光伏组件隐裂检测方法和相关产品与流程

1.本技术涉及光伏组件缺陷检测领域，尤其涉及光伏组件隐裂检测方法和相关产品。


背景技术：

2.光伏系统是利用光伏组件(也称太阳能电池组件)及其他辅助设备将太阳能转换成电能的系统。目前光伏系统的应用十分广泛，除了中国作为最大的应用市场外，其他诸如西班牙、美国、印度、越南以及中东等的新兴地区也对其市场拓展起到了很大的推动作用。尤其是在经过2018年度的调整后，全球光伏系统的市场恢复到强有力的发展轨迹上。
3.作为光伏系统的核心组成部分，光伏组件对于整个系统的发电效率起着至关重要的作用。然而除去制造工艺的参差不一，现场的施工安装、后期的运营维护同样会成为影响光伏组件质量优劣的因素。因此，对于光伏组件定期的检测工作成为必不可少的程序，例如进行光伏组件的电致发光(electro luminescence，el)检测。
4.光伏组件的el检测，是给光伏组件通上反向电压，通过专业相机在黑暗环境下拍摄其照片，可从拍摄的图像中找出隐裂、断栅、碎屏、黑斑等内部缺陷。隐裂作为光伏组件最常见的缺陷之一。一方面会给光伏系统的发电量带来影响。另一方面，隐裂在运行过程中会逐渐严重，变成更为严重的缺陷，最恶劣的情况会给整个光伏系统的安全带来威胁。因此，需要研究能够准确识别光伏组件中的隐裂缺陷的方案。


技术实现要素：

5.本技术实施例公开了一种光伏组件隐裂检测方法和相关产品，能够提高识别光伏组件中的隐裂缺陷的精度。
6.第一方面，本技术实施例提供了一种光伏组件隐裂检测方法，该方法包括：对第一图像进行隐裂特征提取处理，得到第二图像；所述第一图像为检测光伏组件得到的电致发光el图像，所述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；所述第一像素点和所述第二像素点均包含于所述第一图像，所述第一像素点对应的第一海森矩阵的第一特征值满足目标条件，所述第二像素点对应的第二海森矩阵的第二特征值未满足所述目标条件，所述第一灰度值利用所述第一特征值得到，所述第二灰度值和所述第一灰度值不同；利用训练得到的缺陷识别模型对所述第二图像进行缺陷识别，输出缺陷识别结果；所述缺陷识别结果指示所述光伏组件存在隐裂或者不存在隐裂。
7.本技术实施例的执行主体为隐裂检测装置。所述第一图像可以是在所述光伏组件(例如光伏电池片)上施加一个外加电压，在暗室下利用红外相机拍摄得到的光伏组件的el图像。本技术实施例中，第一图像可通过多种方式获得，本技术不作限定。在一个可能的实现方式中，所述第二灰度值为0。
8.光伏组件的el图像中晶节多呈现斑状特征，隐裂具备较强的线性特征。研究发现，
对应于这两种不同结构(即晶节和隐裂)的像素点(例如第一像素点和第二像素点)对应的海森矩阵的特征值有很大的差异。所述第一像素点可理解为对应于隐裂缺陷的任一像素点，所述第二像素点可理解为未对应于隐裂缺陷的任一像素点。第一图像中对应于隐裂缺陷的像素点对应的海森矩阵的特征值往往满足目标条件，未对应于隐裂缺陷的像素点对应的海森矩阵的特征值往往不满足目标条件。本技术实施例中，根据第一图像中的像素点对应的海森矩阵的特征值是否满足目标条件，来调整像素点的灰度值；可以较精确地提取出该第一图像中的隐裂特征。在实际应用中，隐裂检测装置可根据第一图像中的每个像素点对应的海森矩阵的特征值是否满足目标条件，来调整每个像素点的灰度值。
9.本技术实施例中，将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；可以较精确提取出第一图像中的隐裂特征，从而提高识别光伏组件中的隐裂缺陷的精度。
10.在一个可能的实现方式中，所述第一特征值满足所述目标条件包括：所述第一特征值包括的第三特征值小于或等于0，所述第三特征值为所述第一特征值包括的两个特征值中绝对值较大的特征值，所述第二特征值未满足所述目标条件包括：所述第二特征值包括的第四特征值大于0，所述第四特征值为所述第二特征值包括的两个特征值中绝对值较大的特征值。
11.所述第一特征值可包括所述第一海森矩阵的各特征值，所述第二特征值可包括所述第二海森矩阵的各特征值。所述第一海森矩阵和所述第二海森矩阵可均为2行2列的矩阵。对于第一图像中的任一像素点对应的海森矩阵的一组特征值(例如第一特征值)来说，若该组特征值中绝对值较大的特征值小于或等于0，则该组特征值满足目标条件；否则，该组特征值不满足该目标条件。所述第一像素点可理解为对应于隐裂缺陷的任一像素点，所述第二像素点可理解为未对应于隐裂缺陷的任一像素点。应理解，根据某个像素点对应的海森矩阵的特征值是否满足目标条件，可确定该像素点是否对应于隐裂缺陷，从而准确地提取出隐裂特征。
12.在该实现方式中，当第一特征值包括的第三特征值小于或等于0时，该第一特征值满足目标条件；当第二特征值包括的第四特征值大于0时，该第二特征值未满足该目标条件；可以准确地区分出对应于隐裂缺陷的像素点以及未对应于隐裂缺陷的像素点。
13.在一个可能的实现方式中，在将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值之前，所述方法还包括：构建所述第一像素点对应的所述第一海森矩阵以及构建所述第二像素点对应的所述第二海森矩阵；处理所述第一海森矩阵以得到所述第一特征值，处理所述第二海森矩阵以得到所述第二特征值。
14.下面以第一像素点的第一海森矩阵为例，介绍第一图像中任一像素点对应的海森矩阵。
15.示例性的，第一像素点的第一海森矩阵如下：
[0016][0017]
其中，i
xx
表示第一像素点在x方向的二阶偏导数，i
yy
表示该第一像素点在y方向的二阶偏导数，i
xy
＝i
yx
为该第一像素点在xy方向的混合偏导数。具体如下：
[0018]ixx
＝i(i+1，j)-2*i(i，j)+i(i-1，j)
ꢀꢀ
(2)；
[0019]iyy
＝i(i，j+1)-2*i(i，j)+i(i，j-1)
ꢀꢀ
(3)；
[0020]ixy
＝i(i+1，j+1)-i(i，j+1)-i(i+1，j)+i(i，j)
ꢀꢀ
(4)；
[0021]
其中，i(i，j)为第一像素点的灰度值，即第一图像中坐标为(i，j)的像素点的灰度值，i(i，j-1)为该第一图像中坐标为(i，j-1)的像素点的灰度值，以此类推。在实际应用中，隐裂检测装置可利用类似于上述公式(2)至(4)来计算得到第一图像中每个像素点对应的海森矩阵，也可采用其他方式计算得到第一图像中每个像素点对应的海森矩阵。
[0022]
在该实现方式中，构建第一像素点对应的第一海森矩阵以及构建第二像素点对应的第二海森矩阵，进而得到对该第一像素点和该第二像素点进行隐裂特征提取处理所需的特征值，以便于准确地区分出对应于隐裂缺陷的像素点以及未对应于隐裂缺陷的像素点。
[0023]
在一个可能的实现方式中，采用如下公式对第一图像进行隐裂特征提取处理：
[0024][0025]
其中，rb＝λ1/λ2，s＝λ
12
+λ
22
，λ1，λ2是第一图像中任一像素点u对应的海森矩阵的特征值(例如第一特征值或第二特征值)，β和c是用来控制敏感度的固定参数，是对第一图像中任一像素点u进行隐裂特征提取之后的灰度值。β和c可根据实际需要进行配置。
[0026]
在该实现方式中，采用公式(5)可准确地对第一图像进行隐裂特征提取处理，即准确地区分出对应于隐裂缺陷的像素点以及未对应于隐裂缺陷的像素点。
[0027]
在一个可能的实现方式中，在对第一图像进行隐裂特征提取处理，得到第二图像之后，所述方法还包括：对所述第二图像进行隐裂特征增强处理，得到第三图像；所述隐裂特征增强处理包括：获得所述第二图像中的第三像素点在k个方向上的f个灰度响应，以及将所述第三像素点的灰度值调整为第三灰度值；所述第三灰度值利用所述f个灰度响应得到，所述第三像素点在第一方向上的灰度响应用于确定所述第三像素点在所述第一方向是否存在隐裂，所述第一方向包含于所述k个方向，所述k为大于1的整数，所述f为等于或大于k的整数；所述利用训练得到的缺陷识别模型对所述第二图像进行缺陷识别，输出缺陷识别结果包括：利用训练得到的所述缺陷识别模型对所述第三图像进行缺陷识别，输出所述缺陷识别结果。由于图像中的隐裂通常具备线性特征，因此利用第三像素点在k个方向上的f个灰度响应可进一步增强隐裂特征。
[0028]
在该实现方式中，将第三像素点的灰度值调整为第三灰度值，可以增强图像中的隐裂特征。
[0029]
在一个可能的实现方式中，所述获得所述第二图像中的第三像素点在k个方向上的f个灰度响应包括：获取第一灰度矩阵；所述第一灰度矩阵由滑动矩阵与第一子矩阵点乘得到，所述滑动矩阵中的第一元素不为零，所述滑动矩阵中的第二元素为零，所述第一元素对应的第一射线的方向包含于所述k个方向，所述第一射线为所述滑动矩阵中以中心元素为起始点且经过所述第一元素的射线，所述第二元素对应的第二射线的方向未包含于所述k个方向，所述第二射线为所述滑动矩阵中以中心元素为起始点且经过所述第二元素的射线，所述第一子矩阵的中心元素为所述第三像素点且所述第一子矩阵为所述第二图像的子矩阵；根据所述第一灰度矩阵，获得所述第三像素点在所述k个方向上的所述f个灰度响应；所述第一灰度矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述第一方向对应于所述k条射线中的第三射线，所述第三射线经过所述第一灰度矩阵中的两个
或两个以上元素，所述第三像素点在所述第一方向上的灰度响应包括所述第三射线经过所述第一灰度矩阵中的所述两个或两个以上元素。
[0030]
在该实现方式中，根据第一灰度矩阵，可以较准确地获得第三像素点在k个方向上的f个灰度响应。
[0031]
在一个可能的实现方式中，所述滑动矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述滑动矩阵中以中心元素为起点的k条射线中任意两条相邻射线之间的夹角为目标角度。
[0032]
