(3.235.245.219) 您好!臺灣時間:2021/05/07 22:26
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

: 
twitterline
研究生:吳世杰
研究生(外文):Shih-Chieh Wu
論文名稱:應用機器視覺於多晶矽太陽能電池與模組在電致發光影像之瑕疵檢測
論文名稱(外文):Machine vision-based defect detection of solar cells/modulesin electroluminescence images
指導教授:蔡篤銘蔡篤銘引用關係
指導教授(外文):Du-Ming Tsai
學位類別:碩士
校院名稱:元智大學
系所名稱:工業工程與管理學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2011
畢業學年度:99
語文別:中文
論文頁數:119
中文關鍵詞:機器視覺瑕疵檢測電致發光傅立葉轉換獨立成份分析太陽能電池太陽能模組
外文關鍵詞:Machine visionDefect detectionElectroluminescenceFourier transformIndependent component analysisSolar cellSolar module
相關次數:
  • 被引用被引用:1
  • 點閱點閱:462
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:7
  • 收藏至我的研究室書目清單書目收藏:0
在多晶太陽能電池與模組中,由於金屬手指斷線、微裂和裂痕之瑕疵是無法由肉眼或是一般CCD攝影機察覺,所以可運用電致發光(Electroluminescence, EL)影像技術來凸顯瑕疵。本研究利用機器視覺技術針對多晶矽太陽能電池與模組於電致發光影像之瑕疵進行檢測,但由於多晶太陽能電池與模組中的瑕疵與正常之晶格背景同時被凸顯於EL影像中,使得自動瑕疵檢測的困難度也大為增加。

本研究第一個主題探討多晶太陽能電池(Solar cell)於電致發光影像之瑕疵檢測,由於多晶太陽能電池於電致發光影像中,其金屬手指斷線、微裂及裂痕瑕疵具備條狀與線狀之特性,因此本研究以傅立葉轉換(Fourier transform)重建影像技術為基礎,將原始影像中之瑕疵消除,再比較原始影像與還原影像之差異,即可有效偵測瑕疵在EL影像中之位置。第二個主題檢測對象為多晶太陽能模組(Solar module)之電致發光影像,太陽能模組是由多個太陽能電池經串、並聯組合之產品,本研究運用獨立成份分析(Independent Component Analysis, ICA),訓練多晶太陽能模組中正常之太陽能電池子影像的基底影像,並將每一待測太陽能電池之子影像利用基底影像的線性組合做影像重建,計算原始測試影像與重建影像之總差異值,即可有效判斷多晶矽太陽能模組中是否含有瑕疵太陽能電池之子影像。

在多晶太陽能電池之電致發光影像的檢測實驗中,本研究之傅立葉影像重建方法皆能提供正確的檢測結果,而一張多晶太陽能電池影像大小為550×550像素之檢測影像,平均檢測時間為0.29秒。在多晶太陽能模組之電致發光影像的檢測實驗中,本研究之ICA影像重建方法之平均分類正確率為90.6%,最高辨識率則為98.7%;當太陽能模組包含36片(6×6)太陽能電池,而模組影像大小為1250×1250像素時,平均檢測時間約為1.08秒。


Finger interrupt, micro-crack and breakage are severer defects in the multicrystalline solar cell and cannot be observed by the naked eyes or the conventional CCD camera. The Electroluminescence (EL) imaging technique can be used instead to highlight these defects. In this study, a machine vision scheme is proposed to detect the defects of solar cells and solar modules in EL images. The EL image of a multicrystalline solar cell presents a heterogeneously textured pattern, which makes the defect detection task extremely difficult.

The first topic in this research focuses on defect detection of the multicrystalline solar cells in EL images. Since the finger interrupt and crack are line- or bar-shaped, the Fourier transform is used to eliminate suspected defects and results in a defect-free surface in the reconstructed image. By subtracting the reconstructed image from the original image, the defects can be distinctly enhanced in the difference image. Then, the defect is effectively segmented by a simple statistical control limit. The second topic of this research aims at defect inspection in the solar module, which is formed by a matrix of solar cells through series and parallel combinations. The Independent component analysis (ICA) is used to generate the basis images from defect-free solar cells. Each test image is reconstructed by a linear combination of the basis images. The accumulated gray-level difference between the test image and the reconstructed image is effectively used as a discrimination to detect the presence of defect in the solar cell subimages.

