摘要：為提高電致發(fā)光缺陷檢測(cè)儀成像系統(tǒng)性能評(píng)估過(guò)程中線(xiàn)對(duì)圖像判別的準(zhǔn)確率與重復(fù)性，文中參考相關(guān)標(biāo)準(zhǔn)，采用專(zhuān)用算法實(shí)現(xiàn)對(duì)線(xiàn)對(duì)圖像的自動(dòng)識(shí)別，并與人眼判別結(jié)果進(jìn)行比較。同時(shí)建立模型，采用蒙特卡洛法評(píng)估算法判別線(xiàn)對(duì)圖像的不確定度的方法，分析空間分辨率測(cè)試板加工誤差、圖像傾斜角度、圖像灰度均勻度三個(gè)影響因素對(duì)算法判別的影響。結(jié)果表明，相對(duì)于人眼判別，采用算法判別的準(zhǔn)確率和重復(fù)性較好，準(zhǔn)確率達(dá)98%，重復(fù)性達(dá)100%。針對(duì)示例，采用蒙特卡洛法評(píng)定的算法判別不確定度結(jié)果為0.0387lp/mm?？傮w來(lái)說(shuō)，相對(duì)于人眼判別，采用算法進(jìn)行判別能在很大程度上提高電致發(fā)光缺陷檢測(cè)儀成像系統(tǒng)性能評(píng)估過(guò)程中線(xiàn)對(duì)圖像判別的準(zhǔn)確率與重復(fù)性。

關(guān)鍵詞：光伏；電致發(fā)光缺陷檢測(cè)儀；空間分辨率；蒙特卡洛法

Performance Evaluation of Imaging System of Electroluminescent Defect Detector for Photovoltaic

XU Caijun

（Fujian Special Equipment Inspection and Research Institute， Fuzhou 350008， Fujian， China）

Abstract： In order to improve the accuracy and repeatability of line pair image discrimination in the performance evaluation process of the electroluminescent defect detector imaging system. Refer to relevant standards， a special algorithm is used to realize automatic discrimination of line pair images， and the results are compared with manual discrimination by human eyes. At the same time， a model is established， and the method of using Monte Carlo method to evaluate the uncertainty of line pair image is studied， and the influence of three factors on algorithm discrimination results are analyzed， including the machining accuracy of the spatial resolution test board， the image tilt angle， and the uniformity of image. The results show that the accuracy and repeatability of the algorithm discrimination are better than manual discrimination by human eyes， with the accuracy of 98% and the repeatability of 100%. For the example given， the uncertainty of the algorithm discrimination is 0.0387 lp/mm. In general， compared with human eye discrimination， algorithms discrimination can greatly improve the accuracy and repeatability of line pair image discrimination in the performance evaluation process of the electroluminescent defect detector imaging system， and the uncertainty of the discrimination results is low.

Key Words： Photovoltaic; Electroluminescent defect detector; Spatial resolution; Monte carlo method

0引言

光伏組件在生產(chǎn)過(guò)程中由于原料污染、工藝參數(shù)不良、意外碰撞等因素，可能導(dǎo)致光伏組件出現(xiàn)暗片、斷柵、裂片、焊接不良等缺陷[1-2]，部分缺陷無(wú)法用人眼識(shí)別。因此，光伏組件生產(chǎn)企業(yè)采用電致發(fā)光缺陷檢測(cè)儀識(shí)別光伏組件上的缺陷?；驹硎峭ㄟ^(guò)將光伏組件的正負(fù)極與直流電源正負(fù)極相連，通過(guò)電源控制組件，同時(shí)采用相機(jī)對(duì)組件電致發(fā)光信號(hào)進(jìn)行采集，利用圖像處理軟件將被測(cè)組件的電致發(fā)光圖像（以下簡(jiǎn)稱(chēng)“EL圖像”）顯示在電腦屏幕上[3-5]。

