结合PCA和SVM的太阳能电池缺陷识别.pdf

器件与应用

文章编号:———
结合和的太阳能电池缺陷识别
张宏军,刘堂友
东华大学信息科学与技术学院上海
【摘要】提出了一种结合小波变换和的特征提取方法,利用分类器来
分类缺陷图像。小波变换具有保留主要信息、去除噪声、多分辨率、去相关性等特点;对变换后的图像采用进行识别,可
以降低图像噪声的影响。由于小波变换后的图像只为原图像的/,大大降低了图像矩阵的数据量,可以用在需要大量训练样
本和测试样本的情况。实验结果表明,所提出的方法在识别率有所提高,大大减少了样本训练和识别的时间。
【关键词】主成分分析;小波变换;特征向量;支持向量机
【中图分类号】【文献标识码】

,
,,,
【】,
. , ,
,. , ,
. /,
,.

.
【】; ;;
太阳能电池图像缺陷特征
近年来,随着全球太阳光伏产业的快速发展,对太阳
能电池的质量检测也提出了更高的要求。目前,由于在
太阳能电池的工业生产中,检测是其中必不可少的一道■■■
图合格图片图边缘不纯图位错缺陷
工序,绝大多数的太阳能电池生产厂家,其表面质量还是
采用人工检测的方式,依赖作业人员的视觉判断,而硅片
电池表面缺陷的自动检测能够使工作人员提早发现生产
环节中存在的问题并作及时的调整,这对降低缺陷率,节一
约生产成本,意义显得尤为重要。图高不纯度图其他缺陷
太阳能电池图像的缺陷是由于生产工艺和生产设备二维离散的沃尔什变换,将图像分成,,,
故障引起的,导致了太阳能电池图片的异常,常见的缺陷个子部分;其中代表图像的低频信息,该部分包
主要分为四类缺陷特征,分别为边缘不纯、位错缺陷、高含了图像的绝大部分细节;,,这三部分分别代
不纯度、其他缺陷。缺陷图片的异常具有多样性,如图表了图像的垂直,水平和对角信息;而图像的低频成分
一图所示。只是源图像的/,所以低频成分是一个很好的选
二维离散小波变换择。图是任取一副图像经过小波变换后,获取低频成
小波变换堤:一种窗口大小固定但其形状、时间窗分系数的效果图。
口、频率窗口都可以改变的时频局部化分析方法,它在低主成分分析
频部分具有较高的频率分辨率和较低的时间分辨率,在【叫是一种统计学分析
高频部分具有较高的时间分辨率和较低的频率分辨率。数据的方法,通过特征的线性组合来实现降维的目的,在
假设给定平方可积的二维离散信号即图像,和分损失少量信息的前提下把多个指标转化为几个综合指标
别为小波多分辨率分析获得的低通和高通滤波器,通过
,年第卷第期总第期
器件与应用
。
. 主成分分析
在图像库中选取张图像,每类张为训练样本集,
一■对此训练集采用维离散小波变换,抽取低频小波系数,
然后对低频部分统一进行增强分析,提取图像
主要特征信息。
. 识别分类
■■支持向量机,“最基本
竖直对角
图小波变换结果的用途是解决两类问题的分类,它以训练误差作为优化
的多元统计方法,通常把转化生成的综合指标称之为主问题的约束条件,以置信范围值最小化作为优化目标,即
成分,其中每个主成分都是原始变量的线性组合,且各是一种基于结构风险最小化准则的学习方法。
个主成