In the experimental results of solar cell EL images, the Fourier transform reconstruction scheme can effectively detect fingers interrupt, micro-crack, and breakage. The average computation time is 0.29 seconds for a solar cell image of size 550×550 pixels. The experimental results of solar module inspection show that the ICA image reconstruction method can provide up to 98.7% of correct classification. The average computation time is 1.08 seconds for a solar module image (containing 36 solar cells) of size 1250×1250 pixels.


目錄
中文摘要 i
英文摘要 ii
誌 謝 iii
目 錄 iv
圖目錄 vi
表目錄 viii
第一章 緒論 1
1.1研究背景與動機 1
1.2多晶太陽能電池/模組於電致發光影像之特性 3
1.3 研究方法簡介 4
1.3.1 多晶太陽能電池於電致發光影像之瑕疵偵測 4
1.3.2 多晶太陽能模組於電致發光影像之瑕疵偵測 5
1.4 論文架構 5
第二章 文獻回顧 6
2.1太陽能晶片與太陽能電池表面瑕疵檢測 6
2.2 紋路分析 7
2.2.1 空間域方法 8
2.2.2 頻率域方法 9
2.3 獨立成份分析法之應用 10
2.3.1 醫學訊號之解讀 11
2.3.2 影像復原 11
2.3.3 人臉辨識 12
2.3.4 瑕疵偵測 12
2.4 結論 13
第三章 多晶太陽能電池/模組製程及EL影像擷取 14
3.1 多晶太陽能電池/模組製程簡介 14
3.2 電致發光(Electroluminescence, EL)影像技術簡介 17
第四章 多晶太陽能電池於電致發光影像之瑕疵檢測 22
4.1 研究方法流程概述 22
4.2 影像轉換 24
4.2.1 二維快速傅立葉轉換 24
4.2.2 反傅立葉轉換 (影像還原) 26
4.2.3 偵測傅立葉頻譜上之瑕疵角度方向 27
4.2.4 去除傅立葉頻譜頻帶 37
4.2.5 影像相減 41
4.2.6 差異影像之閥值設定 43
4.3 實驗結果分析 44
4.3.1 硬體和軟體設備之功能與規格 46
4.3.2去除水平方向之傅立葉頻譜 46
4.3.3傅立葉頻譜去除瑕疵角度在不同寬度之影響 52
4.3.4 管制界限 值選取之影響 55
4.4 結論 58
第五章 多晶太陽能模組於電致發光影像之瑕疵檢測 59
5.1 研究方法流程概述 59
5.2 形態學(Morphology)影像前處理 61
5.3 獨立成份分析 66
5.3.1 獨立成份分析(ICA)簡介 66
5.3.2 ICA前處理 69
5.3.3 快速ICA( FastICA )演算法 70
5.4 基底影像及影像重建 75
5.4.1 ICA基底影像訓練 75
5.4.2 待測影像之基底重建 76
5.5 實驗結果分析 79
5.5.1 硬體和軟體設備之功能與規格 79
5.5.2 不同計算距離值方式之分類正確率的影響(原始影像) 80
5.5.3 不同計算距離值方式之分類正確率的影響(形態學平滑影像) 81
5.5.4 形態學平滑影像對分類正確率的影響 82
5.5.5 訓練樣本張數之影響 84
5.6 結論 87
第六章 結論與未來發展方向 90
參考文獻 92
附錄A 傅立葉影像重建技術應用於太陽能電池之檢測結果 95
附錄B 傅立葉影像重建技術應用於太陽能模組之檢測結果 98
附錄C 不同的基底影像之影像重建結果推導 101
附錄D 不同計算距離值方法之分類辨識率 103
附錄E 去除與保留傅立葉頻譜上之瑕疵頻率元素 104
附錄F ROC曲線 106
附錄G程式碼(一)說明 112
附錄H 程式碼(二)說明 118