而成像系統(tǒng)是EL設(shè)備重要的組成之一，成像系統(tǒng)的好壞直接影響其拍攝圖像的質(zhì)量。因此，對(duì)于成像系統(tǒng)的性能評(píng)估至關(guān)重要，目前文獻(xiàn)[6-8]中提到采用空間分辨率測(cè)試板對(duì)EL設(shè)備的成像系統(tǒng)進(jìn)行性能評(píng)估。具體的方法為：所采用的空間分辨率測(cè)試板如圖1所示，材質(zhì)為不透光的薄片，其蝕刻一系列水平與垂直的鏤空線(xiàn)對(duì)，每個(gè)線(xiàn)對(duì)包含6個(gè)等距排列的相同矩形（如圖2所示），相鄰矩形間隔等于矩形寬度，每個(gè)線(xiàn)對(duì)對(duì)應(yīng)一個(gè)空間分辨率，空間分辨率采用式（1）計(jì)算。

（1）

式中，為空間分辨率，單位為lp/mm，d為矩形寬度，單位為mm。在評(píng)估EL設(shè)備成像系統(tǒng)性能時(shí)，將5個(gè)空間分辨率測(cè)試板粘貼在光伏組件的四角與中心位置，并拍攝光伏組件的EL圖像，在光伏組件通電之后，光伏組件電致發(fā)光透過(guò)矩形鏤空，在顯示器上成像，最終在計(jì)算機(jī)屏幕上顯示為黑白相間的條紋，如圖3所示。通過(guò)目視從低頻向高頻逐一判別，找出能夠清晰分辨的最高頻的線(xiàn)對(duì)，其所對(duì)應(yīng)的空間分辨率即為該EL設(shè)備在該位置的空間分辨率。

然而，目前標(biāo)準(zhǔn)中均采用人眼目視的方法對(duì)線(xiàn)對(duì)圖像進(jìn)行判別，對(duì)于同一張線(xiàn)對(duì)圖像（尤其是對(duì)于接近被檢EL設(shè)備的真實(shí)空間分辨率所對(duì)應(yīng)的線(xiàn)對(duì)圖像），不同人的判別結(jié)果可能存在差異，甚至對(duì)于同一張線(xiàn)對(duì)的EL圖像，同一個(gè)人在不同時(shí)間的判別結(jié)果也可能存在差異，最終影響EL設(shè)備成像系統(tǒng)性能評(píng)估的準(zhǔn)確性。

文中采用算法判別的方式，實(shí)現(xiàn)了對(duì)線(xiàn)對(duì)EL圖像的自動(dòng)判別，提高了判別結(jié)果的重復(fù)性與準(zhǔn)確性。同時(shí)，針對(duì)所使用的算法，采用蒙特卡洛法進(jìn)行了不確定度評(píng)定。

1算法介紹

文中所采用的算法參考標(biāo)準(zhǔn)[9]中所描述的HYRes算法，在該標(biāo)準(zhǔn)中該算法的判定對(duì)象為圖4所示的楔形線(xiàn)對(duì)圖像，其算法的基本原理是以水平方向?yàn)橹鲯呙璺较?，采用黑線(xiàn)檢測(cè)算法檢測(cè)圖像的黑線(xiàn)數(shù)，以垂直方向?yàn)楦睊呙璺较蜻M(jìn)行頻率掃描，并根據(jù)判別結(jié)果計(jì)算分辨率[9]。其中黑線(xiàn)檢測(cè)算法的基本原理是：找出每一行的灰度曲線(xiàn)中的極小值作為圖像中的黑線(xiàn)。同時(shí)，為了避免噪聲對(duì)判定結(jié)果的影響，僅當(dāng)灰度值變化超過(guò)一定閾值時(shí)，才判定為黑線(xiàn)，從局部最大值（LMx）起，灰度減小量超過(guò)閾值（ETH1），或從局部最小值（LMn）起，灰度增加量超過(guò)閾值（ETH1）時(shí)，才判定為極大值或極小值。同時(shí)，從上一次檢測(cè)到極大值或極小值位置之后，一直到當(dāng)前檢測(cè)位置，不斷更新局部最大值（LMx）和局部最小值（LMn）[9]。并且，隨著掃描從低頻向高頻進(jìn)行，相鄰極大值與極小值之間的灰度差逐漸減小，算法通過(guò)不斷減少閾值（ETH1）來(lái)適應(yīng)高頻位置處灰度的變化[9]。最后，根據(jù)正確識(shí)別出黑線(xiàn)數(shù)的最高頻位置，計(jì)算數(shù)碼相機(jī)的分辨率[9]。

