基于SWIR的电致发光成像显示了光伏太阳能电池板缺陷检测的前景。光伏(PV)太阳能电池板的缺陷和故障可能导致生产损失或无法操作，因此必须快速发现问题。肉眼看不到电池裂纹、分流和断开的电池互连，但配备摄像头的无人机提供了一种有效的方法来检测白天对太阳能电池板产生负面影响的缺陷。电致发光(EL)成像可生成非常详细的PV诊断数据，常用于PV太阳能电池板检测应用。在故障识别中，EL提供比红外热成像更准确的结果，因为图像可以提供半导体材料级分辨率。该技术通常从黄昏到黎明在室内或室外使用，因为晶体硅发出的信号比太阳光低几个数量级。图像采集为了寻找一种在白天有效捕捉图像的方法，研究人员开发了一种基于无人机的图像捕捉系统（图1）。使用日光滤镜和减法（即计算每个像素的差异）通常不足以在全日光条件下获得清晰的EL图像。由于EL信号强度远低于阳光，因此信噪比非常低。为了弥补这一点，该团队获取了在同一固定位置拍摄的多对EL和背景图像，同时对PV面板进行了电调制，并添加了后处理步骤以生成图像。研究人员说，这样做可以将信噪比提高到可接受的水平。图1：研究人员为无人机配备了检测太阳能电池板缺陷的SWIR相机。为了成功地进行太阳能EL成像，必须快速获取图像并使用较短的曝光时间，以避免由于阳光造成的运动模糊和饱和。基于InGaAs的探测器可以满足这些要求，因此该团队选择了640x512短波红外(SWIR)相机。该相机搭配25mm定焦蓝宝石镜头和1150nm带通滤光片（全宽半高，半高）(FWHM)，以避免检测来自太阳和周围环境的光线。除相机外，EL/背景图像对采集设备还包括六轴无人机和用于相机??控制、实时图像反馈和图像存储的嵌入式PC。无人机通过两个Wi-Fi通道连接到地面上的计算机，以提供更好的信号稳定性，而无人机控制器软件可实现符合安全规定的半自主飞行。在距面板约四米的距离处，相机获取了机械应力PV模块的图像，该模块具有36个15.6x15.6cm多晶硅电池，排列在6x6电池矩阵中，测试速度为1125至1175nm，在范围内以120帧/秒的速度。（图2）。图2：在面板测试期间，无人机的摄像头在距面板约4米的距离处获取受压PV面板的图像。电气调制和后处理所有图像都本地存储在嵌入式PC中，用于图像采集后的后处理。即使使用适当的硬件，也存在进一步的挑战来提高从无人机获取的图像的信噪比，尤其是那些在运动中获取的图像。图像采集飞行后，使用开发的算法，图像从嵌入式PC传输到台式PC进行后处理。固定日光EL的图像处理步骤包括EL/背景图像分离、平均、背景减法、透视校正和SNR平均。对于在移动过程中获取的EL/背景图像（如无人机获取的情况），必须执行额外的步骤，包括序列的每个图像中的PV面板边缘检测和分割，以及整个图像序列的运动补偿。这些步骤发生在EL/背景图像分离之前，需要高精度和强大的图像处理算法。在每一帧中，该算法检测面板并将其与其余图像内容分割，补偿不同帧之间的运动，并使用全搜索块匹配算法在序列的所有图像之间执行配准。通过执行平均和背景减法对图像进行去噪。研究人员表示，在达到推荐质量之前提高信噪比所需的图像数量取决于太阳辐照度和EL/背景图像等因素，但空间匹配是提高图像质量的最重要因素。当空间匹配不是问题时，例如在固定日光EL的情况下，16对图像足以展示用于细胞破裂诊断的视觉上可接受的EL图像。在高辐照度下获取的图像序列往往会提供少量的EL/背景图像变化，但大约50个空间匹配良好的图像对克服了这一缺点，并为细胞裂纹检测提供了高质量的图像。该团队使用DC方波和AC+DCDC正弦波方法将调制电波应用于图像。对于直流调制，双向SM1500-CP30直流电源为光伏面板产生调制电压偏置，而AC6804A交流电源用于调制偏置，以避免偏置信号中的强太阳辐射干扰。图3：研究团队使用DC方波和AC+DCDC正弦波方法将调制电波形应用于图像。结果表明，AC+DC电调制在EL和背景图像之间提供可重现的平均像素值增量，而DC调制表现出更高的增量幅度。与DC电调制相比，AC+DC电调制在EL和背景图像之间提供了更可重复的平均像素值增量，而DC调制表现出比AC+DC调制更高的增量幅度（图3）。在户外成像运动时，由于运动期间获取的图像对的位置不匹配，图像质量低于室外静止图像。研究团队表示，亚像素级别的定位不匹配阻碍了信噪比方面的最佳质量改进，并且代表了基于无人机的EL成像中低质量图像的主要问题。AlienEyeMachineVision认为，用于提高图像质量的算法需要进一步改进，以使用基于无人机的EL采集系统进行大规模公用设施检查，但整个项目显示使用SWIR相机进行基于天的PV面板检查的希望无人机。来自网络，仅供分享，侵删等
