一種基于神經(jīng)網(wǎng)絡(luò)的太陽能電池板缺陷檢測(cè)方法＊

蘭小艷，史鈞宇

(山西工程職業(yè)學(xué)院，山西 太原 030009)

0 引言

隨著人口增長和經(jīng)濟(jì)發(fā)展，能源消耗持續(xù)增長，能源緊缺的時(shí)期將提前到來。二十一世紀(jì)新能源的開發(fā)與利用是關(guān)系到人類子孫后代命運(yùn)的一件大事。綠色環(huán)保的光伏發(fā)電，是解決我國能源問題的一條重要途徑。太陽能是綠色環(huán)保的清潔能源，在諸多方面有廣泛的應(yīng)用，尤其是利用太陽能發(fā)電為人們的生活帶來諸多便利。

太陽能電池板是由單晶硅制作而成，由于制作工藝與使用過程中的損耗，使得電池板表面產(chǎn)生裂痕、斷柵、破損等缺陷[1-2]。這些缺陷會(huì)使得透光率、導(dǎo)電性、發(fā)電效率等下降。為了提高使用壽命，提升發(fā)電效率，電池板表面缺陷檢測(cè)顯得尤為重要。

目前的檢測(cè)方法包括人工檢測(cè)、基于機(jī)器視覺和深度學(xué)習(xí)的檢測(cè)方法等。人工檢測(cè)方法效率低，容易出現(xiàn)人眼疲勞、注意力不集中的情況，進(jìn)而造成漏檢、誤檢。

基于機(jī)器視覺的檢測(cè)算法首先需要將電池片的柵線去除，其次運(yùn)用掃描線法對(duì)缺陷進(jìn)行統(tǒng)計(jì)，最后通過設(shè)置閾值來獲得缺陷。該方法能識(shí)別到裂縫，但對(duì)邊緣、破損、斷柵等缺陷的檢測(cè)存在弊端，并且預(yù)處理部分比較復(fù)雜。基于深度學(xué)習(xí)的檢測(cè)算法通常由于數(shù)據(jù)量較少，訓(xùn)練不充分而使得檢測(cè)存在誤差。

近年來，神經(jīng)網(wǎng)絡(luò)在諸多領(lǐng)域取得了比較好的應(yīng)用，如圖像識(shí)別[3-4]和自然語言處理[5-6]。

人工神經(jīng)網(wǎng)絡(luò)[7]的應(yīng)用，對(duì)數(shù)據(jù)樣本有一定的要求，如果數(shù)據(jù)樣本不夠充分、質(zhì)量較差，訓(xùn)練就會(huì)出現(xiàn)過擬合現(xiàn)象，同時(shí)會(huì)出現(xiàn)梯度消失。

本文利用神經(jīng)網(wǎng)絡(luò)方法對(duì)電池板缺陷進(jìn)行檢測(cè)，該方法避免了人工檢測(cè)效率低、避免了機(jī)器學(xué)習(xí)檢測(cè)中預(yù)處理的復(fù)雜性，避免了深度學(xué)習(xí)檢測(cè)中由于數(shù)據(jù)量不足導(dǎo)致訓(xùn)練不充分。神經(jīng)網(wǎng)絡(luò)方法由于具有較強(qiáng)的自學(xué)習(xí)能力，可以學(xué)習(xí)到適合不同問題的特征，有很強(qiáng)的適應(yīng)性。實(shí)驗(yàn)結(jié)果表明，這種算法不僅具有很好的適應(yīng)性，還能提高檢測(cè)效率。

1 電池板圖像預(yù)處理

在進(jìn)行深度學(xué)習(xí)時(shí)，需要對(duì)電池板圖像進(jìn)行預(yù)處理，由于整張電池板面積過大，而且一張電池板上存在的受損情況不同，很難對(duì)整張電池板進(jìn)行缺陷識(shí)別，需要將電池板切割為獨(dú)立的電池片單元。獲取到的電池板圖片會(huì)存在多余背景、傾斜、畸變等問題無法進(jìn)行準(zhǔn)確切割，需要將電池板圖像進(jìn)行校正，并裁剪為獨(dú)立的電池片。

如圖1 所示，將獲得的電池板圖像先進(jìn)行灰度化處理；將灰度化后的圖像利用中值濾波進(jìn)行降噪處理；利用頂帽變換進(jìn)行亮度調(diào)整；利用二值化對(duì)圖像進(jìn)行處理，從而將電池板部分與背景部分進(jìn)行分割；利用仿射變換算法對(duì)電池板區(qū)域進(jìn)行矯正；利用Hough變換尋找最長直線，對(duì)電池板進(jìn)行裁剪；得到切割后的電池板單元圖像。

圖1 電池板圖像處理流程

2 缺陷檢測(cè)方法研究

2.1 DenseNet網(wǎng)絡(luò)模型

本文中針對(duì)太陽能電池板缺陷進(jìn)行檢測(cè)，利用DenseNet 網(wǎng)絡(luò)模型對(duì)缺陷進(jìn)行檢測(cè)，由于DenseNet 模型是在ResNet 基礎(chǔ)上的改進(jìn)，它提出了一種全新的密集連接機(jī)制，連接來自不同層的特征圖，可以有效實(shí)現(xiàn)特征重用，提升計(jì)算效率。但是與ResNet 模型相比，DenseNet 模型在處理特征圖時(shí)，需要每一層的特征圖保持一致，因此，需要在DenseNet 模型中加轉(zhuǎn)換器結(jié)構(gòu)。DenseNet 是采用的密集機(jī)制，層與層之間采用密集的連接方式，轉(zhuǎn)換器結(jié)構(gòu)只能保證相鄰的模塊大小一致，增加池化層可以調(diào)節(jié)特征圖的大小。

