太阳能电池阵列是人造卫星能源的唯一来源，太阳能电池片是太阳能电池阵列的重要组成部分，它的破损直接影响到电池阵的输出功率。对太阳电池片表面缺陷的检测是非常重要的一个环节，目前主要是用目测的方法来检测，检测人员利用显微镜对太阳电池片表面进行检查，该方法劳动量大，并且会受到检测人员主观因素的影响。随着计算机技术和数字图像处理技术的快速发展，使得利用CCD摄像头实时捕捉、存储太阳能电池片表面图像，并利用图像处理算法检测出太阳能电池片表面上的裂纹成为可能。国内外在路面表面裂纹检测算法以及混凝土表面裂纹检测算法方面都有一定的研究，却鲜有针对太阳能电池片表面图像的裂纹算法研究。目前所提出的针对太阳能电池片表面的裂纹检测算法很少。方帅等人[37]提出的基于生物视觉模型的太阳能电池板裂纹检测算法，该算法计算流程主要是对预处理图像分别使用Thomas Serre标准模型的S1和C1操作以及进行Percolation-Based图像处理，然后利用Percolation-Based图像处理方法指导C1操作后的特征匹配模板和普通模板的选取，再进行Thomas Serre标准模型的S2和C2操作，产生的特征向量供SVM分类识别。但是这种利用分类器的方法只能检测出该图有没有裂纹，并不能在图中标注出裂纹。王玉[3]提出了峰值二值化算法。该算法首先对图像进行预处理，将利用栅极线特征将图像中的栅极线剔除。之后再用严阈值峰值二值化算法迫使细微裂纹显像，再用轮廓特征进行筛选，将符合线状特征的轮廓保留，最后进行裂痕轮廓的连接。该算法虽然能检测出大部分裂纹，并将其标注在图中，但其检测准确率并不高，并且检测出来的裂纹不完整。本文算法充分利用裂纹本身的性质，采用一种局部的并行的探测手段来检测图像中的细微裂纹。算法主要由去除图像边界，生成渗透算法模板图像，执行渗透算法，执行张量投票算法，裂痕像素点的聚合五个部分组成。渗透算法和张量投票算法是本文算法的核心部分。渗透算法是根据仿自然界现象的渗透模型，在图像中建立局部的可扩展窗口，以探测裂纹像素的算法。该算法可以充分挖掘出图像中的潜在裂纹像素。张量投票算法是机器视觉中的感知重组方法，它有能力从复杂的环境中推断出结构性信息。裂纹是成曲线聚集分布的，而噪声是离散分布于整个图像各个位置的，张量投票算法有能力分辨出哪些是成曲线聚集的裂纹像素信息，哪些是离散分布的噪声信息，从而达到了去除噪声的目的。将这两种算法结合，再用一些算法辅助处理就构成了本文的裂纹检测算法。模拟运行实验表明，本文的裂纹检测算法可以实时地检测出太阳能电池片上的裂纹轮廓，并将其完整地标注出来，初步达到了项目设计的目标。在检测速度、精度、稳定性方面均取得了良好的效果。