例如，k为12，目标角度为24。又例如，k为18，目标角度为20。
[0033]
在该实现方式中，k条射线中任意两条相邻射线之间的夹角为目标角度，以便于检测到各方向的灰度响应。
[0034]
在一个可能的实现方式中，所述第一灰度矩阵为一个m行m列的矩阵，所述第三射线经过所述第一灰度矩阵中的l个元素，所述m为大于1的奇数，所述l为大于0且不大于所述m的整数；在根据所述第一灰度矩阵，获得所述第三像素点在所述k个方向上的所述f个灰度响应之后，所述方法还包括：利用所述第三像素点在所述k个方向上的所述f个灰度响应，处理得到所述第三灰度值。所述f＝l*k。所述第三像素点在所述k个方向中的每个方向上对应l个灰度响应。
[0035]
在一些实施例中，所述第三像素点在所述k个方向上的所述f个灰度响应与所述第三灰度值满足如下公式：
[0036][0037]
其中，表示所述第三灰度值，表示所述第三像素点在所述k个方向上最大的灰度响应，表示所述f个灰度响应的平均值，d为一个常数，例如d为1。d的值可根据需要来配置。可以是所述k个方向上的k个第一子灰度响应中的最大值。所述k个第一子灰度响应与所述k个方向一一对应，每个方向上的第一子灰度响应利用该方向上的l个灰度响应得到。例如，一个方向上的第一子灰度响应为该方向上的f个灰度响应的加权和。又例如，一个方向上的第一子灰度响应为该方向上的f个灰度响应的最大值。所述k个方向中任一方向上的l个灰度响应为对应于该方向的射线在第一灰度矩阵中经过的l个元素。例如，第三射线在第一灰度矩阵中依次经过的l个元素为：a、b、c、d、e，该第三射线对应的方向上的l个灰度响应为a、b、c、d、e；该第三射线对应的方向上的(l-1)个灰度响应为a、b、c、d，该第三射线对应的方向上的(l-2)个灰度响应为a、b、c；其中，l为5。可利用所述第三像素点在所述k个方向上的l*k个灰度响应(即每个方向上的l个灰度响应)得到。可理解为长度为l的线性检测器针对所述第三像素点的灰度响应。隐裂检测装置还可利用所述第三像素点在所述k个方向上的(l-1)*k个灰度响应(即每个方向上的(l-1)个灰度响应)得到长度为(l-1)的线性检测器针对所述第三像素点的灰度响应
[0038]
与所述第三像素点在所述k个方向上的(l-1)*k个灰度响应可满足如下公式：
[0039][0040]
其中，表示长度为(l-1)的线性检测器针对所述第三像素点的灰度响应，表示所述k个方向上的k个第二子灰度响应中的最大值，表示所述(l-1)*k个灰度响应的
平均值，d为一个常数，例如d为1。所述k个第二子灰度响应与所述k个方向一一对应，每个方向上的第二子灰度响应利用该方向上的(l-1)个灰度响应得到。应理解，隐裂检测装置可利用第一灰度矩阵处理得到两个或两个以上长度不同的线性检测器针对所述第三像素点的灰度响应，例如和
[0041]
为增加线性检测器的鲁棒性，可在第一灰度矩阵中选取不同长度的线性检测器进行计算，最后对计算所得的各线性检测器针对第三像素点的灰度响应进行加权，从而得到所述第三灰度值。在一些实施例中，所述第三像素点在所述k个方向上的所述f个灰度响应与所述第三灰度值满足如下公式：
[0042][0043]
其中，r表示所述第三灰度值，表示长度为l的线性检测器针对所述第三像素点的灰度响应，p为所述第三像素点的灰度值，n为线性检测器的尺度大小(即线性检测器的个数)。表示之和。
[0044]
应理解，隐裂检测装置在获得任意像素点在k个方向上的灰度响应之后，可采用类似于计算第三灰度值的方式来计算第二图像中其他像素点待调整至的灰度值。由于隐裂缺陷在一定范围内具备方向性，通过选取在一个固定滑动窗口内的不同方向的线性检测器来计算图像中对应窗口内的灰度值，进而增强图像中的线性隐裂特征。
[0045]
在该实现方式中，利用第三像素点在k个方向上的f个灰度响应，处理得到第三灰度值；能够增强图像中的线性隐裂特征。
[0046]
为了增加图像的对比度，还可对第三图像中各像素点的灰度值进行归一化。在一个可能的实现方式中，在对所述第二图像进行隐裂特征增强处理，得到第三图像之后，所述方法还包括：对第三图像中各像素点的灰度值进行归一化处理，得到第四图像；所述利用训练得到的所述缺陷识别模型对所述第三图像进行缺陷识别，输出所述缺陷识别结果包括：利用训练得到的所述缺陷识别模型对所述第四图像进行缺陷识别，输出所述缺陷识别结果。
[0047]
第三图像中的像素点进行归一化处理后的灰度值与进行归一化处理前的灰度值满足如下公式：
[0048][0049]
其中，r
′
表示第三图像中的像素点进行归一化处理后的灰度值，r表示该像素点进行归一化处理前的灰度值，r
mean
表示第三图像中各像素点的灰度值的平均值，r
std
表示第三图像中各像素点的灰度值的标准差。应理解，第四图像和第三图像中位置相同的像素点一一对应。r
′
可以为第四图像中的任一像素点的灰度值，r为第三图像中对应于该任一像素点的像素点的灰度值。
[0050]
在该实现方式中，通过对第三图像进行归一化，可以增强图像中各像素点的灰度值的对比度，从而增强隐裂特征。
[0051]
在一个可能的实现方式中，在对所述第二图像进行隐裂特征增强处理，得到第三图像之后，所述方法还包括：对所述第三图像中的栅线以及所述第三图像的边界进行消除，得到第四图像；所述利用训练得到的所述缺陷识别模型对所述第三图像进行缺陷识别，输
出所述缺陷识别结果包括：利用训练得到的所述缺陷识别模型对所述第四图像进行缺陷识别，输出所述缺陷识别结果。
[0052]
在该实现方式中，对第三图像中的栅线以及第三图像的边界进行消除，可以避免将栅线或者边界识别为隐裂。
[0053]
在一个可能的实现方式中，所述缺陷识别模型为inceptionv4。
[0054]
inceptionv4是一种卷积神经网络。所述缺陷识别模型可以是利用正样本和负样本作为训练数据训练inceptionv4得到。
[0055]
在该实现方式中，缺陷识别模型通过训练inceptionv4得到的，可以准确识别出隐裂缺陷。
[0056]
在一个可能的实现方式中，所述缺陷识别模型包括一个stem模块，一个inception-a模块，一个reduction-a模块以及一个inception-c模块；其中，所述第二图像(即输入)先通过stem模块，再依次经过inception-a模块，reduction-a模块和inception-c模块，再通过softmax分类。
[0057]
所述第一图像可以为300
×
300的图像。考虑到卷积神经网络的旋转特征不变性，在将el图像送入模型前，对模型进行转换(transform)处理，以增加训练样本数。这样就可以使用较少的训练样本训练得到效果较好的缺陷识别模型。
[0058]
第二方面，本技术实施例提供了一种光伏组件隐裂检测方法，该方法包括：对第五图像进行隐裂特征增强处理，得到第六图像；所述第五图像为检测光伏组件得到的电致发光el图像，所述隐裂特征增强处理包括：获得所述第五图像中的第四像素点在k个方向上的f个灰度响应，以及将所述第四像素点的灰度值调整为第四灰度值；所述第四灰度值利用所述f个灰度响应得到，所述第四像素点在第二方向上的灰度响应用于确定所述第四像素点在所述第二方向是否存在隐裂，所述第二方向包含于所述k个方向，所述k为大于1的整数，所述f为等于或大于k的整数；利用训练得到的缺陷识别模型对所述第六图像进行缺陷识别，输出缺陷识别信息；所述缺陷识别信息指示所述光伏组件存在隐裂或者不存在隐裂。
[0059]
本技术实施例中，先对第五图像进行隐裂特征增强处理，得到第六图像；然后，利用训练得到的缺陷识别模型对该第六图像进行缺陷识别，可以提高缺陷识别的精度。
[0060]
在一个可能的实现方式中，所述获得所述第五图像中的第四像素点在k个方向上的f个灰度响应包括：获取第二灰度矩阵；所述第二灰度矩阵由滑动矩阵与第二子矩阵点乘得到，所述滑动矩阵中的第一元素不为零，所述滑动矩阵中的第二元素为零，所述第一元素对应的第一射线的方向包含于所述k个方向，所述第一射线为所述滑动矩阵中以中心元素为起始点且经过所述第一元素的射线，所述第二元素对应的第二射线的方向未包含于所述k个方向，所述第二射线为所述滑动矩阵中以中心元素为起始点且经过所述第二元素的射线，所述第二子矩阵的中心元素为所述第四像素点且所述第二子矩阵为所述第五图像的子矩阵；根据所述第二灰度矩阵，获得所述第四像素点在所述k个方向上的所述f个灰度响应；所述第二灰度矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述第二方向对应于所述k条射线中的第四射线，所述第四射线经过所述第二灰度矩阵中的两个或两个以上元素，所述第四像素点在所述第二方向上的灰度响应包括所述第四射线经过所述第二灰度矩阵中的所述两个或两个以上元素。
[0061]
在该实现方式中，根据第二灰度矩阵，可以较准确地获得第四像素点在k个方向上
的f个灰度响应。
[0062]
在一个可能的实现方式中，所述滑动矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述滑动矩阵中以中心元素为起点的k条射线中任意两条相邻射线之间的夹角为目标角度。
[0063]
在该实现方式中，k条射线中任意两条相邻射线之间的夹角为目标角度，以便于检测到各方向的灰度响应。
[0064]
在一个可能的实现方式中，所述第二灰度矩阵为一个m行m列的矩阵，所述第四射线经过所述第二灰度矩阵中的l个元素，所述m为大于1的奇数，所述l为大于0且不大于所述m的整数；在根据所述第二灰度矩阵，获得所述第四像素点在所述k个方向上的所述f个灰度响应之后，所述方法还包括：利用所述第四像素点在所述k个方向上的所述f个灰度响应，处理得到所述第四灰度值。所述f＝l*k。所述第四像素点在所述k个方向中的每个方向上对应l个灰度响应。在一些实施例中，隐裂检测装置处理得到所述第四灰度值可与处理得到所述第三灰度值的方式相似。
[0065]
