何 翔，楊愛(ài)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(cè)儀是光伏組件生產(chǎn)過(guò)程中重要的檢測(cè)設(shè)備。其原理是通過(guò)對(duì)組件兩級(jí)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(guò)計(jì)算機(jī)處理后成像[1-2]。光伏用電致發(fā)光缺陷檢測(cè)儀能夠很好地檢測(cè)到光伏組件生產(chǎn)過(guò)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(cè)儀性能有所差異，因此需要合理的設(shè)備評(píng)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(píng)估光伏用電致發(fā)光缺陷檢測(cè)儀性能，同時(shí)由福建省計(jì)量科學(xué)研究院/國(guó)家光伏產(chǎn)業(yè)計(jì)量測(cè)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(cè)儀校準(zhǔn)規(guī)范》[5]以及正處于發(fā)布階段的相關(guān)國(guó)家標(biāo)準(zhǔn)也使用空間分辨率作為設(shè)備評(píng)估指標(biāo)。

光伏用電致發(fā)光缺陷檢測(cè)儀空間分辨率評(píng)估方法采用的空間分辨率測(cè)試板由不透光的金屬制成，空間分辨率測(cè)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(duì)。測(cè)試時(shí)將空間分辨率測(cè)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(guò)空間分辨率測(cè)試板鏤空處形成線對(duì)圖像。使用光伏用電致發(fā)光缺陷檢測(cè)儀拍攝后，通過(guò)目視逐一判別線對(duì)圖像，找出能夠目視分辨的最密線對(duì)，其對(duì)應(yīng)的空間分辨率即為該光伏用電致發(fā)光缺陷檢測(cè)儀的空間分辨率，從而對(duì)設(shè)備性能做出評(píng)估。

然而，上述目視判別過(guò)程嚴(yán)重受到判別者主觀因素的影響：不同判別者對(duì)于同一線對(duì)圖像可能給出不同結(jié)論，同一判別者對(duì)同一線對(duì)多次判別，也可能給出不同的結(jié)論。因此，需對(duì)目視判別線對(duì)過(guò)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(duì)圖像沿著線對(duì)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(guò)大腦分辨這一過(guò)程十分復(fù)雜，通過(guò)單一或幾個(gè)指標(biāo)難以替代這一過(guò)程。

神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)非線性動(dòng)態(tài)網(wǎng)絡(luò)[7]，屬于端對(duì)端監(jiān)督學(xué)習(xí)。通過(guò)大量數(shù)據(jù)對(duì)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(guò)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(shí)，其網(wǎng)絡(luò)特性會(huì)產(chǎn)生大量的參數(shù)，導(dǎo)致訓(xùn)練速度緩慢甚至無(wú)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(guò)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(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)常用于圖像識(shí)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(duì)光伏用電致發(fā)光缺陷檢測(cè)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(wèn)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(cè)儀空間分辨率圖像判別方法。該方法使用經(jīng)過(guò)標(biāo)識(shí)的線對(duì)圖像對(duì)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(dòng)判斷線對(duì)圖像，替代目視判別，有效提高了檢測(cè)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(chǎng)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(duì)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(guò)預(yù)處理將每個(gè)線對(duì)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(cè)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(cè)試板的圖像區(qū)域，如圖2所示；(3)對(duì)空間分辨率測(cè)試板的區(qū)域進(jìn)行二值化處理，并對(duì)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(duì)所在區(qū)域，典型區(qū)域如圖3所示；(4)將空間分辨率線對(duì)所在區(qū)域圖像進(jìn)行二值化、灰度閉運(yùn)算消除單個(gè)線對(duì)內(nèi)部空隙，對(duì)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(duì)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(duì)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(duì)圖像尺寸，將所有線對(duì)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(duì)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(cè)試板成像區(qū)域Fig.2 Imaging area of resolution test chart

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

圖4 預(yù)處理完成后的線對(duì)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(cè)儀檢測(cè)經(jīng)驗(yàn)的人員分別對(duì)所有線對(duì)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(shí)，判定人員在開(kāi)始部分對(duì)圖像的判定標(biāo)準(zhǔn)可能與后續(xù)存在較大差異，因此對(duì)于每個(gè)人前100張線對(duì)圖像的判定不予采用。線對(duì)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(duì)圖像數(shù)量。

2.4 訓(xùn)練樣本增強(qiáng)

為了模擬實(shí)際測(cè)試過(guò)程中空間分辨率測(cè)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(duì)圖像3 272張，“不清晰”線對(duì)圖像3 272 張。從以上兩組樣本中各隨機(jī)選取250張線對(duì)圖像，共500張組成測(cè)試集，剩余6 044張線對(duì)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(duì)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(zhǎng)寬方向步長(zhǎng)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(jiǎn)單，能夠提高訓(xùn)練速度[9]。池化層分別采用長(zhǎng)寬方向步長(zhǎng)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(gè)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(gè)，隱藏層神經(jīng)元數(shù)量為256個(gè)，輸出層神經(jīng)元數(shù)量為2個(gè)，結(jié)構(gòu)如圖7所示。對(duì)全連接層設(shè)置權(quán)重丟棄[14]以避免過(guò)擬合，即每次計(jì)算時(shí)選取一部分權(quán)重臨時(shí)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(cè)結(jié)果矩陣中第i個(gè)元素值，yi為訓(xùn)練集標(biāo)簽矩陣中第i個(gè)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(duì)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(duì)模型進(jìn)行訓(xùn)練，本文采用tensorflow深度學(xué)習(xí)框架，python語(yǔ)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?，訓(xùn)練開(kāi)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(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)預(yù)測(cè)準(zhǔn)確度，最終在500張測(cè)試圖像中，判定正確的數(shù)量為496張，判定錯(cuò)誤的數(shù)量為4張，測(cè)試準(zhǔn)確度為99.2%，與驗(yàn)證集準(zhǔn)確率相近，未發(fā)生過(guò)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(cè)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(duì)圖像，對(duì)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(duì)圖像對(duì)模型進(jìn)行訓(xùn)練。最終使用測(cè)試樣本對(duì)模型進(jìn)行評(píng)估，結(jié)果表明，模型在測(cè)試樣本上的判別正確率達(dá)到99.2%，并且未發(fā)生過(guò)擬合。該方法提高了光伏用電致發(fā)光缺陷檢測(cè)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(shí)，由于太陽(yáng)電池片用光致發(fā)光缺陷檢測(cè)儀與光伏用電致發(fā)光缺陷檢測(cè)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(cè)設(shè)備的性能評(píng)估中，同時(shí)本文提出的方法可兼容光致發(fā)光缺陷檢測(cè)設(shè)備的空間分辨率性能評(píng)估。