圖目錄

圖1-1太陽能晶片影像 2
圖1-2 多晶矽太陽能電池與多晶矽太陽能模組 2
圖1-3 傳統CCD攝影機與EL取像系統擷取之多晶太陽能電池影像 3
圖1-4 多晶太陽能模組之EL影像 4
圖3-1 多晶矽錠 15
圖3-2 多晶矽太陽能晶片影像 15
圖3-3 多晶太陽能電池影像 16
圖3-4 多晶太陽能模組影像 16
圖3-5 電致發光(EL)影像系統之架構 17
圖3-6 多晶太陽能電池之EL影像 18
圖3-7 多晶太陽能模組之EL影像 18
圖3-8 傳統CCD攝影機擷取之灰階影像 19
圖3-9 EL取像系統擷取之灰階影像 19
圖3-10 多晶矽太陽能電池在EL影像中之正常範例 21
圖3-11 多晶矽太陽能電池在EL影像中之瑕疵範例 21
圖3-12 太陽能模組中每一個太陽能電池之子影像在EL影像中正常之範例 21
圖3-13 太陽能模組中每一個太陽能電池之子影像在EL影像中瑕疵之範例 21
圖4-1 本研究方法之處理流程 23
圖4-2 傅立葉頻譜圖 28
圖4-3 傅立葉轉換之霍夫累加值直方圖 31
圖4-4 霍夫轉換之傅立葉頻譜座標能量值 33
圖4-5微裂瑕疵能量投影加總值之曲線圖 35
圖4-6 裂痕瑕疵能量投影加總值之曲線圖 36
圖4-7 傅立葉頻譜去除不同寬度之還原影像 39
圖4-8 去除傅立葉頻譜上之頻帶 41
圖4-9 正常與瑕疵影像之差異影像 43
圖4-10 不同影像大小之傅立葉頻譜 45
圖4-11 傅立葉頻譜圖去除不同範圍之結果圖(正常影像I) 48
圖4-12 傅立葉頻譜圖去除不同範圍之結果圖(正常影像II) 49
圖4-13 傅立葉頻譜圖去除不同長度之結果圖(金屬手指斷線瑕疵影像I) 50
圖4-14 傅立葉頻譜圖去除不同長度之結果圖(金屬手指斷線瑕疵影像II) 51
圖4-15 傅立葉頻譜去除不同寬度結果圖(微裂痕瑕疵影像) 53
圖4-16 傅立葉頻譜去除不同寬度結果圖(裂痕瑕疵影像) 54
圖4-17 不同 值之正常影像檢測結果 56
圖4-18 不同 值之瑕疵影像檢測結果 57
圖5-1 本研究方法之處理流程 60
圖5-2 三種 的結構元素( 表示遮罩之中心點) 62
圖5-3 正常太陽能模組子影像經過形態學影像處理之範例 65
圖5-4 瑕疵太陽能模組子影像經過形態學影像處理之範例 65
圖5-5 FastICA演算流程 74
圖E-1 微裂痕瑕疵之去除與保留傅立葉頻譜上瑕疵頻率元素 104
圖E-2 裂痕瑕疵之去除與保留傅立葉頻譜上瑕疵頻率元素 105
圖E-3 金屬手指斷線瑕疵之去除與保留傅立葉頻譜上瑕疵頻率元素 105
圖F-1 傅立葉影像重建方法之ROC圖 107
圖F-2 獨立成份分析影像重建方法之ROC圖(原始影像) 108
圖F-3 獨立成份分析影像重建方法之ROC圖(形態學前處理影像) 109
圖F-4 獨立成份分析影像重建方法之ROC圖(距離值) 110
圖F-5 獨立成份分析影像重建與特徵向量(b)之ROC圖 111


表目錄

表4-1檢測影像之誤判張數、型一、型二誤差和檢測時間一覽表 58
表5-1 不同計算距離值方式之分類正確率(原始影像) 81
表5-2 不同計算距離值方式之分類正確率(形態學平滑影像) 82
表5-3 原始影像與平滑影像在計算距離值之分類正確率 83
表5-4 不同訓練樣本張數在計算距離值之分類正確率(原始影像) 85
表5-5 不同訓練樣本張數在計算距離值之分類正確率(形態學平滑影像) 86
表5-6 不同訓練影像樣本數之計算時間 87
表5-7 型一誤差與型二誤差之平均誤判張數(原始影像) 89
表5-8 型一誤差與型二誤差之平均誤判張數(形態學平滑影像) 89
表C-1 相關係數法(Correlation coefficient)之分類辨識率 102
表C-2 餘弦相似量測法(Cosine measure)之分類辨識率 102
表D-1不同計算距離值方法之分類辨識率 103
表F-1 傅立葉影像重建方法調整參數 之TP與FP值 107
表F-2 獨立成份分析影像重建方法調整參數C之TP與FP值(原始影像) 108
表F-3 獨立成份分析影像重建方法調整參數C之TP與FP值(形態學影像) 109
表F-4 獨立成份分析影像重建方法調整參數C之TP與FP值(距離值 ) 110



