(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210539170.1 (22)申请日 2022.05.12 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 李露　刘博　周付根　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/10(2006.01) G06T 5/20(2006.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于经验Garbor小波变换的光伏电池 图像异常检测方法 (57)摘要 一种基于经验Garbor小波变换的光伏电池 图像异常检测方法， 其步骤如下： 一、 构建经验 Gabor小波变换， 首先需要在傅里叶频域中检测 支撑从而获得对应的小波基函数构成滤波器组， 然后使用这个滤波器组对输入信号进行滤波从 而得到其变换分量。 二、 纹理结构分离。 将输入图 像分解为结构和纹理部分， 其纹理部分有足够的 可分离模态， 再对结构部分进行分割， 最终融合 提取的信息， 得到唯一的最终分割。 三、 小波特征 提取。 通过构建经验小波变换， 利用特征提取方 法对于每个像素点构建特征向量。 四、 小波系数 预处理。 五、 纹理分类， 提取异常缺陷。 通过以上 步骤， 可对光伏电池图像中异常区域自动检测， 有效提高工业 生产中产品质量。 权利要求书3页 说明书6页 附图1页 CN 114937011 A 2022.08.23 CN 114937011 A 1.一种基于经验Garbor小波变换的光伏电池图像异常检测方法， 其具体方法步骤如 下： 步骤一： 构建经验Gabor小波变换。 经验小波构建的主要分为两个步骤， 即小波支撑基 函数的构建和 傅里叶频谱的划分方法。 经验小波变换主要有两个步骤构成， 首先需要在傅 里叶频域中检测支撑从而获得对应的小波基函数构成滤波器组， 然后使用这个滤波器组对 输入信号进行 滤波从而得到其变换分量。 步骤二： 纹理结构分离。 将输入图像分解为结构和纹理部分， 其纹理部分有足够的可分 离模态， 再对结构部分进行分割， 最终融合 提取的信息， 得到唯一的最终分割。 步骤三： 小波特征提取。 通过构建经验小波变换， 利用特征提取方法对于每个像素点构 建特征向量f(x)∈RK。 经过结构纹理分解后的纹理部分主要包含了图像中的高频信息， 本 发明仅使用带通小 波滤波器为每 个像素点去构建特 征向量及其后处 理。 步骤四： 小波系数预处理。 小波系数的原始形式通常不能被分类器使用， 需要先进行处 理。 步骤五： 纹理分类， 提取异常缺 陷。 得到最终特征向量f(x)后， 利用Kmeas算法进行像素 级聚类， 以获得最终分割。 2.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 在步骤一中所述 “小波支持基函数的构建 ”， 其具体做法如下： 张量形式二维经验小波(EWT2DT)： 用两组一维经验小波分别对行和列进行处理。 水平 (垂直)滤波器集是基于所有一 维行(列)谱平均对应的谱 上检测到的边界。 因此二 维滤波器 的集合 由一维滤波器的乘积(我们表示x＝(x,y) )定义： 利用Gabor小波基作为支撑基函数， 并使用二维的尺度变换方法自由地对信号的傅里 叶频谱进行划分， 得到 了更高效更精确的频谱划分结果。 3.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 其中， 在步骤一中所述 “傅里叶频谱划分方法 ”， 其具体做法如下： 首先对傅里叶频谱进行分析， 取出所有极大值Mi和与之对应的频率坐标ωi， 然后保留 N‑1个最大的极大值， 并排序为ωn(1≤n≤N ‑1)。 最后得到傅里叶频谱的边界集合Ω＝ {ωn}n＝0， ...， N: 为了自适应利用图像中的信息来学习构建经验小波， 提出一种频谱边界混合算法， 得 到唯一的滤波器组来构建经验小 波变换。 4.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 步骤二中所述 “将输入图像分解 为结构和纹 理部分”， 具体做法如下： 定义I为输入图像， u和v分别为结构和纹 理部分， 该分解模型即求 解如下问题： subject to I＝u+v.权　利　要　求　书 1/3 页 2 CN 114937011 A 2其中BV是有界变分(bounded  variations)函数空间， 由半范数 描述， 如 果u是一个结构分量， 其全变分就会很小。 如果v 是一个振荡函数， 其G范数也会很小， 其中参 数 μ控制着这两个空间的边界。 本发明使用更简洁的形式如下： 其中的Gμ＝{v∈G|||v||G≤μ}， J*是G1空间上的特征函数， 如果v∈G1则J*(v)＝0， 其他 情况J*(v)＝+∞， 这种定义 的模型便于数值求解。 根据实际经验， μ控制了频率部分的敏感 程度， μ越小， 纹 理信号中的振荡越明显， λ控制结构部分的归一 化。 5.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 步骤三所述 “利用特征提取方法对于每个像素点构建特征向量 ”， 具体做法 如下： 小波基函数族定义如下： I＝{ ψs， x， φL， x}(s， x)∈{s∈Z， s＜L} ×Ω 为了方便计算， 令 ψL， x＝φL， x， 上述小波族可以简化 为{φs， x}{s∈Z， s≤L} ×Ω。 图像的小 波分解结果可以用标准内积表示： 这些内积对应Sk的线性滤波。 尺度因子为二进制形式， 即Sk＝2k， 其中滤波器组每一个 ΨSk给出不同尺度Sk上的细节分量。 6.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 步骤四中所述 “小波系数预处理”具体做法如下： 设fk(x)为其第k个分量坐标(k＝1,2, …,K)， 为后处理运算符， 即 在基 于小波的特征向量域中， 处理方法主 要是计算局部能量或局部熵。 这里 由 定义， 其中W表示位于中心坐标x 的均值滤波器， 即 在给定大小的窗口上 处理的平均滤波器， 以x为中心(窗口大小的影响将在实验部 分进行研 究)。 算子 E在局部能量情况下定义为 局部熵情况下E (u)＝[‑u1log(u1),…,‑uKlog(uK)]。 7.根据权利要求1所述的一种基于经验Garbor小波变换的光伏电池图像异常检测方 法， 其特征在于： 步骤五中 “利用Kmeas算法进行像素级聚类 ”， 具体做法如下： 对于给定输入， 按照距离大小划分为K个簇， 使得每个簇内的点尽量紧密的结合在一 起， 即最小化平方误差 E： 质心为 权　利　要　求　书 2/3 页 3 CN 114937011 A 3