在一个可能的实现方式中，在对所述第五图像进行隐裂特征增强处理，得到第六图像之后，所述方法还包括：对所述第六图像中的栅线以及所述第六图像的边界进行消除，得到第七图像；所述利用训练得到的所述缺陷识别模型对所述第六图像进行缺陷识别，输出所述缺陷识别信息包括：利用训练得到的所述缺陷识别模型对所述第七图像进行缺陷识别，输出所述缺陷识别信息。
[0066]
在该实现方式中，对第六图像中的栅线以及第六图像的边界进行消除，可以避免将栅线或者边界识别为隐裂。
[0067]
第三方面，本技术实施例提供了一种隐裂检测装置，包括：特征提取处理单元，用于对第一图像进行隐裂特征提取处理，得到第二图像；所述第一图像为检测光伏组件得到的电致发光el图像，所述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；所述第一像素点和所述第二像素点均包含于所述第一图像，所述第一像素点对应的第一海森矩阵的第一特征值满足目标条件，所述第二像素点对应的第二海森矩阵的第二特征值未满足所述目标条件，所述第一灰度值利用所述第一特征值得到，所述第二灰度值和所述第一灰度值不同；缺陷识别单元，用于利用训练得到的缺陷识别模型对所述第二图像进行缺陷识别，得到缺陷识别结果；所述缺陷识别结果指示所述光伏组件存在隐裂或者不存在隐裂；输出单元，用于输出所述缺陷识别结果；所述缺陷识别结果指示所述光伏组件存在隐裂或者不存在隐裂。
[0068]
本技术实施例中，将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；可以较精确提取出第一图像中的隐裂特征，从而提高识别光伏组件中的隐裂缺陷的精度。
[0069]
在一个可能的实现方式中，所述第一特征值满足所述目标条件包括：所述第一特征值包括的第三特征值小于或等于0，所述第三特征值为所述第一特征值包括的两个特征值中绝对值较大的特征值，所述第二特征值未满足所述目标条件包括：所述第二特征值包括的第四特征值大于0，所述第四特征值为所述第二特征值包括的两个特征值中绝对值较大的特征值。
[0070]
在一个可能的实现方式中，所述特征提取处理单元，还用于构建所述第一像素点
对应的所述第一海森矩阵以及构建所述第二像素点对应的所述第二海森矩阵；处理所述第一海森矩阵以得到所述第一特征值，处理所述第二海森矩阵以得到所述第二特征值。
[0071]
在一个可能的实现方式中，所述特征提取处理单元，具体用于采用上述公式(5)对所述第一图像进行隐裂特征提取处理。
[0072]
在一个可能的实现方式中，所述隐裂检测装置还包括：特征增强处理单元，用于对所述第二图像进行隐裂特征增强处理，得到第三图像；所述隐裂特征增强处理包括：获得所述第二图像中的第三像素点在k个方向上的f个灰度响应，以及将所述第三像素点的灰度值调整为第三灰度值；所述第三灰度值利用所述f个灰度响应得到，所述第三像素点在第一方向上的灰度响应用于确定所述第三像素点在所述第一方向是否存在隐裂，所述第一方向包含于所述k个方向，所述k为大于1的整数，所述f为等于或大于k的整数；所述缺陷识别单元，具体用于利用训练得到的所述缺陷识别模型对所述第三图像进行缺陷识别，得到所述缺陷识别结果。
[0073]
在一个可能的实现方式中，所述特征增强处理单元，具体用于获取第一灰度矩阵；所述第一灰度矩阵由滑动矩阵与第一子矩阵点乘得到，所述滑动矩阵中的第一元素不为零，所述滑动矩阵中的第二元素为零，所述第一元素对应的第一射线的方向包含于所述k个方向，所述第一射线为所述滑动矩阵中以中心元素为起始点且经过所述第一元素的射线，所述第二元素对应的第二射线的方向未包含于所述k个方向，所述第二射线为所述滑动矩阵中以中心元素为起始点且经过所述第二元素的射线，所述第一子矩阵的中心元素为所述第三像素点且所述第一子矩阵为所述第二图像的子矩阵；根据所述第一灰度矩阵，获得所述第三像素点在所述k个方向上的所述f个灰度响应；所述第一灰度矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述第一方向对应于所述k条射线中的第三射线，所述第三射线经过所述第一灰度矩阵中的两个或两个以上元素，所述第三像素点在所述第一方向上的灰度响应包括所述第三射线经过所述第一灰度矩阵中的所述两个或两个以上元素。
[0074]
在一个可能的实现方式中，所述滑动矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述滑动矩阵中以中心元素为起点的k条射线中任意两条相邻射线之间的夹角为目标角度。
[0075]
在一个可能的实现方式中，所述第一灰度矩阵为一个m行m列的矩阵，所述第三射线经过所述第一灰度矩阵中的l个元素，所述m为大于1的奇数，所述l为大于0且不大于所述m的整数；所述特征增强处理单元，还用于利用所述第三像素点在所述k个方向上的所述f个灰度响应，处理得到所述第三灰度值。
[0076]
在一个可能的实现方式中，所述特征增强处理单元，还用于对第三图像中各像素点的灰度值进行归一化处理，得到第四图像；所述缺陷识别单元，具体用于利用训练得到的所述缺陷识别模型对所述第四图像进行缺陷识别，得到所述缺陷识别结果。
[0077]
在一个可能的实现方式中，所述隐裂检测装置还包括：干扰消除单元，用于对所述第三图像中的栅线以及所述第三图像的边界进行消除，得到第四图像；所述缺陷识别单元，具体用于利用训练得到的所述缺陷识别模型对所述第四图像进行缺陷识别，输出所述缺陷识别结果。
[0078]
在一个可能的实现方式中，所述缺陷识别模型为inceptionv4。
[0079]
在一个可能的实现方式中，所述缺陷识别模型包括一个stem模块，一个inception-a模块，一个reduction-a模块以及一个inception-c模块；其中，所述第二图像(输入)先通过stem模块，再依次经过inception-a模块，reduction-a模块和inception-c模块，再通过softmax分类。
[0080]
关于第三方面或各种可能的实施方式所带来的技术效果，可参考对于第一方面或相应的实现方式的技术效果的介绍。
[0081]
第四方面，本技术实施例提供了一种隐裂检测装置，包括：隐裂增强单元，用于对第五图像进行隐裂特征增强处理，得到第六图像；所述第五图像为检测光伏组件得到的电致发光el图像，所述隐裂特征增强处理包括：获得所述第五图像中的第四像素点在k个方向上的f个灰度响应，以及将所述第四像素点的灰度值调整为第四灰度值；所述第四灰度值利用所述f个灰度响应得到，所述第四像素点在第二方向上的灰度响应用于确定所述第四像素点在所述第二方向是否存在隐裂，所述第二方向包含于所述k个方向，所述k为大于1的整数，所述f为等于或大于k的整数；缺陷处理单元，用于利用训练得到的缺陷识别模型对所述第六图像进行缺陷识别，得到缺陷识别信息，所述缺陷识别信息指示所述光伏组件存在隐裂或者不存在隐裂；输出单元，用于输出所述缺陷识别信息。
[0082]
在一个可能的实现方式中，所述隐裂增强单元，具体用于获取第二灰度矩阵；所述第二灰度矩阵由滑动矩阵与第二子矩阵点乘得到，所述滑动矩阵中的第一元素不为零，所述滑动矩阵中的第二元素为零，所述第一元素对应的第一射线的方向包含于所述k个方向，所述第一射线为所述滑动矩阵中以中心元素为起始点且经过所述第一元素的射线，所述第二元素对应的第二射线的方向未包含于所述k个方向，所述第二射线为所述滑动矩阵中以中心元素为起始点且经过所述第二元素的射线，所述第二子矩阵的中心元素为所述第四像素点且所述第二子矩阵为所述第五图像的子矩阵；根据所述第二灰度矩阵，获得所述第四像素点在所述k个方向上的所述f个灰度响应；所述第二灰度矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述第二方向对应于所述k条射线中的第四射线，所述第四射线经过所述第二灰度矩阵中的两个或两个以上元素，所述第四像素点在所述第二方向上的灰度响应包括所述第四射线经过所述第二灰度矩阵中的所述两个或两个以上元素。
[0083]
在一个可能的实现方式中，所述滑动矩阵中以中心元素为起点的k条射线的方向与所述k个方向一一对应，所述滑动矩阵中以中心元素为起点的k条射线中任意两条相邻射线之间的夹角为目标角度。
[0084]
在一个可能的实现方式中，所述第二灰度矩阵为一个m行m列的矩阵，所述第四射线经过所述第二灰度矩阵中的l个元素，所述m为大于1的奇数，所述l为大于0且不大于所述m的整数；所述隐裂增强单元，还用于利用所述第四像素点在所述k个方向上的所述f个灰度响应，处理得到所述第四灰度值。
[0085]
在一个可能的实现方式中，所述隐裂检测装置还包括：干扰处理单元，用于对所述第六图像中的栅线以及所述第六图像的边界进行消除，得到第七图像；所述缺陷处理单元，具体用于利用训练得到的所述缺陷识别模型对所述第七图像进行缺陷识别，得到所述缺陷识别信息。
[0086]
关于第四方面或各种可能的实施方式所带来的技术效果，可参考对于第二方面或
相应的实现方式的技术效果的介绍。
[0087]
第五方面，本技术提供一种芯片，该芯片包括处理电路和接口电路，该接口电路用于获取数据或输出数据；处理电路用于执行如上述第一方面或第一方面的任意可能的实现方式所示的方法。
[0088]
第六方面，本技术提供一种芯片，该芯片包括处理电路和接口电路，该接口电路用于获取数据或输出数据；处理电路用于执行如上述第二方面或第二方面的任意可能的实现方式所示的方法。
[0089]
第七方面，本技术实施例提供一种电子设备，包括：处理器、存储器、输入设备以及输出设备，该存储器用于存储代码；该处理器通过读取该存储器中存储的该代码以用于执行上述第一方面或第一方面的任意可能的实现方式所示的方法，该输入设备用于获得待进行缺陷识别的图像，该输出设备用于输出处理器处理该图像得到的缺陷识别结果。
[0090]
