基于U-Net網(wǎng)絡(luò)的光伏組件缺陷檢測(cè)方法

郭清華，曾禮麗

湖南理工職業(yè)技術(shù)學(xué)院，湖南 湘潭 411104

0 引言

光伏組件是太陽能發(fā)電裝置的核心部件，其表面的質(zhì)量將直接影響整個(gè)發(fā)電系統(tǒng)的發(fā)電效率和服役年限。但是，光伏組件在生產(chǎn)過程中，由于生產(chǎn)工藝、誤操作等問題可能造成其表面出現(xiàn)隱裂、斷柵、黑片、缺角等缺陷。因此，對(duì)光伏組件進(jìn)行表面缺陷檢測(cè)具有重要意義。基于機(jī)器視覺的電池片表面及光伏組件缺陷檢測(cè)方法不僅方便、快捷和經(jīng)濟(jì)，而且可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)、精準(zhǔn)判斷和檢測(cè)裝置一體化，已成為能電池片表面及光伏組件缺陷檢測(cè)的主要發(fā)展方向之一。

1 構(gòu)建數(shù)據(jù)庫

收集各種光伏組件的EL圖像，再對(duì)這些圖像進(jìn)行圖像分割、復(fù)原、統(tǒng)一尺寸，并標(biāo)出缺陷位置進(jìn)行缺陷定位和轉(zhuǎn)換為灰度圖像。經(jīng)過這一系列圖像預(yù)處理后可以形成缺陷檢測(cè)數(shù)據(jù)集，分為訓(xùn)練集和測(cè)試集。

2 U-Net網(wǎng)絡(luò)概述

U-Net網(wǎng)絡(luò)其實(shí)類似于一種全卷積神經(jīng)網(wǎng)絡(luò)，與常見的卷積神經(jīng)網(wǎng)絡(luò)相比，U-Net網(wǎng)絡(luò)沒有全連接層，全部用卷積層進(jìn)行代替。此外，U-Net網(wǎng)絡(luò)只需要一次訓(xùn)練，而全卷積神經(jīng)網(wǎng)絡(luò)則需要兩次。全卷積神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的不同之處在于，卷積神經(jīng)網(wǎng)絡(luò)使用一個(gè)卷積層和一個(gè)全連接層來對(duì)特定大小的特征圖像進(jìn)行分類。因此，卷積神經(jīng)網(wǎng)絡(luò)只能接受一定大小的圖像，而全卷積神經(jīng)網(wǎng)絡(luò)則可以接受任何大小的輸入圖像。U-Net網(wǎng)絡(luò)也是在上采樣（擴(kuò)展路徑）結(jié)合下采樣（搜索路徑）生成特征向量。

3 基于U-Net網(wǎng)絡(luò)的光伏組件缺陷檢測(cè)方法

采用所構(gòu)建的數(shù)據(jù)庫中的訓(xùn)練集訓(xùn)練U-Net網(wǎng)絡(luò)，然后在該網(wǎng)絡(luò)中測(cè)試光伏組件缺陷。在太陽能電池片缺陷檢測(cè)過程中，試驗(yàn)對(duì)比分析U-Net網(wǎng)絡(luò)3種優(yōu)化器的效果。通過對(duì)比，在深度學(xué)習(xí)中選擇SGDM優(yōu)化器對(duì)太陽能電池片進(jìn)行缺陷檢測(cè)。

測(cè)試所得輸出結(jié)果圖像素過低，輸出的圖像為黑色，圖像尺寸為64×64像素，這是由于輸入圖像是將201張訓(xùn)練圖像分割成每張25份，輸入圖像一共有5025張，則輸出圖像也有5025張。為了方便與原圖像進(jìn)行對(duì)比，需要將輸出圖像進(jìn)行合并。因?yàn)橄袼剌^低，導(dǎo)致每張圖像都是黑色，所以把輸出圖像的每個(gè)像素都減2取絕對(duì)值，然后乘以255，得出的最終輸出結(jié)果圖像像素是0和255的圖像，0代表沒有缺陷的位置，255代表有缺陷的位置。

