利用机器视觉检测太阳能电池板缺陷

作者:Tigervs    发布时间:2019-08-10    浏览量:

根据太阳能产业协会的数据,美国太阳能市场在不断发展,2016年它的增长纪录几乎翻了一番,“有史以来第一次增加了比任何其他能源更多的发电能力”。这并不奇怪,因为太阳能被认为是最有前景的可再生能源资源之一,具有未实现的潜力,可以满足世界能源需求数千倍。

机器视觉检测太阳能电池板缺陷

然而,几年前太阳能行业面临质量危机时,出现了对光伏(PV)太阳能组件使用的一个重要担忧。当时,企业开始同时报告太阳能电池板,预计寿命为25年,仅在服务2年后开始出现故障。这可能表明光伏制造商及其客户在生产和开发过程中应更加关注太阳能电池板的质量控制。

太阳能电池板的缺陷

PV模块缺陷经过充分研究,并根据其性质,来源和对面板性能的影响进行分类。为了更好地理解缺陷检测问题,我们来探讨几种最常见的类型。

1、玻璃上的划痕会破坏薄的抗反射涂层,并可能导致输出降级。

2、破碎和破碎的细胞可能表现为边缘破损,针孔,V型破损和角落破损。这种类型的缺陷会降低面板的整体性能,因为它的输出会降低到最低的单元格。

3、微裂纹是一个严重的问题。未检测到,它们可以显着缩短面板寿命。在视觉上它们可能以所谓的蜗牛小径的形式出现(然而,蜗牛小径也可能由热点引起)。

4、中断的接触指(前触点)减少或甚至阻止电荷载流子流动,从而减小整个面板的输出。

上面列出的缺陷可以通过手动检查来检测,但是,这是一种需要使用昂贵的电检测电路的慢​​速方法。对检测速度的不断增长的需求(在保持合理的准确性的同时)需要新的技术娴熟的方法,例如工业机器视觉。

基于图像的太阳能电池板检测

由于机器视觉是半导体行业中最常见的自动检测方法之一,因此毫无疑问它已成功应用于制造过程中的PV模块缺陷检测。此外,来自阳光明媚的亚利桑那州的科学家最近证明,天空是太阳能电池板检测的极限,这表明使用基于图像的方法定期检查大型太阳能农场的光伏组件。

因此,让我们仔细研究光伏电池板质量检测中图像分析的这两个应用。

在生产线上

PV模块自动检测的软件部分通常包括两个步骤:图像预处理和模式识别。在第一步中,使用图像滤波和边缘增强方法来降低噪声并增强缺陷可见性。然后使用分类和聚类算法基于检测到的特征识别缺陷细胞。

为了满足检查准确性的要求,研究人员继续尝试分类和聚类技术,相应地涉及有监督和无监督的机器学习方法。

例如,马来西亚研究人员使用支持向量机(SVM)分类方法,赋予“改进的各向异性扩散滤波器和图像分割技术”,以检测多晶太阳能电池中的微裂纹缺陷[1]。SVM在微裂纹检测中的一致精度达到88%以上,随着训练样本数量的增加,算法精度也会提高。

另一项合作[2]建议使用独立元件分析(ICA)进行光伏组件中的表面缺陷检测。这种无监督的机器学习技术执行图像数据集的聚类,寻找规则的模式并定位它们的破损(缺陷)。虽然这种方法只能用于检测缺陷的存在,而不是对它们进行分类,但它在缺陷位置上的精确度为93.4%。

在该领域中

Arizonian科学家最近获得专利的想法[3]暗示在移动推车上使用红外摄像机以及图像分析算法来检查包含数百万PV板的大型太阳能农场。与生产线中使用的方法不同,该方法旨在处理在没有良好对准PV模块的情况下获得的图像。这表明在应用聚类算法之前需要对各个面板进行额外的分割。

该技术包括复杂的级联滤波和特征检测算法,随后是基于密度的噪声应用空间聚类(DBSCAN),一种用于模式识别的无监督机器学习算法。

所提出的方法已经在包含12,000多块太阳能电池板的现实世界数据集上进行了测试。该系统已成功识别超过98%的模块,并确定了所有缺陷的92%,这无疑是一个良好的开端。研究人员声称它能够达到97.9%的检出率,误报率为0.06%。

投入到生产流程中

虽然对该主题的研究仍在继续,但现有的机器视觉算法已经应用于太阳能电池板制造,提高了质量控制的速度和准确性。我们还可以期待它们很快将被用于检查大型太阳能发电场,作为复杂机器人或无人机系统的软件部分。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1