林明獻,2007 年,「太陽電池技術入門」,全華圖書股份有限公司。

陳心怡,2007 年,「太陽能電池板表面瑕疵檢測」,碩士論文,國立中央大學資訊工程研究所。

蔡欣儒,2007 年,「太陽能電池板的尺寸量測與線路瑕疵檢測」,碩士論文,國立中央大學資訊工程研究所。

Baykal, I. C. and G. A. Jullien, 2004, “In-camera detection of fabric defects,” Circuits
and Systems, Vol. 3, pp. 934-936.

Bently, W. A., 1979, “The inspection: an automatic optical printed circuit board (PCB) inspection,” in Proc. Soc. Photo-Optical Instrument. Engrs., Vol. 201, pp. 37-47.

Bodnarova, A., M. Bennamoun and S.J. Latham, 2000, “A constrained minimisation approach to optimise Gabor filters for detecting flaws in woven textiles,” Acoustics, Speech, and Signal Processing, Istanbul, Vol. 6, pp. 3606-3609

Bartlett, M. S., J. R. Movellan and T. J. Sejnowski, 2002, “Face recognition by independent component analysis,’’ IEEE Transactions on Neural Networks, pp. 1450-1464.

Chan, C. H. and K. H. Pang, 2000, “Fabric defect detection by Fourier analysis,”IEEE Trans. on Industry Application, Vol. 36, pp. 1267-1276.

Conners, R. W., C. W. Mcmillin, K. Lin and R. E. Vasquez-Espinosa, 1983,“Identifying and locating surface defects in wood: part of an Automated Lumber Processing System,” IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. PAMI-5, pp. 573-583.

Corneloup, G. J. Moysan and I. E. Magnin, 1996, “B-scan image segmentation by thresholding using co-occurrence matrix analysis,” Pattern Recognition, Vol. 29, pp.
281-296.

Erturk, S. and T. J. Dennis, 2000, “Image sequence stabilization based on DFT filtering,” in Proc., IEEE, Image Signal Process, Vol. 147, pp. 95-102.

Fuyuki T. and A. Kitiyanan, 2009, “Photographic diagnosis of crystalline silicon solar cells utilizing electroluminescene, “ Applied physics A, Vol. 96, pp. 189-196.

Fu, Z., Y. Zhao, Y. Liu, Q. Cao, M. Chen, J. Zhang and J. Lee, 2004, “Solar cell crack inspection by image processing,” in Proc. Int. IEEE Conf. Business of Electronic Product Reliability and Liability, Shanghai, China, Apr. 27-30, pp.77-80.

Hurri, J., H. Gävert, J. Särelä and A. Hyvärinen, FastICA Package, 2004, Online Available: http://www.cis.hut.fi/projects/ica/fastica/.

Hyvärinen, A., J. Karhunen and E. Oja, 2001, Independent Component Analysis, John Wiley & Sons, New York, NY. 3
Hyvärinen, A. P. Hoyer and E. Oja, 1998, “Sparse code shrinkage for image denoising,’’ Proceedings of IEEE International Joint Conference on Neural Networks, Anchorage, Alaska, pp. 859-864.

Hung C. I, P. L. Lee, Y. T. Wu, L. F. Chen, T. C. Yeh, J. C. Hsieh, 2005, “Recognition of Motor Imagery Electroencephalography Using Independent Component Analysis and Machine Classifiers.” Annals of Biomedical Engineering, Vol. 33, pp. 1053-1070.

Hung, Y. and S. Luo, 2002, “A dynamic denoising natural image compression,” Proceedings of the International Conference on Signal Processing, Beijing, China, pp. 1179–1182.

Haralick, R. M., K. Shanmugam and I. Dinstein, 1973, “Textural features for image classification,” IEEE Transactions on System, Man, Cybernetics, Vol. 3, pp. 610-621.

Ikeda, S. and K. Toyama, 2000, “Independent component analysis for noisy data-MEG data analysis,’’ Neural Networks, pp. 1063-1074.

