光伏用電致發(fā)光缺陷檢測儀空間分辨率的量化評估

何 翔，楊愛軍，黎健生，羅海燕，陳彩云

(福建省計(jì)量科學(xué)研究院，福建 福州 350003)

1 引 言

光伏用電致發(fā)光缺陷檢測儀是光伏組件生產(chǎn)過程中重要的檢測設(shè)備。其原理是通過對組件兩級增加正向偏壓，使用紅外數(shù)碼相機(jī)捕捉光伏組件發(fā)出的紅外光，再通過計(jì)算機(jī)處理后成像[1-2]。光伏用電致發(fā)光缺陷檢測儀能夠很好地檢測到光伏組件生產(chǎn)過程中產(chǎn)生的各種缺陷，如隱裂、斷柵等。

不同廠家生產(chǎn)的光伏用電致發(fā)光缺陷檢測儀性能有所差異，因此需要合理的設(shè)備評估方法。林劍春等[3]及ISO12233[4]提出以空間分辨率作為指標(biāo)評估光伏用電致發(fā)光缺陷檢測儀性能，同時由福建省計(jì)量科學(xué)研究院/國家光伏產(chǎn)業(yè)計(jì)量測試中心主導(dǎo)的福建地方標(biāo)準(zhǔn)《JJF(閩)1088-2018光伏組件電致發(fā)光缺陷檢測儀校準(zhǔn)規(guī)范》[5]以及正處于發(fā)布階段的相關(guān)國家標(biāo)準(zhǔn)也使用空間分辨率作為設(shè)備評估指標(biāo)。

光伏用電致發(fā)光缺陷檢測儀空間分辨率評估方法采用的空間分辨率測試板由不透光的金屬制成，空間分辨率測試區(qū)域包括一系列連續(xù)排列的具有相等寬度的鏤空線對。測試時將空間分辨率測試板貼于光伏組件表面，以光伏組件發(fā)出的光作為背景光源，光通過空間分辨率測試板鏤空處形成線對圖像。使用光伏用電致發(fā)光缺陷檢測儀拍攝后，通過目視逐一判別線對圖像，找出能夠目視分辨的最密線對，其對應(yīng)的空間分辨率即為該光伏用電致發(fā)光缺陷檢測儀的空間分辨率，從而對設(shè)備性能做出評估。

然而，上述目視判別過程嚴(yán)重受到判別者主觀因素的影響：不同判別者對于同一線對圖像可能給出不同結(jié)論，同一判別者對同一線對多次判別，也可能給出不同的結(jié)論。因此，需對目視判別線對過程進(jìn)行量化，以提升判別準(zhǔn)確度與重復(fù)性。文獻(xiàn)[6]提出將線對圖像沿著線對方向?qū)D像灰度求和，根據(jù)曲線最小的峰值-谷值差作為閾值依據(jù)，替代人為目視判斷。然而，人眼采集圖像信息并經(jīng)過大腦分辨這一過程十分復(fù)雜，通過單一或幾個指標(biāo)難以替代這一過程。

神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)非線性動態(tài)網(wǎng)絡(luò)[7]，屬于端對端監(jiān)督學(xué)習(xí)。通過大量數(shù)據(jù)對模型進(jìn)行訓(xùn)練，訓(xùn)練完成的模型能夠直接由數(shù)據(jù)映射最終結(jié)論，所有的數(shù)據(jù)特征由模型提取，能夠很好地模擬人眼采集圖像信息并由大腦分辨這一復(fù)雜過程。但是傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)在訓(xùn)練像素較多的圖像數(shù)據(jù)時，其網(wǎng)絡(luò)特性會產(chǎn)生大量的參數(shù)，導(dǎo)致訓(xùn)練速度緩慢甚至無法訓(xùn)練。由Sermanet P， Chintala S， LeCun Y提出的卷積神經(jīng)網(wǎng)絡(luò)[8]主要包含輸入層、卷積層、池化層、全連接層和輸出層，它通過局部感知、參數(shù)共享大大降低了參數(shù)數(shù)量，解決了上述問題。卷積神經(jīng)網(wǎng)絡(luò)常用于圖像識別[9]，并且在許多領(lǐng)域已得到廣泛的應(yīng)用[10-13]。

本文針對光伏用電致發(fā)光缺陷檢測儀空間分辨率目視判定重復(fù)性、準(zhǔn)確性差，并且難以量化等問題，參考相關(guān)標(biāo)準(zhǔn)，提出一套基于卷積神經(jīng)網(wǎng)絡(luò)的光伏用電致發(fā)光缺陷檢測儀空間分辨率圖像判別方法。該方法使用經(jīng)過標(biāo)識的線對圖像對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，完成訓(xùn)練后使用該模型自動判斷線對圖像，替代目視判別，有效提高了檢測準(zhǔn)確性。