圖4 楔形線(xiàn)對(duì)圖像

對(duì)于EL設(shè)備成像系統(tǒng)的性能評(píng)估，根據(jù)標(biāo)準(zhǔn)[6-7]，其判定的對(duì)象為矩形線(xiàn)對(duì)，如圖2所示，文中對(duì)以上算法進(jìn)行修改，以適應(yīng)EL設(shè)備成像系統(tǒng)的性能評(píng)估。具體做法為：由于矩形線(xiàn)對(duì)在垂直方向上不存在頻率變化，因此，將矩形線(xiàn)對(duì)EL圖案沿著垂直方向求灰度均值，獲得平均灰度曲線(xiàn)，如圖5所示，采用黑線(xiàn)檢測(cè)算法對(duì)平均灰度曲線(xiàn)進(jìn)行黑線(xiàn)識(shí)別。當(dāng)識(shí)別的黑線(xiàn)數(shù)為5時(shí)，則該矩形線(xiàn)對(duì)通過(guò)判定，繼續(xù)對(duì)下一個(gè)矩形線(xiàn)對(duì)采用同樣的方法進(jìn)行判定，直到某一矩形線(xiàn)對(duì)無(wú)法通過(guò)判定時(shí)，其上一個(gè)矩形線(xiàn)對(duì)對(duì)應(yīng)的空間分辨率即為該EL設(shè)備在該位置的空間分辨率。

圖5 平均灰度曲線(xiàn)

由于平均灰度曲線(xiàn)圖中各點(diǎn)對(duì)應(yīng)的是矩形線(xiàn)對(duì)圖像中的整列的灰度均值，相對(duì)于楔形線(xiàn)對(duì)，該算法應(yīng)用在矩形線(xiàn)對(duì)圖像判別時(shí)，能夠有效地避免圖像噪聲對(duì)結(jié)果的誤判。因此，該算法有著更好的魯棒性。

2 對(duì)比試驗(yàn)

為了對(duì)比算法與人眼判別的結(jié)果差異，采用標(biāo)準(zhǔn)[6-7]中所描述的方法對(duì)一臺(tái)EL設(shè)備的成像系統(tǒng)進(jìn)行性能評(píng)估，將5片空間分辨率測(cè)試板粘貼在光伏組件中心與四角，采用EL設(shè)備進(jìn)行拍攝，將獲得的EL圖像中的線(xiàn)對(duì)圖像截取并修剪四周多余部分，獲得如圖2所示的矩形線(xiàn)對(duì)圖像100張。為觀察人眼判別與算法判別的重復(fù)性，將所有圖像復(fù)制2份，共獲得300張線(xiàn)對(duì)圖像。將得到的300張圖像隨機(jī)打亂順序。選取3名人員逐一對(duì)其進(jìn)行目視判別，每張圖像每名人員判別共3次，判別結(jié)果分為“通過(guò)”和“不通過(guò)”，判別依據(jù)為：對(duì)于能夠數(shù)出5條黑線(xiàn)的線(xiàn)對(duì)圖像，判別結(jié)果為“通過(guò)”，否則判別結(jié)果為“不通過(guò)”。

本次試驗(yàn)采用以下數(shù)據(jù)作為標(biāo)準(zhǔn)結(jié)果：每一名人員對(duì)于每張圖像的判別結(jié)果以其3次判別結(jié)果中的多數(shù)結(jié)果為標(biāo)準(zhǔn)結(jié)果，每張圖像的判別結(jié)果以3名人員中的多數(shù)判別結(jié)果為標(biāo)注結(jié)果，以此獲得100張圖像的判別結(jié)果，作為本次試驗(yàn)的標(biāo)準(zhǔn)結(jié)果。同時(shí)，將100張圖像采用算法進(jìn)行判別，并將結(jié)果與人眼判別結(jié)果進(jìn)行對(duì)比。結(jié)果如表1所示。

其中，重復(fù)性為每名人員或算法3次判別相同的線(xiàn)對(duì)圖像占總線(xiàn)對(duì)圖像數(shù)量的百分比，準(zhǔn)確率為每名人員或算法判別結(jié)果與標(biāo)準(zhǔn)結(jié)果相同的圖像占總圖像數(shù)量的百分比。

