(huán)境下，對采集到的電池表面圖像紋理特征進行抗擾提取，算法如下：

[d=（m×n）floor H（xi，yi）] （3）

[f=（k×g）floor L（xj，yj）] （4）

式中[floor]表示對圖像紋理左端進行抗擾數(shù)值取整。

經過上述算法可有效獲取最佳圖像抗擾后的分辨率[12]。結合中值濾波和PSO?RBFNN原理進一步對圖像噪聲進行消除處理。在去噪過程中，要對圖像內不同區(qū)域邊緣細節(jié)進行影響噪聲剔除，則需要對一維中值濾波和二維中值濾波進行分類[13]。由于檢測濾波具有多樣性，因此，在進行去噪處理的過程中需要根據(jù)前文算法對圖像分辨率進行規(guī)范，在此環(huán)境下更加直接地對噪聲干擾數(shù)值進行去除，具體噪聲干擾過濾算法如下：

[g（x，y）=Med： d*[f（t-x，r-y）-1]] （5）

式中：[g（x，y）]為電池片表面圖像去噪?yún)^(qū)域;Med表示中值濾波標準數(shù)值。

基于上述算法可有效對降噪后的太陽能電池片圖像進行獲取。

1.3? 太陽能電池片表面質量檢測的實現(xiàn)

結合前文方法進一步對太陽能電池片表面質量檢測方法進行優(yōu)化研究，對降噪處理后的電池表面質量檢測圖像進行研究和分析。結合太陽能電池表面結構材質的特殊性進行非柵線檢測，有針對性地對太陽能電池表面的質量異常區(qū)域進行修正處理[14]。將降噪處理后的電池片表面圖像進行轉換，設轉換后的圖像特征為[G（x，y）]，對檢測到的圖像進一步進行檢測，設檢測過程中的光源強度為[p]，光通量為[q]，則對太陽能電池板表面的光照度和光照映射投影分別進行計算，可得：

[Wi=p=1fg（x，y）-f] （6）

[Pi=q=1fg（x，y）-d] （7）

基于上述算法對檢測范圍內的光照度和光照映射投影進行判斷，根據(jù)計算數(shù)值對空間區(qū)域質量平滑度數(shù)值進行判斷，并通過頻域原理強化區(qū)域背景鄰域分辨率。在對電池表面質量進行檢測的過程中，需要對獲取圖像中的傅里葉參數(shù)進行轉換，獲取頻域空間分量數(shù)值及空域濾波[15]。根據(jù)采集到的空間濾波變化情況實現(xiàn)對太陽能電池片表面質量的檢測，對電池片表面質量異常區(qū)域進行精準定位，具體的電池板質量缺陷定位檢測原理如圖5所示。

基于空間域線性濾波檢測原理，對平衡狀態(tài)下的電池能源轉換質量[m]、電池質量異常區(qū)域半徑[R]，以及檢測過程中光照射的角度[α1]和[α2]進行規(guī)范。在約束條件下，對太陽能電池片能力轉換的不平衡數(shù)值進行計算，具體算法為：

[E=2mRcosα2-α12（Wi-Pi）α2+α12] （8）

根據(jù)以上算法，可有效計算太陽能電池表面光伏采集到的電能差異數(shù)值。由于太陽能電池具有一定的不規(guī)則性，因此，檢測過程中要對區(qū)域檢測圖像邊緣數(shù)值和細節(jié)區(qū)域進行采集對比，通過差值圖像進行圖像特征標記和識別，分析灰度曲線，從而實現(xiàn)對電池表面質量的準確檢測，具體步驟如圖6所示。