2 數(shù)據(jù)準(zhǔn)備

2.1 圖像拍攝

為了模擬不同的使用場景及環(huán)境，本文選取不同的拍攝條件以獲得各種情況下不同灰度及方向的線對圖像，具體拍攝條件如表1所示。

表1 拍攝條件

2.2 圖像預(yù)處理

由于拍攝后的圖像為光伏組件的電致發(fā)光成像圖，如圖1所示，需要經(jīng)過預(yù)處理將每個線對圖像分離。本文采用的預(yù)處理方法為：(1)根據(jù)組件尺寸將電致發(fā)光成像圖中各電池片區(qū)域圖像切割分離；(2)由于粘貼空間分辨率測試板區(qū)域大量光線被遮擋，灰度值較低，因此根據(jù)分離后的電池片區(qū)域圖像的平均灰度篩選出粘貼空間分辨率測試板的圖像區(qū)域，如圖2所示；(3)對空間分辨率測試板的區(qū)域進(jìn)行二值化處理，并對二值化圖像沿著列方向求和，獲得灰度求和曲線。根據(jù)不同區(qū)域灰度求和曲線不連續(xù)性的特點(diǎn)切割出空間分辨率線對所在區(qū)域，典型區(qū)域如圖3所示；(4)將空間分辨率線對所在區(qū)域圖像進(jìn)行二值化、灰度閉運(yùn)算消除單個線對內(nèi)部空隙，對處理后的圖像沿著圖3短邊方向灰度求和，獲得灰度求和曲線，根據(jù)不同線對灰度求和曲線不連續(xù)性的特點(diǎn)逐一切割出空間分辨率線對圖像；(5)由于卷積神經(jīng)網(wǎng)絡(luò)需確定輸入模型的圖像尺寸，因此根據(jù)分離后的最大線對圖像尺寸，將所有線對圖像擴(kuò)展為128×128像素的圖像，擴(kuò)展區(qū)域灰度為0，最終處理完成的典型線對圖像如圖4所示。

圖1 光伏用電致發(fā)光成像圖Fig.1 Image of photovoltaic electroluminescence

圖2 空間分辨率測試板成像區(qū)域Fig.2 Imaging area of resolution test chart

圖3 空間分辨率線對所在區(qū)域Fig.3 Image of resolution line pairs

圖4 預(yù)處理完成后的線對圖像Fig.4 Image of line pairs after pretreatment

2.3 訓(xùn)練樣本分類

選取三名有光伏用電致發(fā)光缺陷檢測儀檢測經(jīng)驗(yàn)的人員分別對所有線對圖像進(jìn)行目視判定，判定結(jié)果分為“清晰”與“不清晰”兩種類型。由于需分類的圖像數(shù)目較多，在判定大量圖像時，判定人員在開始部分對圖像的判定標(biāo)準(zhǔn)可能與后續(xù)存在較大差異，因此對于每個人前100張線對圖像的判定不予采用。線對圖像是否“清晰”取決于3名人員的共同判定結(jié)果，若判定存在分歧，則以支持人數(shù)較多的判定為最終結(jié)果。最后，為了避免不同類別訓(xùn)練樣本數(shù)量差異影響模型訓(xùn)練結(jié)果，隨機(jī)去除部分圖像以平衡“清晰”與“不清晰”的線對圖像數(shù)量。

2.4 訓(xùn)練樣本增強(qiáng)

為了模擬實(shí)際測試過程中空間分辨率測試板粘貼、傾斜的現(xiàn)象，增加訓(xùn)練樣本數(shù)。將2.3小節(jié)中得到的圖像隨機(jī)旋轉(zhuǎn)-10°～10°并增加到訓(xùn)練樣本中，保持原樣本分類不變。最終得到“清晰”線對圖像3 272張，“不清晰”線對圖像3 272 張。從以上兩組樣本中各隨機(jī)選取250張線對圖像，共500張組成測試集，剩余6 044張線對圖像作為訓(xùn)練集。

3 神經(jīng)網(wǎng)絡(luò)模型

本文所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：每張圖像轉(zhuǎn)換為1行，128×128列的矩陣，矩陣中數(shù)值表示對應(yīng)像素點(diǎn)的灰度值。圖像分類標(biāo)簽采用one-hot編碼格式，判定為“清晰”的圖像標(biāo)簽為[1，0]矩陣，判定為“不清晰”的圖像標(biāo)簽為[0，1]矩陣?？紤]到樣本數(shù)量較大，每次選取小批量樣本輸入模型進(jìn)行訓(xùn)練，每批量的樣本數(shù)為256。

模型共3層卷積層，每層卷積核尺寸為3×3，圖像長寬方向步長都為1，激活函數(shù)采用relu函數(shù)，數(shù)學(xué)表示式如式(1)所示，函數(shù)圖像如圖5所示。相比sigmoid和tanh激活函數(shù)， relu激活函數(shù)計(jì)算簡單，能夠提高訓(xùn)練速度[9]。池化層分別采用長寬方向步長都為2的最大池化層?？傮w結(jié)構(gòu)示意圖如圖6所示。

f(x)=max(0，x).