Iivarinen, J., 2000, “Surface defect detection with hidtogram-based texture features,”Proceeding of SPIE, 4197, pp. 140-145.

Jenssen, R. and T. Eltoft, 2003, “Independent component analysis for texture segmentation,’’ Pattern Recognition, Vol. 36, pp. 2301-2315.

Kao Y. H., W. Y. Guo, Y. T. Wu, K. C. Liu,W. Y. Chai, C. Y. Lin, Y. S. Hwang, A. K. Liou, H. C. Cheng, T. C. Yeh, J. C. Hsieh, M. M. H. Teng, 2003, “Hemodynamic Segmentation of MR Brain Perfusion Images Using Independent Component, Bayesian Estimation and thresholding,” Magnetic Resonance in Medicine, Vol. 49, pp.885-894.

Lee, C. J. and S. D. Wang, 1999, “Fingerprint feature extraction using Gabor filters,”Electronics Letters, Vol. 35, pp. 288-290.

Lu, C. J. and D. M. Tsai, 2004, “Defect inspection of patterned thin film transistor-liquid crystal display panels using a fast sub-image-based singular value decomposition,’’ International Journal of Production Research, pp. 4331-4351.

Moganti, M., F. Ercal, C. H. Dagli and S. Tsunekawa, 1996, “Automatic PCB inspection algorithms: a survey,” Computer Vision and Image Understanding, Vol. 63, No. 2, pp. 287-313.

Porat, M. and Y. Y. Zeevi, 1988, “Pattern analysis and texture discrimination in the Gabor space,” Proceedings of the 9th International Conference on Pattern Recognition,
Rome, Italy, Vol. 2, pp. 700-702.

Ramana, K. V. and B. Ramamoorthy, 1996, “Statistical methods to compare the texture features of machined surfaces,” Pattern Recognition, Vol. 29, pp. 1447-1459.

Tsai, D. M. and C. T. Lin, 2003, “Fast normalized cross correlation for defect detection,” Pattern Recognition Letters, Vol. 24, pp. 2625-2631.

Tsai, D. M. and S. K. Wu, 2000, “Automated surface inspection using Gabor filters,”International Journal of Advanced Manufacturing Technology , Vol. 16, pp. 474-482.

Yoshimura, S. and T. Kanade, 1994, “Fast template matching based on the normalized correlation by using multiresolution eigenimages,” Intelligent Robots and Systems,Vol. 3, pp. 2086-2093.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 吳清基(1995)。給技職教育一片美好的天空和尊嚴。教育資料文摘,209,99-103。
2. 吳武典(1972)。社會學習理論及其應用。 師大學報,16, 181-213。
3. 秦夢群(1992)。高中教師管理心態、學生內外控與學生學習習慣與態度之關係研究。教育與心理研究,15, 129-172。
4. 李坤崇、邱美華(1991)。國中國小學生學習適應之個人因素探討。輔導月刊,27,8-21。
5. 郭生玉(1985)。教師的間接與直接影響行為和兒童創造力及學業成績之關係。教育心理學報,18,57-83。
6. 陳英豪、林正文、李坤崇(1989)。國小學生學習適應量表編製報告。測驗年刊,36,P1-12。
7. 陳英豪、吳榕峰(1998)。臺灣省職業教育的發展方向。師友月刊,375,35-39。
8. 張新仁(1989)。學習策略訓練之初探。 教育文粹,18,84-86。
9. 張嘉育、黃政傑(2001)。學校本位課程評鑑的規劃與實施。課程與教學季刊,4 (2),85-110。
10. 許志銘(1997)。高職教育改革方向之省思。技術及職業教育雙月刊,39,32-36。
11. 董力華、顏正芳、吳明忠(2006)。某醫學大學不同性別大一新生入學時的適應程度與一年內學業表現之關聯性探討。醫學教育,10(1),16-24。
12. 廖文靖(1999)。影響高職學生技能學習成效的因素。彰化師範教育實習輔導季刊,5(1)。
13. 潘慧玲、王麗雲、簡茂發、孫志麟、張素貞、張錫勳、陳順和、陳淑敏、蔡濱如(2004)。國民中小學教師教學專業能力指標之發展。教育研究資訊,12,129-168。
14. 簡茂發(1984)。國小教師教導態度與學童生活適應之關係。教育心理學報,17,99-120。
 
系統版面圖檔 系統版面圖檔