從表1中可以看出，同一張線(xiàn)對(duì)圖像由同一個(gè)人不同時(shí)刻分別判別，其結(jié)果可能出現(xiàn)不同，即重復(fù)性不佳；同一張線(xiàn)對(duì)圖像，不同人員判別也可能出現(xiàn)不同的結(jié)果，即準(zhǔn)確率不佳。而算法判別重復(fù)性為100%，準(zhǔn)確率為98%，明顯高于人眼判別結(jié)果。

3算法判別結(jié)果的不確定度評(píng)定

文中采用蒙特卡洛法，以某臺(tái)EL設(shè)備中心位置的空間分辨率的算法判別（豎直方向）為例，進(jìn)行不確定度評(píng)定。蒙特卡洛法通過(guò)對(duì)輸入量的PDF（概率密度函數(shù)，probability density function）離散抽樣，由測(cè)量模型傳播輸入量的分布，計(jì)算獲得輸出量Y的PDF離散抽樣值，進(jìn)而由輸出量的離散分布數(shù)值直接獲取輸出量的最佳估計(jì)值、標(biāo)準(zhǔn)不確定度和包含區(qū)間[10]。

將空間分辨率測(cè)試板粘貼在光伏組件中心位置，采用被檢EL設(shè)備拍攝EL圖像，采用算法由低頻向高頻逐一對(duì)豎直方向的線(xiàn)對(duì)圖像進(jìn)行判別，直到某一線(xiàn)對(duì)圖像無(wú)法通過(guò)算法判定時(shí)，停止判別。取上一個(gè)通過(guò)算法判別的線(xiàn)對(duì)圖像，其對(duì)應(yīng)的空間分辨率為1.61 lp/mm。

測(cè)量模型如式（2）所示。

（2）

式中，為空間分辨率為1.61lp/mm線(xiàn)對(duì)圖像的矩形短邊寬度。根據(jù)式（1），=

1/（1.61×2）=0.3106mm，為空間分辨率為1.43lp/mm線(xiàn)對(duì)圖像的矩形短邊寬度，=1/（1.43×2）=0.3497mm。為空間分辨率測(cè)試板加工誤差（0.02mm），假設(shè)其為均勻分布，則（-0.02，0.02）。為平均灰度曲線(xiàn)中的相鄰極大值與極小值的灰度差值。根據(jù)算法原理，只有當(dāng)超過(guò)閾值（ETH1）時(shí)，該處位置的黑線(xiàn)才會(huì)被算法識(shí)別出，因此，當(dāng)＞0時(shí)，空間分辨率判定結(jié)果為1.61lp/mm，當(dāng)≤0時(shí)，空間分辨率降低為1.43lp/mm。采用式（3）計(jì)算：

（3）

式中，和分別為空間分辨率為1.61lp/mm的線(xiàn)對(duì)圖像中白色區(qū)域和黑色區(qū)域的平均灰度值，取平均灰度曲線(xiàn)中5個(gè)極大值的均值作為，取5個(gè)極小值的均值作為。即平均灰度曲線(xiàn)相鄰極大值與極小值的灰度差。

為線(xiàn)對(duì)圖像發(fā)生傾斜時(shí)，平均灰度曲線(xiàn)相鄰極大值與極小值的灰度差的損失量。產(chǎn)生的原因是由于粘貼空間分辨率測(cè)試板時(shí)導(dǎo)致的微小傾斜，或EL設(shè)備圖像處理過(guò)程中產(chǎn)生的畸變導(dǎo)致線(xiàn)對(duì)EL圖像發(fā)生傾斜。如圖6所示，圖6（b）和圖6（c）分別為圖6（a）傾斜一定角度后的圖像。圖6（d）、圖6（e）和圖6（f）分別為圖6（a）、圖6（b）和圖6（c）的平均灰度曲線(xiàn)圖。從圖6中可以看出，當(dāng)圖像發(fā)生微小的傾斜時(shí)，平均灰度曲線(xiàn)中相鄰極大值和極小值的灰度差值從63.659減小為43.034，當(dāng)傾斜角度繼續(xù)增加時(shí)，極大值與極小值的數(shù)量發(fā)生了變化，此時(shí)算法已無(wú)法判別該線(xiàn)對(duì)EL圖像。由此可見(jiàn)，傾斜角度的增加對(duì)算法判別結(jié)果存在較大影響。