2.2 融合L2正則化

太陽能電池板缺陷存在很多相似性，在電池板缺陷數(shù)據(jù)集中，數(shù)據(jù)集相對(duì)較小。會(huì)導(dǎo)致在訓(xùn)練的過程中出現(xiàn)過擬合現(xiàn)象。為了解決這個(gè)問題，在模型中融合L2 正則化，式⑴為沒有添加L2正則化的迭代計(jì)算公式，式⑵為添加L2 正則化的計(jì)算公式。L2 正則化是在每次迭代計(jì)算中，先乘以一個(gè)小于1 的因子從而使得最終參數(shù)計(jì)算的結(jié)果變小。在式⑵中乘以因子，因?yàn)閰?shù)值小的模型簡單，能夠有效地適應(yīng)不同特征分布電池板缺陷數(shù)據(jù)集，這樣，可以在一定程度上避免過擬合，因此，式⑵添加L2 正則化可以有效地避免過擬合現(xiàn)象。

2.3 調(diào)整Batch Normalization層

在神經(jīng)網(wǎng)絡(luò)模型中，隨著深度不斷增加，太陽能缺陷檢測(cè)圖像像素值分布為以0 為均值，單位方差為正態(tài)分布時(shí)可以加速收斂速度。而每層特征值的分布將會(huì)逐漸向激活函數(shù)輸出區(qū)的上下兩端靠近，這樣會(huì)導(dǎo)致梯度逐漸消失。調(diào)整Batch Normalization 層，將上一層的輸出利用式⑶進(jìn)行歸一化，可以將該層特征值分布變回到標(biāo)準(zhǔn)正態(tài)分布，特征值會(huì)落在激活函數(shù)對(duì)于輸入敏感的數(shù)值區(qū)間。當(dāng)輸入的值發(fā)生微小變化時(shí)，損失函數(shù)會(huì)有較大的起伏，在避免梯度消失的同時(shí)，加快收斂[8]。

2.4 激活函數(shù)SELU

常用的激活函數(shù)為式⑷，式⑷中，當(dāng)x的取值小于0時(shí)，函數(shù)值為0。

在神經(jīng)網(wǎng)絡(luò)中，選用該激活函數(shù)會(huì)造成一部分神經(jīng)元死亡，導(dǎo)致梯度消失。本文采用SELU 激活函數(shù)，計(jì)算公式為式⑸。

其中，δ=1.050700987，α=1.673263242，這兩個(gè)參數(shù)的值是經(jīng)過大量的計(jì)算驗(yàn)證得到。

當(dāng)x 大于0 時(shí)，激活函數(shù)SELU 的正半軸的導(dǎo)數(shù)是一個(gè)大于1的值，當(dāng)x小于0時(shí)，通過計(jì)算得到一個(gè)極小的值，與RELU 激活函數(shù)相比，可以防止神經(jīng)元死亡。這樣，可以實(shí)現(xiàn)單側(cè)抑制，提高網(wǎng)絡(luò)的稀疏表達(dá)性。該激活函數(shù)有效針對(duì)樣本數(shù)據(jù)集較小，以及網(wǎng)絡(luò)深度大造成的梯度消失問題，從而提高網(wǎng)絡(luò)模型的魯棒性。

3 實(shí)驗(yàn)結(jié)果

本文選用具有虛焊缺陷的電池板圖像如圖2 中(a)、(b)、(c)、(d)四幅圖片，電池板的生產(chǎn)是由多個(gè)晶體硅板焊接而成，在生產(chǎn)過程中會(huì)存在焊接部分一體性不夠好，而影響電池板的使用。檢測(cè)電池板的焊接缺陷也是很有必要。利用本文所設(shè)計(jì)的模型對(duì)虛焊缺陷的電池板進(jìn)行檢測(cè)，得到的實(shí)驗(yàn)結(jié)果如圖2所示，實(shí)驗(yàn)的識(shí)別準(zhǔn)確率達(dá)到92.78%。

圖2 以上四幅為帶有虛焊缺陷的電池板圖像

太陽能電池板長期處于風(fēng)吹日曬的地方，由于這種地理環(huán)境的影響，會(huì)使得電池板出現(xiàn)隱裂，影響使用壽命，對(duì)隱裂進(jìn)行檢測(cè)并及時(shí)修復(fù)可以延長使用壽命。本文利用該模型對(duì)具有隱裂缺陷的電池板如圖3 中(a)、(b)、(c)、(d)四幅圖像進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果如圖3所示，得到的識(shí)別準(zhǔn)確率為93.28%。

圖3 以上四幅為帶有隱裂缺陷的電池板圖像

4 結(jié)論

本文利用DenseNet 網(wǎng)絡(luò)模型，融入L2 正則化對(duì)太陽能電池板進(jìn)行檢測(cè)時(shí)能夠在一定程度上避免過擬合現(xiàn)象，調(diào)整Batch Normalization 可以在避免梯度消失的同時(shí)加快收斂速度，使用SELU 激活函數(shù)可以提高該模型的魯棒性，從實(shí)驗(yàn)結(jié)果可以看出，該模型對(duì)于隱裂缺陷的檢測(cè)具有很好的效果，對(duì)虛焊的檢測(cè)效果稍不及對(duì)隱裂缺陷的檢測(cè)，該模型在其他缺陷方面的檢測(cè)有待進(jìn)一步研究。