第八方面，本技术实施例提供一种电子设备，包括：处理器、存储器、输入设备以及输出设备，该存储器用于存储代码；该处理器通过读取该存储器中存储的该代码以用于执行上述第二方面或第二方面的任意可能的实现方式所示的方法，该输入设备用于获得待进行缺陷识别的图像，该输出设备用于输出处理器处理该图像得到的缺陷识别信息。
[0091]
第九方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面或第一方面的任意可能的实现方式所示的方法。
[0092]
第十方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面或第一方面的任意可能的实现方式所示的方法。
[0093]
第十一方面本技术实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述第一方面或第一方面的任意可能的实现方式所示的方法。
[0094]
第十二方面本技术实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上述第二方面或第二方面的任意可能的实现方式所示的方法。
[0095]
第十三方面本技术实施例提供了一种光伏组件隐裂检测系统，包括：光伏电站管理设备、数据采集器、控制装置、多个逆变器、多个光伏组串、隐裂检测装置以及图像采集装置；所述图像采集装置，用于根据来自所述控制装置的控制指令进行移动；向所述控制装置发送位姿信息；所述位姿信息用于指示图像采集装置的位姿；所述控制装置，用于向所述数据采集器发送反灌电流请求；所述反灌电流请求包含目标逆变器的标识；所述目标逆变器为所述多个逆变器中与目标光伏组串耦接的逆变器，所述目标光伏组串属于所述图像采集装置在所述位姿下拍摄到的光伏组串；所述数据采集器，用于向所述光伏电站管理设备发送所述反灌电流请求；所述光伏电站管理设备，用于向所述目标逆变器发送反灌电流指令；所述目标逆变器，用于在接收到所述反灌电流指令之后，向所述目标光伏组串施加反灌电流；所述图像采集装置，用于采集所述目标光伏组串的电致发光el图像，得到第一图像；所述隐裂检测装置，用于获得所述第一图像，并利用所述第一图像进行隐裂检测以得到缺陷识别结果；所述缺陷识别结果指示目标光伏组件存在隐裂或者不存在隐裂，所述目标光伏
组件包含于所述目标光伏组串。
[0096]
在一个可能的实现方式中，所述隐裂检测装置，具体用于对所述第一图像进行隐裂特征提取处理，得到第二图像；所述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；所述第一像素点和所述第二像素点均包含于所述第一图像，所述第一像素点对应的第一海森矩阵的第一特征值满足目标条件，所述第二像素点对应的第二海森矩阵的第二特征值未满足所述目标条件，所述第一灰度值利用所述第一特征值得到，所述第二灰度值和所述第一灰度值不同；利用训练得到的缺陷识别模型对所述第二图像进行缺陷识别，输出所述缺陷识别结果。
[0097]
在一个可能的实现方式中，所述图像采集装置为携带有红外相机的无人机，所述控制装置为用于控制所述无人机的遥控器，所述控制装置，还用于根据所述位姿信息确定所述图像采集装置拍摄到的光伏组串，得到所述目标光伏组串。
附图说明
[0098]
为了更清楚地说明本技术实施例或背景技术中的技术方案，下面将对本技术实施例或背景技术中所需要使用的附图进行说明。
[0099]
图1为本技术实施例提供的一种光伏组件隐裂检测系统的示意图；
[0100]
图2为本技术实施例提供的一种光伏组件隐裂检测交互流程图；
[0101]
图3为本技术实施例提供的一种光伏组件隐裂检测方法流程图；
[0102]
图4为本技术实施例提供的一种第一图像和第二图像的对比示意图；
[0103]
图5示出了单晶电池片的正常图像，单晶电池片的隐裂缺陷图像，光伏组件的正常图像，光伏组件的隐裂缺陷图像以及各图像对应灰度分布图；
[0104]
图6为本技术实施例提供的另一种光伏组件隐裂检测方法流程图；
[0105]
图7为本技术实施例提供的第二图像和第三图像的对比示意图；
[0106]
图8为本技术实施例提供的另一种光伏组件隐裂检测方法流程图；
[0107]
图9为本技术实施例提供的另一种光伏组件隐裂检测方法流程图；
[0108]
图10为本技术实施例提供的另一种光伏组件隐裂检测方法流程图；
[0109]
图11为本技术实施例提供的一种对图像进行隐裂特征增强处理的方法流程；
[0110]
图12为本技术实施例提供的一种第一灰度矩阵和该第一灰度矩阵中的k条射线的示意图；
[0111]
图13为本技术实施例提供的一种滑动矩阵和该滑动矩阵中的k条射线的示意图；
[0112]
图14为本技术实施例提供的一种第二图像和第一子矩阵的示意图；
[0113]
图15为本技术实施例提供的一种训练方法流程图；
[0114]
图16为本技术实施例提供的一种缺陷识别模型的结构示意图；
[0115]
图17为本技术实施例提供的一种隐裂检测装置的结构示意图；
[0116]
图18为本技术实施例提供的另一种隐裂检测装置的结构示意图；
[0117]
图19是本技术实施例提供的一种电子设备的部分结构的框图；
[0118]
图20为本技术实施例提供的另一种电子设备200的结构示意图。
具体实施方式
[0119]
为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地描述。
[0120]
本技术的说明书、权利要求书及附图中的术语“第一”和“第二”等仅用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备等，没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元等，或可选地还包括对于这些过程、方法、产品或设备等固有的其它步骤或单元。术语“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。术语“多个”是指两个或两个以上。
[0121]
在本文中提及的“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0122]
如背景所述，目前需要研究能够准确识别光伏组件中的隐裂缺陷的方案。随着计算机技术的飞速发展，深度学习由于自身独特优势在计算机视觉、自然语言等方面取得了大规模的应用。一种在理论上可行的识别光伏组件中的隐裂缺陷的方案是：利用大量的el图像缺陷样本(即训练样本)训练得到一个能够识别el图像中的隐裂缺陷的缺陷识别模型。el图像的复杂性导致需要更多的el图像缺陷样本训练缺陷识别模型，以便保证该缺陷识别模型识别隐裂缺陷的准确率。由于el图像缺陷样本往往难以搜集，因此在实际应用中并不适合采用这种方案训练得到一个能够识别el图像中的隐裂缺陷的缺陷识别模型。本技术实施例提供了一种先对el图像进行隐裂特征提取处理和/或隐裂特征增强处理，再利用处理后的el图像训练得到缺陷识别模型的方案。通过对el图像进行隐裂特征提取处理和/或隐裂特征增强处理能够有效提取或增强el图像中的隐裂特征，从而降低el图像的复杂性。因此采用本技术实施例提供的方案利用少量的el图像缺陷样本就能训练得到可有效识别隐裂缺陷的缺陷识别模型。本技术实施例提供的识别光伏组件中的隐裂缺陷的方案的原理主要是：先对el图像进行隐裂特征提取处理和/或隐裂特征增强处理，再利用训练得到的缺陷识别模型对处理后的el图像进行缺陷识别，输出缺陷识别结果。下面先介绍本技术提供的识别光伏组件中的隐裂缺陷的方案可应用的光伏组件隐裂检测系统。
[0123]
图1为本技术实施例提供的一种光伏组件隐裂检测系统的示意图。如图1所示，光伏组件隐裂检测系统包括：光伏电站管理设备、数据采集器、控制装置、多个逆变器、多个光伏组串、隐裂检测装置以及图像采集装置。光伏电站管理设备可与数据采集器耦接。光伏电站管理设备与多个逆变器耦接。多个逆变器与多个光伏组串耦接。控制装置分别与图像采集装置和数据采集器耦接。本技术中，耦接可以是指有线连接或无线连接。
[0124]
光伏电站管理设备可以是一个运行有电站管理系统的计算机设备(例如电脑)，该光伏电站管理设备可控制逆变器，并接收来自数据采集器的信息。电站管理系统可远程监视逆变器的运行状态、通过对逆变器和汇流箱的直流电流进行汇总，挖掘分析，及时发现逆变器、汇流箱和其他组件的故障等等。数据采集器可以是具备与控制装置和光伏电站管理
设备通信功能的硬件。例如，数据采集器通过wifi分别与光伏电站管理设备和控制装置进行通信。光伏组件隐裂检测系统可包括多个数据采集器，图1仅示出一个。控制装置可以是控制图像采集装置进行移动的遥控器。每个光伏组串可包含多个光伏组件。每个逆变器连接一个或多个光伏组串。逆变器是把直流电转变成交流电的转换器。每个逆变器将可其连接的光伏组串提供的直流转换为交流电，也可向其连接的光伏组串施加反灌电流，以使得光伏组串实现电致发光。隐裂检测装置可以是笔记本电脑、台式电脑、服务器等具备数据处理能力的装置。图像采集装置可以是携带有红外相机的无人机，也可以是携带有红外相机的车，还可以是其他携带有红外相机的装置。图像采集装置可在控制装置的控制下进行移动，并利用红外相机采集图像。在一个可能的实现方式中，光伏电站管理设备与数据采集器通过有线方式(例如光纤)连接。光伏电站管理设备通过有线方式分别与每个逆变器连接。控制装置可通过无线方式(例如wifi)与数据采集器连接。控制装置可通过无线方式(例如wifi)与图像采集装置连接。下面分别介绍光伏组件隐裂检测系统中各装置的功能。
[0125]
图像采集装置，用于根据来自控制装置的控制指令进行移动，并向控制装置发送位姿信息。
[0126]
控制装置，用于向数据采集器发送反灌电流请求。
[0127]
数据采集器，用于向光伏电站管理设备发送反灌电流请求。
[0128]
光伏电站管理设备，用于向目标逆变器发送反灌电流指令。
[0129]
目标逆变器，用于在接收到反灌电流指令之后，向目标光伏组串施加反灌电流。
[0130]