假設(shè)線(xiàn)對(duì)EL圖像中白色區(qū)域和黑色區(qū)域灰度均勻，且線(xiàn)對(duì)EL圖像發(fā)生一個(gè)小角度的傾斜，當(dāng)≤時(shí)，如圖7所示，此時(shí)采用式（4）計(jì)算。

（4）

式中：

在不考慮圖像縮放的情況下，式中m和l分別為空間分辨率測(cè)試板鏤空矩形的寬與長(zhǎng)。（）為線(xiàn)對(duì)EL圖像未發(fā)生傾斜時(shí)，平均灰度曲線(xiàn)中相鄰極大值和極小值的灰度差值，（）為EL線(xiàn)對(duì)圖像發(fā)生了傾斜時(shí)，平均灰度曲線(xiàn)中相鄰極大值和極小值的灰度差值。

當(dāng)時(shí)，如圖8所示，此時(shí)采用式（5）計(jì)算。

（5）

式中：

當(dāng)時(shí)，灰度曲線(xiàn)中黑線(xiàn)數(shù)量與位置已經(jīng)發(fā)生變化，因此，此時(shí)。

為了獲取傾斜角度的分布，將空間分辨率測(cè)試板粘貼在光伏組件的四角與中心位置，并拍攝EL圖像，截取出圖像中的線(xiàn)對(duì)圖像，將獲得的線(xiàn)對(duì)圖像采用大津法進(jìn)行二值化，并且采用Canny算子進(jìn)行邊緣檢測(cè)，之后采用霍夫變換找出長(zhǎng)度最長(zhǎng)的5條直線(xiàn)，以5條直線(xiàn)與豎直方向的夾角的均值作為該EL線(xiàn)對(duì)圖像的傾斜角度。共截取4416張圖像，傾斜角度分布圖如圖9所示，假設(shè)滿(mǎn)足正態(tài)分布，斜角度的均值與標(biāo)準(zhǔn)差分別為0.1219°與0.6526°。則其概率密度函數(shù)如式（6）所示，概率密度曲線(xiàn)如圖10所示。

圖9 傾斜角度分布圖

（6）

圖10 傾斜角度概率密度曲線(xiàn)

為太陽(yáng)電池片EL圖像中的灰度不均勻?qū)е碌钠骄叶惹€(xiàn)中相鄰極大值和極小值灰度差損失量。太陽(yáng)電池EL圖像中亮部的灰度存在一定的不均勻度，導(dǎo)致在粘貼空間分辨率測(cè)試板時(shí)，由于粘貼位置的不同，線(xiàn)對(duì)圖案中白色區(qū)域中灰度可能發(fā)生變化，最終影響平均灰度曲線(xiàn)中極大值極小值灰度差值。評(píng)估分布的方法為：將空間分辨率測(cè)試板從光伏組件上取下，拍攝光伏組件的EL圖像，從光伏組件EL圖像中截取粘貼空間分辨率測(cè)試板位置處的太陽(yáng)電池EL圖像，如圖11中虛線(xiàn)框區(qū)域所示。1.61lp/mm空間分辨率對(duì)應(yīng)線(xiàn)對(duì)EL圖像的一條白色區(qū)域的尺寸約為5*88像素。在圖11虛線(xiàn)框區(qū)域中隨機(jī)截取5*88像素的區(qū)域，求截取的區(qū)域的灰度均值。采用式（7）計(jì)算。

（7）

式中，為每次隨機(jī)截取區(qū)域的灰度均值，為圖11虛線(xiàn)框區(qū)域的灰度均值。重復(fù)以上操作106次，得到的分布圖如圖12所示，根據(jù)圖12，假設(shè)的分布為混合正態(tài)分布，通過(guò)參數(shù)估計(jì)得到的概率密度函數(shù)如式（8）所示，其概率密度曲線(xiàn)如圖13所示。