(1)

圖5 relu函數(shù)圖像Fig.5 Image of relu function

圖6 卷積層、池化層的結(jié)構(gòu)示意圖Fig.6 Schematic diagram of convolutional layer and pool layer

之后連接一個全連接神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元數(shù)量為16×16×128個，隱藏層神經(jīng)元數(shù)量為256個，輸出層神經(jīng)元數(shù)量為2個，結(jié)構(gòu)如圖7所示。對全連接層設(shè)置權(quán)重丟棄[14]以避免過擬合，即每次計(jì)算時選取一部分權(quán)重臨時不參與計(jì)算，丟棄率為0.5。

圖7 全連接層結(jié)構(gòu)示意圖Fig.7 Schematic diagram of full connected layer

損失函數(shù)采用softmax交叉熵?fù)p失函數(shù)，數(shù)學(xué)表達(dá)式為：

(2)

式中：loss為損失函數(shù)，pi為模型預(yù)測結(jié)果矩陣中第i個元素值，yi為訓(xùn)練集標(biāo)簽矩陣中第i個元素值，trian_num為訓(xùn)練集樣本數(shù)。優(yōu)化器選擇Adam優(yōu)化器，學(xué)習(xí)率為1×104。

為了充分利用訓(xùn)練樣本，本文采用K折交叉驗(yàn)證對模型進(jìn)行驗(yàn)證，K取10。將訓(xùn)練集隨機(jī)平均分為10份，每次不重復(fù)的選取1份作為驗(yàn)證集，其余9份數(shù)據(jù)作為訓(xùn)練集，計(jì)算驗(yàn)證集的損失函數(shù)與準(zhǔn)確率。最后，統(tǒng)計(jì)10次驗(yàn)證集的平均損失函數(shù)與準(zhǔn)確率作為本輪訓(xùn)練的損失函數(shù)與準(zhǔn)確率。K折交叉驗(yàn)證示意圖如圖8所示。

圖8 K折交叉驗(yàn)證示意圖Fig.8 Schematic diagram of K-fold cross-validation

4 模型訓(xùn)練及驗(yàn)證

4.1 模型訓(xùn)練

使用以上參數(shù)對模型進(jìn)行訓(xùn)練，本文采用tensorflow深度學(xué)習(xí)框架，python語言。圖9為訓(xùn)練集的損失函數(shù)與準(zhǔn)確度隨著訓(xùn)練次數(shù)的變化曲線?？梢钥闯觯?xùn)練開始后驗(yàn)證集損失函數(shù)迅速下降，驗(yàn)證集準(zhǔn)確率迅速上升，在約100次訓(xùn)練后，速度減緩；在約600次訓(xùn)練后，驗(yàn)證集的損失函數(shù)與準(zhǔn)確率基本保持穩(wěn)定，分別約為0.318與99.5%。

圖9 損失函數(shù)與訓(xùn)練集準(zhǔn)確度曲線Fig.9 Loss function and accuracy curve of training set

4.2 模型驗(yàn)證

訓(xùn)練完成后，使用模型對測試集進(jìn)行預(yù)測，并統(tǒng)計(jì)預(yù)測準(zhǔn)確度，最終在500張測試圖像中，判定正確的數(shù)量為496張，判定錯誤的數(shù)量為4張，測試準(zhǔn)確度為99.2%，與驗(yàn)證集準(zhǔn)確率相近，未發(fā)生過擬合。

5 結(jié) 論

本文提出一套基于卷積神經(jīng)網(wǎng)絡(luò)的光伏用電致發(fā)光缺陷檢測儀空間分辨率圖像判別方法，采取不同的拍攝條件拍攝并切割出空間分辨率線對圖像，對圖像進(jìn)行人工分類。設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用卷積層、池化層和全連接層結(jié)構(gòu)，并使用已分類完成的空間分辨率線對圖像對模型進(jìn)行訓(xùn)練。最終使用測試樣本對模型進(jìn)行評估，結(jié)果表明，模型在測試樣本上的判別正確率達(dá)到99.2%，并且未發(fā)生過擬合。該方法提高了光伏用電致發(fā)光缺陷檢測儀空間分辨率判定的準(zhǔn)確性與重復(fù)性，并為其量化提出了新的解決思路。同時，由于太陽電池片用光致發(fā)光缺陷檢測儀與光伏用電致發(fā)光缺陷檢測儀有著類似的成像方式，因此可將文獻(xiàn)[3，5]所用的方法擴(kuò)展到光致發(fā)光缺陷檢測設(shè)備的性能評估中，同時本文提出的方法可兼容光致發(fā)光缺陷檢測設(shè)備的空間分辨率性能評估。