图像采集装置，用于采集目标光伏组串的电致发光el图像，得到第一图像。
[0131]
隐裂检测装置，用于获得第一图像，并利用第一图像进行隐裂检测以得到缺陷识别结果。缺陷识别结果指示目标光伏组件存在隐裂或者不存在隐裂。目标光伏组件包含于目标光伏组串。
[0132]
下面结合附图介绍光伏组件隐裂检测系统中各装置在识别光伏组件中的隐裂缺陷的流程中执行的操作。图2为本技术实施例提供的一种光伏组件隐裂检测交互流程图。如图2所示，该交互流程包括：
[0133]
201、控制装置向图像采集装置发送控制指令。
[0134]
所述控制指令用于控制图像采集装置进行移动。举例来说，用户可通过控制装置(例如遥控器)控制图像采集装置移动至目标位置，以便图像采集装置在目标位置通过红外相机采集el图像。
[0135]
202、图像采集装置根据来自控制装置的控制指令进行移动，并向控制装置发送位姿信息。
[0136]
位姿信息用于指示图像采集装置的目标位姿。目标位姿可以表征图像采集装置当前的位置和姿态。位姿信息可包含图像采集装置当前的位置和姿态。
[0137]
203、控制装置根据位姿信息确定目标逆变器，并向数据采集器发送反灌电流请求。
[0138]
反灌电流请求包含目标逆变器的标识。目标逆变器为多个逆变器中与目标光伏组串耦接的逆变器，目标光伏组串属于图像采集装置在目标位姿下拍摄到的光伏组串。
[0139]
控制装置根据位姿信息确定目标逆变器可以是：控制装置根据位姿信息确定所述图像采集装置在目标位姿下可拍摄到的光伏组串，得到目标光伏组串；获取目标光祖组串
连接的目标逆变器。举例来说，控制装置存储有位姿与光伏组串对应关系表，该关系表包含目标位姿和图像采集装置在该目标位姿下可拍摄到的光伏组串的对应关系。在该举例中，控制装置利用该关系表可确定目标位姿对应的光伏组串。
[0140]
204、数据采集器向光伏电站管理设备发送反灌电流请求。
[0141]
205、光伏电站管理设备向目标逆变器发送反灌电流指令。
[0142]
206、目标逆变器在接收到反灌电流指令之后，向目标光伏组串施加反灌电流。
[0143]
207、图像采集装置采集目标光伏组串的电致发光el图像，得到第一图像。
[0144]
208、隐裂检测装置获得第一图像，并利用第一图像进行隐裂检测以得到缺陷识别结果。
[0145]
缺陷识别结果指示目标光伏组件存在隐裂或者不存在隐裂，目标光伏组件包含于目标光伏组串。在一个可能的实现方式中，图像采集装置将其采集得到的el图像存储于存储卡，例如安全数码卡(secure digital memory card，sd)；将存储卡中的el图像拷贝至隐裂检测装置。缺陷识别结果可视为故障诊断报告。在一些实施例中，隐裂检测装置运行的故障诊断软件对利用第一图像进行隐裂检测以得到缺陷识别结果，即故障诊断报告。隐裂检测装置可输出缺陷识别结果。
[0146]
在一个可能的实现方式中，隐裂检测装置，具体用于对所述第一图像进行隐裂特征提取处理，得到第二图像；所述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；所述第一像素点和所述第二像素点均包含于所述第一图像，所述第一像素点对应的第一海森矩阵的第一特征值满足目标条件，所述第二像素点对应的第二海森矩阵的第二特征值未满足所述目标条件，所述第一灰度值利用所述第一特征值得到，所述第二灰度值和所述第一灰度值不同；利用训练得到的缺陷识别模型对所述第二图像进行缺陷识别，输出所述缺陷识别结果。
[0147]
本技术实施例中，控制装置根据图像采集装置反馈的位姿信息确定图像采集装置当前可拍摄到的光伏组串，并向光伏电站管理设备发送反灌电流请求，以便光伏电站管理设备通过逆变器控制相应的光伏组串实现电致发光；可快速地采集任意位置的光伏组串的el图像。
[0148]
图2中的步骤201至步骤207描述了一种采集el图像的示例。应理解，光伏组件隐裂检测系统中的各装置还可通过其他方式采集el图像，本技术不作限定。本技术的重点在于如何识别光伏组件中的隐裂缺陷。下面结合附图介绍本技术实施例提供的识别光伏组件中的隐裂的方案。
[0149]
图3为本技术实施例提供的一种光伏组件隐裂检测方法流程图。如图3所示，该方法包括：
[0150]
301、隐裂检测装置对第一图像进行隐裂特征提取处理，得到第二图像。
[0151]
隐裂检测装置可以是笔记本电脑、台式电脑、服务器等具备数据处理能力的装置。上述第一图像为检测光伏组件得到的电致发光el图像。上述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值。上述第一像素点和上述第二像素点均包含于上述第一图像。上述第一像素点对应的第一海森矩阵的第一特征值满足目标条件。上述第一特征值满足上述目标条件可以是：上述第一特征值包括的第三特征值小于或等于0。上述第三特征值为上述第一特征值包括的两个特征
值中绝对值较大的特征值。上述第二像素点对应的第二海森矩阵的第二特征值未满足上述目标条件。上述第二特征值未满足上述目标条件可以是：上述第二特征值包括的第四特征值大于0。上述第四特征值为上述第二特征值包括的两个特征值中绝对值较大的特征值。上述第一灰度值利用上述第一特征值得到。上述第二灰度值和上述第一灰度值不同。上述第一像素点可理解为第一图像中对应于隐裂缺陷的任一像素点，上述第二像素点可理解为第一图像中未对应于隐裂缺陷的任一像素点。隐裂检测装置可根据第一图像中每个像素点对应的海森矩阵的特征值是否满足目标条件，相应地调整每个像素点的灰度值。
[0152]
在一个可能的实现方式中，采用如下公式对第一图像进行隐裂特征提取处理：
[0153][0154]
其中，rb＝λ1/λ2，s＝λ
12
+λ
22
，λ1，λ2是第一图像中任一像素点u对应的海森矩阵的特征值(例如第一特征值或第二特征值)，β和c是用来控制敏感度的固定参数，是对第一图像中的任一像素点u进行隐裂特征提取之后的灰度值。β和c可根据实际需要进行配置。应理解，隐裂检测装置也可采用与公式(10)类似的公式对第一图像进行隐裂特征提取处理。例如，λ2小于或等于0时，g为一个固定参数；λ2大于0时，等于0。上述公式(10)中，λ2可以为第一图像中任一像素点对应的海森矩阵的特征值中绝对值较大的特征值。从公式(10)可知，若第一图像中的任一像素点u(例如第一像素点)对应的海森矩阵的两个特征值中，绝对值较大的特征值小于或等于0，则该任一像素点u的灰度值被调整为(对应于第一灰度值)。从公式(10)还可知，若第一图像中的任一像素点u(例如第二像素点)对应的海森矩阵的两个特征值中，绝对值较大的特征值大于0，则该任一像素点u的灰度值被调整为0(对应于第二灰度值)。灰度值为被调整为的像素点可视为初步筛选出的对应于隐裂缺陷的像素点，灰度值为被调整为0的像素点可视为初步筛选出的未对应于隐裂缺陷的像素点。可见，采用公式(10)可准确地区分出对应于隐裂缺陷的像素点以及未对应于隐裂缺陷的像素点。在实际应用中，隐裂检测装置在获得第一图像中的任意像素点对应的海森矩阵的特征值之后，可利用上述公式(10)调整该任意像素点的灰度值。可理解，第一图像中的每个像素点的灰度值按照上述公式(10)处理之后，可得到第二图像。
[0155]
图4为本技术实施例提供的一种第一图像和第二图像的对比示意图。图4中，401表示第一图像，402表示第二图像。对比第一图像和第二图像可知，第一图像经过特征提取环节(即隐裂特征提取处理)后，隐裂特征变得更加明显。图5示出了单晶电池片的正常图像，单晶电池片的隐裂缺陷图像，光伏组件(例如多晶硅电池片)的正常图像，光伏组件的隐裂缺陷图像以及各图像对应灰度分布图。单晶电池片的正常图像是指未存在隐裂缺陷的单晶电池片的el图像。单晶电池片的隐裂缺陷图像是指存在隐裂缺陷的单晶电池片的el图像。光伏组件的正常图像是指未存在隐裂缺陷的光伏组件的el图像。光伏组件的隐裂缺陷图像是指存在隐裂缺陷的光伏组件的el图像。图5中，(a1)表示单晶电池片的正常图像，(b1)表示单晶电池片的隐裂缺陷图像，(c1)表示光伏组件的正常图像，(d1)表示光伏组件的隐裂缺陷图像，(a2)表示单晶电池片的正常图像对应的灰度分布图，(b2)表示单晶电池片的隐裂缺陷图像对应的灰度分布图，(c2)表示光伏组件的正常图像对应的灰度分布图，(d2)表
示光伏组件的隐裂缺陷图像对应的灰度分布图。从图5中可以看出，单晶电池片的隐裂缺陷图像和光伏组件的隐裂缺陷图像中的数值分布具备明显的差异性，光伏组件的隐裂缺陷图像中的隐裂特征由于晶节的影响而变得非常不明显。因此，有必要对光伏组件的el进行隐裂特征提取处理和/或隐裂特征增强处理，进而准确地识别出光伏组件中的隐裂缺陷。
[0156]
302、隐裂检测装置利用训练得到的缺陷识别模型对第二图像进行缺陷识别，输出缺陷识别结果。
[0157]
上述缺陷识别结果指示上述光伏组件存在隐裂或者不存在隐裂。举例来说，缺陷识别结果为1，该缺陷识别结果指示光伏组件存在隐裂。又举例来说，缺陷识别结果为0，该缺陷识别结果指示光伏组件不存在隐裂。
[0158]
上述缺陷识别模型可以是inceptionv4，还可以是inceptionv3、inceptionv2、inceptionv1等，本技术不作限定。上述缺陷识别模型可以是利用正样本(即el图像缺陷样本)和负样本作为训练样本训练inceptionv4得到，后续再详述训练得到缺陷识别模型的方法流程。正样本是指对包含隐裂缺陷的el图像进行隐裂特征提取处理和/或隐裂特征增强处理得到的样本。负样本是指对未包含隐裂缺陷的el图像进行隐裂特征提取处理和/或隐裂特征增强处理得到的样本。
[0159]
本技术实施例中，将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；可以较精确地提取出第一图像中的隐裂特征，从而提高识别光伏组件中的隐裂缺陷的精度。
[0160]
图6为本技术实施例提供的另一种光伏组件隐裂检测方法流程图。图6中的方法流程是对图3中的方法流程的完善。如图6所示，该方法包括：