網(wǎng)絡(luò)模型優(yōu)化算法關(guān)系到網(wǎng)絡(luò)模型的性能，所得測(cè)試結(jié)果不理想，可能與圖像特征和模型設(shè)計(jì)無關(guān)，而是所選擇的優(yōu)化器的問題。常見優(yōu)化器包括動(dòng)量梯度下降（SGDM）、RMSProp、Adam等。為了選擇最合適的優(yōu)化器，選取少量太陽能電池片缺陷圖像分別使用SGDM、RMSProp、Adam優(yōu)化器進(jìn)行網(wǎng)絡(luò)配置。RMSProp優(yōu)化器可以使用‘squaredgradientdecayfactor’name-value pair參數(shù)來指定平方梯度移動(dòng)平均值的衰減率，并且可以通過使用不同參數(shù)的學(xué)習(xí)率來改進(jìn)網(wǎng)絡(luò)訓(xùn)練。同時(shí)，RMSProp優(yōu)化器能夠自動(dòng)適應(yīng)被優(yōu)化的損失函數(shù)，使用RMSProp優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖如圖1所示。

圖1 使用RMSProp優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖

Adam優(yōu)化器既考慮了動(dòng)量項(xiàng)來加速訓(xùn)練的過程，又考慮了對(duì)于學(xué)習(xí)率的約束。Adam優(yōu)化器可以分別使用“梯度/斜率因子”和“方形/斜率/斜率因子”的值對(duì)參數(shù)來指定梯度和梯度移動(dòng)平方平均值的衰減率。使用Adam優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖如圖2所示。

圖2 使用Adam優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖

SGDM優(yōu)化器可以使用“momentum”name-value對(duì)參數(shù)指定動(dòng)量值。該優(yōu)化器的使用指數(shù)加權(quán)平均以后梯度代替了原來的梯度進(jìn)行參數(shù)更新。使用SGDM優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖如圖3所示。

圖3 使用SGDM優(yōu)化器配置網(wǎng)絡(luò)結(jié)果圖

經(jīng)過訓(xùn)練準(zhǔn)確度的對(duì)比，SGDM優(yōu)化器明顯比其他兩個(gè)優(yōu)化器更優(yōu)良，因此選擇SGDM優(yōu)化器作為配置訓(xùn)練網(wǎng)絡(luò)的優(yōu)化器。

4 試驗(yàn)驗(yàn)證

在配置訓(xùn)練網(wǎng)絡(luò)時(shí)使用trainingoptions函數(shù)指定訓(xùn)練選項(xiàng)，包括執(zhí)行環(huán)境的選項(xiàng)，可以在CPU或者GPU上訓(xùn)練網(wǎng)絡(luò)，此函數(shù)可以選擇優(yōu)化器的種類。選擇好優(yōu)化器后，將選項(xiàng)設(shè)置為隨機(jī)梯度下降的默認(rèn)設(shè)置，將最大時(shí)期設(shè)置為10，并以0.000 1的初始學(xué)習(xí)率開始訓(xùn)練。對(duì)于圖像分類和圖像回歸，以使用多個(gè)GPU并行訓(xùn)練。由于試驗(yàn)條件的影響，將執(zhí)行環(huán)境設(shè)置在CPU上。試驗(yàn)結(jié)果如圖4所示。圖4（a）為輸出圖像的原圖像，圖4（b）為該圖像人工標(biāo)定的圖像，圖4（c）為經(jīng)過像素調(diào)整和圖像合并后得出的最終結(jié)果，可以看出，實(shí)際輸出的結(jié)果能正確表示標(biāo)定結(jié)果，驗(yàn)證了所提基于U-Net網(wǎng)絡(luò)的光伏組件缺陷檢測(cè)方法的可行性。

圖4 電池片圖像

5 結(jié)束語

相比人工目視檢測(cè)、物理方法檢測(cè)，機(jī)器視覺檢測(cè)具有快速、準(zhǔn)確、方便等優(yōu)勢(shì)。文章提出了一種基于U-Net網(wǎng)絡(luò)檢測(cè)光伏組件缺陷的方法，并對(duì)該方法進(jìn)行了試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果表明，使用該方法準(zhǔn)確率高達(dá)99%以上，是一種光伏組件缺陷自動(dòng)識(shí)別的可行方法。