本发明属于太阳能硅片检测领域,特别涉及太阳能硅片晶花提取方法。
背景技术:
在大规模生产太阳能硅片过程中,由于生产工艺的影响,部分硅片表面会产生颜色深浅不同的花纹(又称晶花),用户常常要求厂家对不同花纹的硅片进行分类供应,由于一天的硅片生产量相当大,同时硅片极易碎,人工检测往往效率低下,检测不精确,且成本高。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现要素:
本发明的目的在于提供太阳能硅片晶花提取方法,从而克服上述现有技术中的缺陷。
为实现上述目的,本发明采用的技术方案如下:
太阳能硅片晶花提取方法,包括以下步骤:
1)样本图像分类,采用卷积神经网络对收集的样本图像进行训练,并将收集的样本图像按照有晶花和无晶花进行分类;
2)有晶花的样本图像粗定位,将获取的步骤2)有晶花的样本图像以交叠窗口的样式分割成若干个小窗口,将每个小窗口图像传入神经网络进行识别,识别结果分为有晶花和无晶花两种,对于有晶花的地方,神经网络记录对应的小窗口的位置信息;
3)采用高斯滤波器对步骤2)经过粗定位的样本图像进行频域滤波;
4)构造背景图像
首先,根据公式:
x=0,1,2,...,m-1;y=0,1,2,...,n-1;
u=0,1,2,...,m-1;v=0,1,2,....,n-1;
其中m指图像的宽度,n指图像的高度,x、y为空间域采样值,u、v为频率采样值,f(x,y)指图像像素值,c(u,v)指离散余弦变换系数,对步骤3)的有晶花样本图像进行离散余弦变化,获得离散余弦变换系数;
其次,根据公式:
其中c(u,v)指离散余弦变换系数,
对步骤3)的有晶花样本图像的u和v方向进行滤波使步骤3)晶花区域特征更明显;
最后,根据公式:
其中m指图像的宽度,n指图像的高度,x、y为空间域采样值,u、v为频率采样值,f(x,y)指图像像素值,c(u,v)指离散余弦变换系数,
对步骤3)的有晶花的样本图像进行二维离散余弦反变化从而构造出无缺陷的背景图像;
5)晶花区域精确定位
采用若干个小窗口对步骤3)滤波后的图像进行扫描,统计每个小窗口的灰度均值和方差;
采用若干个小窗口对步骤4)构造的背景图像进行扫描,统计每个小窗口的灰度均值和方差;
将步骤3)每个小窗口的灰度均值和方差与步骤4)每个小窗口的灰度均值和方差进行对比,并计算出对应的每个小窗口的灰度差,该灰度差的数值与预先设定的灰度差的数值进行比较,当该灰度差的数值大于预先设定的灰度差的数值时,该小窗口对应的位置即为晶花区域的精确位置;
6)晶花提取
对步骤5)的经精确定位的晶花区域采用图像形态学进行提取并计算面积,同时对晶花区域的位置信息及晶花区域的面积进行记录。
进一步的,步骤1)所述的样本图像的像素为300万像素-600万像素。
进一步的,步骤5)所述的小窗口的大小为200*200像素-500*500像素。
采用本发明的技术方案的有益效果是:
本发明采用卷积神经网络对硅片样本图像进行分类,识别率高,在硅片的晶花提取过程中采用背景构造,再将原始图像和背景图像相减来提取晶花区域,能够对晶花区域提取更精确,提高硅片的检测效率。
附图说明:
图1为本发明的太阳能硅片晶花提取方法的流程图;
图2为本发明的太阳能硅片的有晶花样本经滤波后的原始图像;
图3为本发明的太阳能硅片的有晶花样本的图像构造的背景图像;
图4为本发明的太阳能硅片的有晶花样本的原始图像与背景图像相减后的图像。
具体实施方式:
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1-4所示,太阳能硅片晶花提取方法,包括以下步骤:
1)样本图像分类,采用卷积神经网络对收集的样本图像进行训练,样本图像的大小为2568*1936像素,并将收集的样本图像按照有晶花和无晶花进行分类;
2)有晶花的样本图像粗定位,将获取的步骤2)有晶花的样本图像以交叠窗口的样式分割成若干个小窗口,每个小窗口为250*250像素,将每个小窗口图像传入神经网络进行识别,识别结果分为有晶花和无晶花两种,对于有晶花的地方,神经网络记录对应的小窗口的位置信息;
3)采用高斯滤波器对步骤2)经过粗定位的样本图像进行频域滤波;
4)构造背景图像
首先,根据公式:
x=0,1,2,...,m-1;y=0,1,2,...,n-1;
u=0,1,2,...,m-1;v=0,1,2,....,n-1;
其中m指图像的宽度,n指图像的高度,x、y为空间域采样值,u、v为频率采样值,f(x,y)指图像像素值,c(u,v)指离散余弦变换系数,
对步骤3)的有晶花样本图像进行离散余弦变化,获得离散余弦变换系数;
其次,根据公式:
其中c(u,v)指离散余弦变换系数,
采用高斯滤波器对步骤3)的有晶花样本图像的u和v方向进行滤波使步骤3)晶花区域特征更明显;
最后,根据公式:
其中m指图像的宽度,n指图像的高度,x、y为空间域采样值,u、v为频率采样值,f(x,y)指图像像素值,c(u,v)指离散余弦变换系数,
对步骤3)的有晶花的样本图像进行二维离散余弦反变化从而构造出无缺陷的背景图像;
5)晶花区域精确定位
采用若干个小窗口对步骤3)滤波后的图像进行扫描,统计每个小窗口的灰度均值和方差;
采用若干个小窗口对步骤4)构造的背景图像进行扫描,统计每个小窗口的灰度均值和方差;
将步骤3)每个小窗口的灰度均值和方差与步骤4)每个小窗口的灰度均值和方差进行对比,并计算出对应的每个小窗口的灰度差,该灰度差的数值与预先设定的灰度差的数值进行比较,当该灰度差的数值大于预先设定的灰度差的数值时,该小窗口对应的位置即为晶花区域的精确位置;
6)晶花提取
对步骤5)的经精确定位的晶花区域采用图像形态学进行提取并计算面积,同时对晶花区域的位置信息及晶花区域的面积进行记录。
进一步的,步骤5)所述的小窗口的大小为200*200像素-500*500像素。
本发明采用卷积神经网络对硅片样本图像进行分类,识别率高,在硅片的晶花提取过程中采用背景构造,再将原始图像和背景图像相减来提取晶花区域,能够对晶花区域提取更精确,提高硅片的检测效率。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。