[0161]
601、隐裂检测装置对第一图像进行隐裂特征提取处理，得到第二图像。
[0162]
步骤601的实现方式可与步骤301的实现方式相同。
[0163]
602、隐裂检测装置对第二图像进行隐裂特征增强处理，得到第三图像。
[0164]
上述隐裂特征增强处理包括：获得第二图像中的第三像素点在k个方向上的f个灰度响应，以及将上述第三像素点的灰度值调整为第三灰度值。上述第三灰度值利用上述f个灰度响应得到。上述第三像素点在第一方向上的灰度响应用于确定上述第三像素点在上述第一方向是否存在隐裂。上述第一方向包含于上述k个方向，上述k为大于1的整数。上述f为等于或大于k的整数。上述k个方向中的任一方向可以是以第二图像中的第三像素点为起始点(即端点)，经过上述第二图像中的两个或两个以上像素点的射线的方向。上述第三像素点可以为上述第二图像中的任一像素点。上述f可等于上述k。或者，上述f可以为上述k的整数倍。例如，f＝l*k，l为大于1的整数。应理解，上述隐裂特征增强处理可以是：获得上述第二图像中的每个像素点在k个方向上的f个灰度响应；然后，根据每个像素点在k个方向上的f个灰度响应，调整每个像素点的灰度值。第二图像中的第三像素点在每个方向上的f个灰度响应可用于确定上述第三像素点在该方向是否存在隐裂。由于图像中的隐裂通常具备线性特征，因此利用第三像素点在k个方向上的f个灰度响应可进一步增强隐裂特征。后续再详述对第二图像进行隐裂特征增强处理的实现方式。对第二图像进行隐裂特征增强处理的目的是进一步突出隐裂特征。图7为本技术实施例提供的第二图像和第三图像的对比示意图。图7中，701表示第二图像，702表示第三图像。对比第二图像和第三图像可知，该第三图像相比于该第二图像噪声明显变弱，最明显的部分为栅线以及存在隐裂缺陷的地方。
[0165]
603、利用训练得到的缺陷识别模型对第三图像进行缺陷识别，输出缺陷识别结果。
[0166]
在一个可能的实现方式中，隐裂检测装置在执行步骤603之前，可对第三图像进行二值化处理；然后，利用训练得到的缺陷识别模型对二值化处理后的第三图像进行缺陷识别，输出缺陷识别结果。利用训练得到的缺陷识别模型对二值化处理后的第三图像进行缺陷识别，这样可减少该缺陷识别模型处理的图像的复杂性。二值化处理可以是将图像中小于某个阈值(例如100、200等)的各灰度值调整为0，将大于或等于该阈值的各灰度值调整为255。
[0167]
本技术实施例中，先对第一图像进行隐裂特征提取以得到第二图像，再对该第二图像进行隐裂特征增强处理以得到第三图像，可以增强有效增强图像中的隐裂特征，从而提高识别光伏组件中的隐裂缺陷的精度。
[0168]
图8为本技术实施例提供的另一种光伏组件隐裂检测方法流程图。图8中的方法流程是对图6中的方法流程的完善。如图8所示，该方法包括：
[0169]
801、隐裂检测装置对第一图像进行隐裂特征提取处理，得到第二图像。
[0170]
步骤801的实现方式可与步骤601的实现方式相同。
[0171]
802、隐裂检测装置对第二图像进行隐裂特征增强处理，得到第三图像。
[0172]
步骤802的实现方式可与步骤602的实现方式相同。
[0173]
803、隐裂检测装置对第三图像中的栅线以及第三图像的边界进行消除，得到第四图像。
[0174]
步骤803一种可能的实现方式如下：将第三图像中的一个或多个目标行的各像素点的灰度值调整为0。其中，任一个目标行的各像素点的灰度值之和超过参考阈值。参考阈值可以是较大的实数，例如50000、60000等。举例来说，第三图像为一个300
×
300的图像，参考阈值为250
×
255。在一些实施例中，隐裂检测装置在对第三图像中的栅线以及第三图像的边界进行消除之前，可先对该第三图像进行二值化处理。
[0175]
804、利用训练得到的缺陷识别模型对第四图像进行缺陷识别，输出缺陷识别结果。
[0176]
图8中，8001表示第一图像，8002表示第二图像，8003表示第三图像，8004表示第四图像。第二图像8002与第一图像8001相比，隐裂特征更加明显。第三图像8003与第二图像8002相比，隐裂特征进一步增强。第三图像中的最长的三条白色的线表示栅线。第四图像8004与第三图像8003相比，栅线被消除。
[0177]
在一个可能的实现方式中，隐裂检测装置在执行步骤804之前，可对第四图像进行二值化处理；然后，利用训练得到的缺陷识别模型对二值化处理后的第四图像进行缺陷识别，输出缺陷识别结果。
[0178]
图8中的方法流程相比于图6中的方法流程，增加了消除图像中的栅线以及边界的操作，这样可以避免将栅线以及边界识别为隐裂缺陷，从而提高识别光伏组件中的隐裂缺陷的精度。
[0179]
图3、图6以及图8的方法流程中均包含对第一图像进行隐裂特征提取处理的操作。本技术实施例还提供了另一种光伏组件隐裂检测方法流程，该方法流程未包含对图像进行隐裂特征提取处理的操作。下面结合附图介绍这种方法流程。
[0180]
图9为本技术实施例提供的另一种光伏组件隐裂检测方法流程图。图9中的方法流程未包含对图像进行隐裂特征提取处理的操作。如图9所示，该方法包括：
[0181]
901、隐裂检测装置对第五图像进行隐裂特征增强处理，得到第六图像。
[0182]
上述第五图像为检测光伏组件得到的电致发光el图像。上述隐裂特征增强处理包括：获得上述第五图像中的第四像素点在k个方向上的f个灰度响应，以及将上述第四像素点的灰度值调整为第四灰度值。上述第四灰度值利用上述f个灰度响应得到。上述第四像素点在第二方向上的灰度响应用于确定上述第四像素点在上述第二方向是否存在隐裂。上述第二方向包含于上述k个方向。上述k为大于1的整数，上述f为等于或大于k的整数。步骤901的实现方式可与步骤602的实现方式类似，后续会以步骤602的实现方式为例，介绍对图像进行隐裂特征增强处理的实现方式。
[0183]
902、利用训练得到的缺陷识别模型对第六图像进行缺陷识别，输出缺陷识别信息。
[0184]
上述缺陷识别信息指示上述光伏组件存在隐裂或者不存在隐裂。步骤902的实现方式可与步骤302的实现方式类似。
[0185]
本技术实施例中，先对第五图像进行隐裂特征增强处理，得到第六图像；然后，利用训练得到的缺陷识别模型对该第六图像进行缺陷识别，可以提高缺陷识别的精度。
[0186]
图10为本技术实施例提供的另一种光伏组件隐裂检测方法流程图。图10中的方法流程是对图9中的方法流程的优化。如图10所示，该方法包括：
[0187]
1001、隐裂检测装置对第五图像进行隐裂特征增强处理，得到第六图像。
[0188]
步骤1001的实现方式可与步骤901的实现方式相同。
[0189]
1002、隐裂检测装置对第六图像中的栅线以及第六图像的边界进行消除，得到第七图像。
[0190]
步骤1002的实现方式可与步骤803的实现方式类似。
[0191]
1003、利用训练得到的缺陷识别模型对第七图像进行缺陷识别，输出缺陷识别信息。
[0192]
步骤1003的实现方式可与步骤902的实现方式类似。
[0193]
图10中的方法流程相比于图9中的方法流程，增加了消除图像中的栅线以及边界的操作，这样可以避免将栅线以及边界识别为隐裂缺陷，从而提高识别光伏组件中的隐裂缺陷的精度。
[0194]
由于前述实施例未详述对图像进行隐裂特征增强处理的方式，下面结合附图介绍一些可能的对图像进行隐裂特征增强处理的方式。图11为本技术实施例提供的一种对图像进行隐裂特征增强处理的方法流程。如图11所示，该方法包括：
[0195]
1101、隐裂检测装置获得第二图像中的第三像素点在k个方向上的f个灰度响应。
[0196]
上述第三像素点是第二图像中的任一像素点。上述第三像素点在第一方向上的灰度响应用于确定上述第三像素点在上述第一方向是否存在隐裂，上述第一方向包含于上述k个方向。应理解，第三像素点在每个方向上的灰度响应用于确定该第三像素点在该方向上是否存在隐裂缺陷。k为大于1的整数，f为等于或大于k的整数。
[0197]
步骤1101一种可能的实现方式如下：获取第一灰度矩阵；根据上述第一灰度矩阵，获得第三像素点在上述k个方向上的上述f个灰度响应。
[0198]
上述第一灰度矩阵中以中心元素为起点的k条射线的方向与上述k个方向一一对应。上述第一方向对应于上述k条射线中的第三射线。上述第三射线经过上述第一灰度矩阵中的两个或两个以上元素。上述第三像素点在上述第一方向上的灰度响应包括上述第三射线经过第一灰度矩阵中的两个或两个以上元素。上述第三像素点在每个方向上的灰度响应包括对应于该方向的射线在第一灰度矩阵中经过的元素。图12为本技术实施例提供的一种第一灰度矩阵和该第一灰度矩阵中的k条射线的示意图。图12中，第一灰度矩阵的中心元素为每条射线的端点，每条射线经过该第一灰度矩阵中的两个或两个以上元素。应理解，图12仅为一种示例，而不是说k条射线只能为8条射线。第三射线可以为图12中的任一条射线。
[0199]