× ＋

0.1745× （8）

各輸入量的概率密度函數(shù)如表2所示。

取樣數(shù)M為106，采用計(jì)算機(jī)編程的方式進(jìn)行抽樣。根據(jù)標(biāo)準(zhǔn)[10]輸出量的均值為：

不確定度為：

將測(cè)量的結(jié)果按照非遞減次序排序，取p=0.95，則q=pM=950000，則置信水平為95%所包含的區(qū)間為，其中，，因此，置信水平為95%所包含的區(qū)間為[1.4325，1.6290]。

4 結(jié)論

文中采用算法實(shí)現(xiàn)了電致發(fā)光缺陷檢測(cè)儀空間分辨率線(xiàn)對(duì)圖像的自動(dòng)判別，并與人眼判別結(jié)果進(jìn)行對(duì)比。結(jié)果表明，算法判別準(zhǔn)確度與重復(fù)性更高，準(zhǔn)確度達(dá)98%，重復(fù)性達(dá)100%。最后，文中針對(duì)算法判別，建立模型，研究了采用蒙特卡羅法評(píng)定不確定度的方法?？傮w來(lái)說(shuō)，采用的算法能夠?qū)崿F(xiàn)對(duì)電致發(fā)光缺陷檢測(cè)儀空間分辨率線(xiàn)對(duì)圖像的判別，并且相對(duì)目視判別而言，能夠提高判別準(zhǔn)確率與重復(fù)性。

參考文獻(xiàn)

[1]鄧堡元，何赟澤，王洪金，等.光伏電池圖像序列的深度學(xué)習(xí)

檢測(cè)方法[J].機(jī)械工程學(xué)報(bào)，2021，57（08）：98-106.

[2]施光輝，崔亞楠，劉小嬌，等.電致發(fā)光（EL）在光伏

電池組件缺陷檢測(cè)中的應(yīng)用[J].云南師范大學(xué)學(xué)報(bào)

（自然科學(xué)版），2016，36（02）：17-21.

[3]王興，魏克湘，楊文獻(xiàn).光伏板紅外成像缺陷檢測(cè)技術(shù)

研究進(jìn)展[J]. 湖南工程學(xué)院學(xué)報(bào)（自然科學(xué)版），

2021，31（1）：32-40.

[4]賈朋，王昊，王昱涵，等.基于EL的太陽(yáng)能電池

局部缺陷與電流分析[J]. 電子設(shè)計(jì)工程，2018，26（7）：

123-127.

[5]林劍春，楊?lèi)?ài)軍，沈熠輝.電致發(fā)光缺陷檢測(cè)儀的成

像性能評(píng)估[J].光學(xué)精密工程，2017，25（6）：1418-1424.

[6]原福建省質(zhì)量技術(shù)監(jiān)督局.光伏組件電致發(fā)光缺陷檢測(cè)

儀校準(zhǔn)規(guī)范：JJF（閩）1088-2018 [S].福州：原福建

省質(zhì)量技術(shù)監(jiān)督局，2018.

[7]浙江省市場(chǎng)監(jiān)督管理局.光伏組件電致發(fā)光缺陷檢

測(cè)儀校準(zhǔn)規(guī)范：JJF（浙）1180-2021[S].杭州：浙江

省市場(chǎng)監(jiān)督管理局，2021.

[8]中國(guó)光伏行業(yè)協(xié)會(huì)標(biāo)準(zhǔn)化技術(shù)委員會(huì).電致發(fā)光成像測(cè)試

晶體硅光伏組件缺陷的方法：T/CPIA 0009-2019[S].

北京：中國(guó)光伏行業(yè)協(xié)會(huì)標(biāo)準(zhǔn)化技術(shù)委員會(huì)，2019.

[9]Camera & Imaging Products Association， Resolution

Measurement Methods for Digital Cameras：CIPA

DC-003 [S].Japan，Camera & Imaging Products

Association，2020.

[10]全國(guó)法制計(jì)量管理計(jì)量技術(shù)委員會(huì).用蒙特卡洛法

評(píng)定測(cè)量不確定度：JJF 1059.2-2012[S].北京：

中國(guó)質(zhì)檢出版社，2012.