上述第一灰度矩阵由滑动矩阵与第一子矩阵点乘得到。上述滑动矩阵中的第一元素不为零。上述滑动矩阵中的第二元素为零。上述第一元素对应的第一射线的方向包含于上述k个方向。上述第一射线为上述滑动矩阵中以中心元素为起始点且经过上述第一元素的射线。上述第二元素对应的第二射线的方向未包含于上述k个方向。上述第二射线为上述滑动矩阵中以中心元素为起始点且经过上述第二元素的射线。滑动矩阵中任一元素对应的射线为该滑动矩阵中以中心元素为起始点且经过该任一元素的射线。上述滑动矩阵可以为一个m行m列的矩阵，该滑动矩阵中以中心元素为起始点的k条射线的方向与上述k个方向一一对应。上述k条射线中每条射线经过滑动矩阵中的两个或两个以上元素，每条射线经过的元素的值为1。滑动矩阵中未被上述k条射线经过的元素的值均为0。m为大于1的整数，例如3、5、7等。例如，滑动矩阵为5行5列的矩阵，该滑动矩阵的中心元素为第3行第3列的元素。在一个可能的实现方式中，上述滑动矩阵中以中心元素为起点的k条射线中任意两条相邻射线之间的夹角为目标角度。例如，k为12，目标角度为24。又例如，k为18，目标角度为20。图13为本技术实施例提供的一种滑动矩阵和该滑动矩阵中的k条射线的示意图。图13中，滑动矩阵中的部分元素的值为0，另一部分元素的值为1，菱形框中的元素为该滑动矩阵中的中心元素，圆形框中的元素为第一元素的示例，1301为第一射线的示例，三角形框中的元素为第二元素的示例。如图13所示，k条射线中的任一条射线以滑动矩阵中的中心元素为端点，并且经过该滑动矩阵中的两个或两个以上值为1的元素。在一些实施例中，k条射线中任意两条相邻的射线之间的夹角相等。上述第一子矩阵的中心元素为上述第三像素点且上述第一子矩阵为上述第二图像的子矩阵。图14为本技术实施例提供的一种第二图像和第一子矩阵的示意图。图14中，黑色三角形所处位置的元素为第三像素点的一个示例，较小的虚线矩形框中的元素组成的矩阵为第一子矩阵的一个示例；黑色圆形所处位置的元素为第三像素点的另一个示例，较大的虚线矩形框中的元素组成的矩阵为第一子矩阵的另一个示例。上述滑动矩阵可理解为一个滑动窗。第二图像中的一个像素点对应的子矩阵可理解为滑动矩阵的中心元素与该像素点重合时，该滑动矩阵在该第二图像中所覆盖的矩阵。隐裂检测装置可使用滑动矩阵分别与第二图像中的每个像素点对应的子矩阵做点乘，从而得到第二图像中每个像素点对应的灰度矩阵。第二图像中的一个像素点对应的子矩阵为以该像素点为中心元素的一个属于第二图像的子矩阵。
[0200]
1102、隐裂检测装置将第三像素点的灰度值调整为第三灰度值。
[0201]
上述第三灰度值利用上述f个灰度响应得到。图11以第二图像中的第三像素点为例，描述了对第二图像进行隐裂特征增强处理的方法流程。应理解，隐裂检测装置可采用类似于图11中的方法流程来调整第二图像中的每个像素点的灰度值，以便得到上述第三图
像。
[0202]
在一个可能的实现方式中，上述第一灰度矩阵为一个m行m列的矩阵，上述l为大于0且不大于上述m的整数。上述第一灰度矩阵中对应于k个方向的k条射线均经过上述第一灰度矩阵中的l个元素。隐裂检测装置可利用上述第三像素点在上述k个方向上的上述f个灰度响应，处理得到上述第三灰度值。上述f＝l*k。上述第三像素点在上述k个方向中的每个方向上对应l个灰度响应。
[0203]
在一些实施例中，上述第三像素点在上述k个方向上的上述f个灰度响应与上述第三灰度值满足如下公式：
[0204][0205]
其中，表示上述第三灰度值，表示上述第三像素点在上述k个方向上最大的灰度响应，表示上述f个灰度响应的平均值，d为一个常数，例如d为1。d的值可根据需要来配置。可以是上述k个方向上的k个第一子灰度响应中的最大值。上述k个第一子灰度响应与上述k个方向一一对应，每个方向上的第一子灰度响应利用该方向上的l个灰度响应得到。例如，一个方向上的第一子灰度响应为该方向上的f个灰度响应的加权和。又例如，一个方向上的第一子灰度响应为该方向上的f个灰度响应的最大值。上述k个方向中任一方向上的l个灰度响应为对应于该方向的射线在第一灰度矩阵中经过的l个元素。例如，第三射线在第一灰度矩阵中依次经过的l个元素为：a、b、c、d、e，该第三射线对应的方向上的l个灰度响应为a、b、c、d、e；该第三射线对应的方向上的(l-1)个灰度响应为a、b、c、d，该第三射线对应的方向上的(l-2)个灰度响应为a、b、c；其中，l为5。可利用上述第三像素点在上述k个方向上的l*k个灰度响应(即每个方向上的l个灰度响应)得到。可理解为长度为l的线性检测器针对上述第三像素点的灰度响应。隐裂检测装置还可利用上述第三像素点在上述k个方向上的(l-1)*k个灰度响应(即每个方向上的(l-1)个灰度响应)得到长度为(l-1)的线性检测器针对上述第三像素点的灰度响应
[0206]
与上述第三像素点在上述k个方向上的(l-1)*k个灰度响应可满足如下公式：
[0207][0208]
其中，表示长度为(l-1)的线性检测器针对上述第三像素点的灰度响应，表示上述k个方向上的k个第二子灰度响应中的最大值，表示上述(l-1)*k个灰度响应的平均值，d为一个常数，例如d为1。上述k个第二子灰度响应与上述k个方向一一对应。每个方向上的第二子灰度响应利用该方向上的(l-1)个灰度响应得到。应理解，隐裂检测装置可利用第一灰度矩阵处理得到两个或两个以上长度不同的线性检测器针对上述第三像素点的灰度响应，例如和
[0209]
为增加线性检测器的鲁棒性，可在第一灰度矩阵中选取不同长度的线性检测器进行计算，最后对计算所得的各线性检测器针对第三像素点的灰度响应进行加权，从而得到上述第三灰度值。在一些实施例中，上述第三像素点在上述k个方向上的上述f个灰度响应与上述第三灰度值满足如下公式：
[0210]
[0211]
其中，r表示上述第三灰度值，表示长度为l的线性检测器针对上述第三像素点的灰度响应，p为上述第三像素点的灰度值，n为线性检测器的尺度大小(即线性检测器的个数)。表示之和。
[0212]
应理解，隐裂检测装置在获得第二图像中各像素点在k个方向上的灰度响应之后，可采用类似于调整第三像素点的灰度值的方式调整各像素点的灰度值。
[0213]
本技术实施例中，根据第二图像中的第三像素点在k个方向上的f个灰度响应，调整该第三像素点的灰度值，可以有效增强该第二图像中的隐裂特征。
[0214]
由于前述实施例未描述训练得到缺陷识别模型的方式。下面介绍训练得到缺陷识别模型的方式。图15为本技术实施例提供的一种训练方法流程图。如图15所示，该方法包括：
[0215]
1501、训练装置将训练样本输入至初始缺陷识别模型做处理，得到缺陷识别结果。
[0216]
训练装置可以是上述隐裂检测装置，也可以不是上述隐裂检测装置。当上述隐裂检测装置和上述训练装置不是同一装置时，隐裂检测装置可从训练装置或者其他装置获取该训练装置训练得到的缺陷识别模型。上述训练样本为经过隐裂特征提取处理和/或隐裂特征增强处理的样本。
[0217]
初始缺陷识别模型可以是inceptionv4。上述初始缺陷识别模型包括一个stem模块，一个inception-a模块，一个reduction-a模块以及一个inception-c模块；其中，上述第二图像(即输入)先通过stem模块，再依次经过inception-a模块，reduction-a模块和inception-c模块，再通过softmax分类。图16为本技术实施例提供的一种缺陷识别模型的结构示意图。如图16所示，缺陷识别网络包括：输入层(input)、stem模块、inception-a模块、reduction-a模块、inception-c模块、池化层(average pooling)、dropout层、softmax层。其中，池化层和dropout层均为可选的，而非必要的。由于inceptionv4是深度学习领域较常用的一种卷积神经网络，这里不再详述inceptionv4中各部分的功能。
[0218]
在一些实施例中，可采用如下方式获得训练样本：首先，对原始样本进行转换处理，得到中间样本；然后，对中间样本中的每个样本进行隐裂特征提取处理和/或隐裂特征增强处理，得到训练样本。考虑到卷积神经网络的旋转特征不变性，可将原始样本(即采集得到的el图像)进行转换处理以得到更多的中间样本。这样可以减少训练缺陷识别模型所需的el图像的数量。在实际应用中，在得到训练样本之后，可标注每个训练样本，即为每个训练样本添加该训练样本是否存在隐裂缺陷的标签。在每个训练样本被标注之后，可利用图14中的方法流程训练得到缺陷识别模型。
[0219]
1502、训练装置根据缺陷识别结果和标准结果，确定上述训练样本对应的损失。
[0220]
上述标准结果为利用上述初始缺陷识别模型处理上述训练样本期望得到的处理结果，即理想结果。标准结果可理解为预先为每个训练样本添加的标签。
[0221]
1503、训练装置利用训练样本对应的损失，通过优化算法更新初始缺陷识别网络的参数，得到缺陷识别模型。
[0222]
训练装置可利用训练样本对应的损失，通过梯度下降法更新缺陷识别模型的参数。
[0223]
本技术实施例中，利用经过隐裂特征提取处理和/或隐裂特征增强处理的样本来训练初始缺陷识别模型，从而得到缺陷识别模型；使用较少的训练样本就能训练得到精度
较高的缺陷识别模块。
[0224]
前述实施例介绍了光伏组件隐裂检测方法，下面介绍实现这些方法的隐裂检测装置的结构。图17为本技术实施例提供的一种隐裂检测装置的结构示意图。如图17所示，该隐裂检测装置可包括：
[0225]
特征提取处理单元1701，用于对第一图像进行隐裂特征提取处理，得到第二图像；上述第一图像为检测光伏组件得到的电致发光el图像，上述隐裂特征提取处理包括：将第一像素点的灰度值调整为第一灰度值，以及将第二像素点的灰度值调整为第二灰度值；上述第一像素点和上述第二像素点均包含于上述第一图像，上述第一像素点对应的第一海森矩阵的第一特征值满足目标条件，上述第二像素点对应的第二海森矩阵的第二特征值未满足上述目标条件，上述第一灰度值利用上述第一特征值得到，上述第二灰度值和上述第一灰厦值不同；
[0226]
缺陷识别单元1702，用于利用训练得到的缺陷识别模型对上述第二图像进行缺陷识别，得到缺陷识别结果；上述缺陷识别结果指示上述光伏组件存在隐裂或者不存在隐裂；
[0227]
输出单元1703，用于输出上述缺陷识别结果。
[0228]
在一个可能的实现方式中，上述第一特征值满足上述目标条件包括：上述第一特征值包括的第三特征值小于或等于0，上述第三特征值为上述第一特征值包括的两个特征值中绝对值较大的特征值，上述第二特征值未满足上述目标条件包括：上述第二特征值包括的第四特征值大于0，上述第四特征值为上述第二特征值包括的两个特征值中绝对值较大的特征值。
[0229]
在一个可能的实现方式中，特征提取处理单元1701，还用于构建上述第一像素点对应的上述第一海森矩阵以及构建上述第二像素点对应的上述第二海森矩阵；处理上述第一海森矩阵以得到上述第一特征值，处理上述第二海森矩阵以得到上述第二特征值。
[0230]
在一个可能的实现方式中，上述隐裂检测装置还包括：特征增强处理单元1704，用于对上述第二图像进行隐裂特征增强处理，得到第三图像；上述隐裂特征增强处理包括：获得上述第二图像中的第三像素点在k个方向上的f个灰度响应，以及将上述第三像素点的灰度值调整为第三灰度值；上述第三灰度值利用上述f个灰度响应得到，上述第三像素点在第一方向上的灰度响应用于确定上述第三像素点在上述第一方向是否存在隐裂，上述第一方向包含于上述k个方向，上述k为大于1的整数，上述f为等于或大于k的整数；
[0231]
缺陷识别单元1702，具体用于利用训练得到的上述缺陷识别模型对上述第三图像进行缺陷识别，得到上述缺陷识别结果。
[0232]
在一个可能的实现方式中，特征增强处理单元1704，具体用于获取第一灰度矩阵；上述第一灰度矩阵由滑动矩阵与第一子矩阵点乘得到，上述滑动矩阵中的第一元素不为零，上述滑动矩阵中的第二元素为零，上述第一元素对应的第一射线的方向包含于上述k个方向，上述第一射线为上述滑动矩阵中以中心元素为起始点且经过上述第一元素的射线，上述第二元素对应的第二射线的方向未包含于上述k个方向，上述第二射线为上述滑动矩阵中以中心元素为起始点且经过上述第二元素的射线，上述第一子矩阵的中心元素为上述第三像素点且上述第一子矩阵为上述第二图像的子矩阵；根据上述第一灰度矩阵，获得上述第三像素点在上述k个方向上的上述f个灰度响应；上述第一灰度矩阵中以中心元素为起点的k条射线的方向与上述k个方向一一对应，上述第一方向对应于上述k条射线中的第三
射线，上述第三射线经过上述第一灰度矩阵中的两个或两个以上元素，上述第三像素点在上述第一方向上的灰度响应包括上述第三射线经过上述第一灰度矩阵中的上述两个或两个以上元素。
[0233]
在一个可能的实现方式中，上述第一灰度矩阵为一个m行m列的矩阵，上述第三射线经过上述第一灰度矩阵中的l个元素，上述m为大于1的奇数，上述l为大于0且不大于上述m的整数；特征增强处理单元1704，还用于利用上述第三像素点在上述k个方向上的上述f个灰度响应，处理得到上述第三灰度值。
[0234]
在一个可能的实现方式中，特征增强处理单元1704，还用于对第三图像中各像素点的灰度值进行归一化处理，得到第四图像；
[0235]
缺陷识别单元1702，具体用于利用训练得到的上述缺陷识别模型对上述第四图像进行缺陷识别，得到上述缺陷识别结果。
[0236]
在一个可能的实现方式中，上述隐裂检测装置还包括：干扰消除单元1705，用于对上述第三图像中的栅线以及上述第三图像的边界进行消除，得到第四图像；上述缺陷识别单元，具体用于利用训练得到的上述缺陷识别模型对上述第四图像进行缺陷识别，得到上述缺陷识别结果。
[0237]
图18为本技术实施例提供的一种隐裂检测装置的结构示意图。如图18所示，该隐裂检测装置可包括：
[0238]
隐裂增强单元1801，用于对第五图像进行隐裂特征增强处理，得到第六图像；上述第五图像为检测光伏组件得到的电致发光el图像，上述隐裂特征增强处理包括：获得上述第五图像中的第四像素点在k个方向上的f个灰度响应，以及将上述第四像素点的灰度值调整为第四灰度值；上述第四灰度值利用上述f个灰度响应得到，上述第四像素点在第二方向上的灰度响应用于确定上述第四像素点在上述第二方向是否存在隐裂，上述第二方向包含于上述k个方向，上述k为大于1的整数，上述f为等于或大于k的整数；
[0239]
缺陷处理单元1802，用于利用训练得到的缺陷识别模型对上述第六图像进行缺陷识别，得到缺陷识别信息；上述缺陷识别信息指示上述光伏组件存在隐裂或者不存在隐裂；
[0240]
输出单元1803，用于输出上述缺陷识别信息。
[0241]
在一个可能的实现方式中，隐裂增强单元1801，具体用于获取第二灰度矩阵；上述第二灰度矩阵由滑动矩阵与第二子矩阵点乘得到，上述滑动矩阵中的第一元素不为零，上述滑动矩阵中的第二元素为零，上述第一元素对应的第一射线的方向包含于上述k个方向，上述第一射线为上述滑动矩阵中以中心元素为起始点且经过上述第一元素的射线，上述第二元素对应的第二射线的方向未包含于上述k个方向，上述第二射线为上述滑动矩阵中以中心元素为起始点且经过上述第二元素的射线，上述第二子矩阵的中心元素为上述第四像素点且上述第二子矩阵为上述第五图像的子矩阵；根据上述第二灰度矩阵，获得上述第四像素点在上述k个方向上的上述f个灰度响应；上述第二灰度矩阵中以中心元素为起点的k条射线的方向与上述k个方向一一对应，上述第二方向对应于上述k条射线中的第四射线，上述第四射线经过上述第二灰度矩阵中的两个或两个以上元素，上述第四像素点在上述第二方向上的灰度响应包括上述第四射线经过上述第二灰度矩阵中的上述两个或两个以上元素。
[0242]
在一个可能的实现方式中，上述第二灰度矩阵为一个m行m列的矩阵，上述第四射
线经过上述第二灰度矩阵中的l个元素，上述m为大于1的奇数，上述l为大于0且不大于上述m的整数；隐裂增强单元1801，还用于利用上述第四像素点在上述k个方向上的上述f个灰度响应，处理得到上述第四灰度值。
[0243]
在一个可能的实现方式中，上述隐裂检测装置还包括：干扰处理单元1804，用于对上述第六图像中的栅线以及上述第六图像的边界进行消除，得到第七图像；
[0244]
缺陷处理单元1802，具体用于利用训练得到的上述缺陷识别模型对上述第七图像进行缺陷识别，得到上述缺陷识别信息。
[0245]
图19是本技术实施例提供的一种电子设备的部分结构的框图。如图19所示，电子设备1900可以包括处理器1901、存储器1902、输入设备1903、输出设备1904以及总线1905。其中，处理器1901、存储器1902、输入设备1903、输出设备1904可通过总线1905实现彼此之间的通信连接。该总线1905可以分为地址总线、数据总线、控制总线等。为便于表示，图19中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0246]
处理器1901可以采用通用的中央处理器(central processing unit，cpu)，微处理器，图形处理器(graphics processing unit，gpu)，应用专用集成电路(application specific integrated circuit，asic)，或者一个或多个集成电路，用于执行相关程序，以实现本发明实施例所提供的技术方案。处理器1901可实现图17中的特征提取处理单元1701、缺陷识别单元1702、特征增强处理单元1704以及干扰消除单元1705的功能，也可实现图18中隐裂增强单元1801、缺陷处理单元1802以及干扰处理单元1804的功能。
[0247]
存储器1902可以是只读存储器(read only memory，rom)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，ram)。存储器1902可以存储操作系统、以及其他应用程序。用于通过软件或者固件来实现本技术实施例提供的电子设备包括的模块以及部件所需执行的功能，或者用于实现本技术方法实施例提供的上述方法的程序代码存储在存储器1902中，并由处理器1901读取存储器1902中的代码来执行电子设备包括的模块以及部件所需执行的操作，或者执行本技术实施例提供的方法。
[0248]
输入设备1903，用于输入电子设备待处理的图像，例如第一图像。
[0249]
输出设备1904，用于输出电子设备得到的缺陷识别结果。输出设备1904可以实现图17中的输出单元1703的功能，也可实现图18中的输出单元1803的功能。
[0250]
总线1905可包括在电子设备各个部件(例如处理器1901、存储器1902、输入设备1903、输出设备1904)之间传送信息的通路。
[0251]
应注意，尽管图19所示的电子设备1900仅仅示出了处理器1901、存储器1902、输入设备1903、输出设备1904以及总线1905，但是在具体实现过程中，本领域的技术人员应当明白，电子设备1900还包含实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当明白，电子设备1900还可包含实现其他附加功能的硬件器件。此外，本领域的技术人员应当明白，电子设备1900也可仅仅包含实现本技术实施例所必须的器件，而不必包含图19中所示的全部器件。
[0252]
图20为本技术实施例提供的另一种电子设备200的结构示意图。如图20所示，图20所示的电子设备包括逻辑电路2001和接口2002。逻辑电路2001可实现图17中的特征提取处理单元1701、缺陷识别单元1702、特征增强处理单元1704以及干扰消除单元1705的功能。或者，逻辑电路2001可实现图18中隐裂增强单元1801、缺陷处理单元1802以及干扰处理单元
1804的功能。接口2002可实现图17中的输出单元1703的功能。或者，接口2002可实现图18中的输出单元1803的功能。其中，该逻辑电路2001可以为芯片、处理电路、集成电路或片上系统(system on chip，soc)芯片等，接口2002可以为通信接口、输入输出接口等。本技术实施例中，逻辑电路和接口还可以相互耦合。对于逻辑电路和接口的具体连接方式，本技术实施例不作限定。
[0253]
本技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机代码，当计算机代码在计算机上运行时，使得计算机执行上述实施例的方法。
[0254]
本技术还提供一种计算机程序产品，该计算机程序产品包括计算机代码或计算机程序，当该计算机代码或计算机程序在计算机上运行时，使得上述实施例中的认证鉴权方法被执行。
[0255]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以上述权利要求的保护范围为准。