沈凌云 張潔 孫甲云 劉鐠文 韋淀 蘭亞敏 唐春躍

技術(shù)應(yīng)用

基于改進(jìn)Alexnet模型的光伏電池片瑕疵分類方法*

沈凌云 張潔 孫甲云 劉鐠文 韋淀 蘭亞敏 唐春躍

（太原工業(yè)學(xué)院電子工程系，山西 太原 030008）

針對光伏電池片瑕疵與隨機分布晶粒的電致發(fā)光圖像暗特征高度相似而難以檢測的問題，設(shè)計一種基于改進(jìn)Alexnet模型的光伏電池片瑕疵分類方法。首先，對光伏電池片電致發(fā)光圖像進(jìn)行特征提取并標(biāo)準(zhǔn)化；然后，融合多層級特征進(jìn)行分類；最后，融合多層級特征經(jīng)激活函數(shù)映射得到瑕疵分類結(jié)果。模型訓(xùn)練時，損失函數(shù)選擇交叉熵函數(shù)，通過梯度下降法反向傳播，優(yōu)化網(wǎng)絡(luò)權(quán)重，直至達(dá)到模型分類的正確率要求；利用優(yōu)化后的最佳模型對標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行測試分析。實驗結(jié)果表明：融合多層級特征的改進(jìn)Alexnet模型用于光伏電池電致發(fā)光圖像檢測分類的正確率達(dá)91.05%；模型預(yù)測時對標(biāo)準(zhǔn)300×300像素圖像單元檢測與分類處理時間小于10 ms，滿足檢測分類的穩(wěn)定性、正確率與實時性等要求。

光伏電池；瑕疵分類；電致發(fā)光圖像；深度學(xué)習(xí)；特征提?。唤徊骒睾瘮?shù)

0　引言

光伏組件利用光伏效應(yīng)實現(xiàn)光能/電能的轉(zhuǎn)換，是光伏發(fā)電的核心單元。光伏電池片是光伏組件的關(guān)鍵部件，其質(zhì)量和可靠性對光伏組件光電轉(zhuǎn)換效率、工作壽命和光伏電站投資回報率具有直接影響。然而光伏電池片硅晶結(jié)構(gòu)脆弱，在制造、加工和安裝環(huán)節(jié)可能產(chǎn)生多種單一或復(fù)合瑕疵，導(dǎo)致斷柵或漏電，造成光伏電池性能下降或功能失效，降低發(fā)電效率。通過對光伏電池片瑕疵檢測與分類可實現(xiàn)產(chǎn)品質(zhì)量分級、改善生產(chǎn)線加工與裝配精度。傳統(tǒng)的CCD相機在可見光范圍內(nèi)很難捕捉到有效的隱裂等瑕疵信息，目前一般采用電致發(fā)光（electroluminescent, EL）成像檢測方法[1]。EL成像利用電致發(fā)光波長為950 ～1 250 nm的近紅外圖像來凸顯瑕疵，瑕疵區(qū)域與無瑕疵區(qū)域相比，具有相對顯著的曲線和復(fù)雜幾何結(jié)構(gòu)的暗特征。目前，EL成像已成為光伏電池片檢測與分類的重要技術(shù)。

光伏電池片EL圖像因受晶體形狀、大小、取向分布的隨機性影響，成像為非均勻紋理背景，與隱裂（微小裂紋）等瑕疵的暗特征具有相似的分布強度，易導(dǎo)致漏檢。同時，光伏電池片表面不規(guī)則（如斷柵）易與隱裂混淆，增加了瑕疵分類的難度。近年來，基于機器視覺的統(tǒng)計法[2-3]、支持向量機和神經(jīng)網(wǎng)絡(luò)[4-5]已被應(yīng)用于光伏電池片瑕疵類型的檢測與分類。但存在較大的局限性：瑕疵特征提取有效性不高、目標(biāo)分割困難，瑕疵識別率有待提高；待處理數(shù)據(jù)量龐大、特征空間維度高，在線檢測分類實時性較低。

隨著深度學(xué)習(xí)等人工智能技術(shù)被引入工業(yè)生產(chǎn)線的光學(xué)視覺瑕疵檢測系統(tǒng)，提高了良品率與質(zhì)量精度；但不同神經(jīng)網(wǎng)絡(luò)模型對光伏電池片瑕疵分類結(jié)果差異較大，對瑕疵多樣性的檢測分類仍存在較大困難。

為此，本文利用改進(jìn)的Alexnet模型進(jìn)行特征提取，設(shè)計新的融合與泛化策略，以較低的計算代價實現(xiàn)高效的光伏電池片多類瑕疵自動檢測與分類。

1　光伏電池片EL成像檢測系統(tǒng)

光伏電池片EL成像檢測系統(tǒng)主要由傳送機構(gòu)、圖像采集單元、EL數(shù)據(jù)圖像處理單元3部分構(gòu)成，系統(tǒng)框架如圖1所示。

圖1　光伏電池片EI成像檢測系統(tǒng)框架

傳送機構(gòu)包含中央控制器、PLC控制器、伺服電機與傳送帶等。傳送機構(gòu)將待測光伏電池片傳送至暗室設(shè)定的位置，利用PLC控制器、探針、支架和伺服電機等進(jìn)行通電測試并曝光拍照。

圖像采集單元布置于暗室內(nèi)，由濾光片、鏡頭（型號為VTG5014-M4）與近紅外相機（型號為STC-CMB4MPOE）組成，系統(tǒng)成像分辨率為400萬（2 048×2 048）像素。圖像采集單元在設(shè)定的曝光時間間隔內(nèi)采集光伏電池片EL圖像。

EL數(shù)據(jù)圖像處理單元（HP Z2 Mini G3 工作站）主要完成EL圖像數(shù)據(jù)處理、瑕疵檢測、標(biāo)注、圖像切割與瑕疵分類等功能。

2　光伏電池片瑕疵分類

光伏電池片生產(chǎn)工藝較復(fù)雜，表面瑕疵種類較多，其中常見的影響光伏轉(zhuǎn)換效率的瑕疵有7種[6]。光伏電池片表面瑕疵分類主要以正常片、隱裂（裂紋或破片）、斷柵、黑斑、邊緣過刻、穿孔、主柵漏電、副柵漏電8種類型為主，EL圖像如圖2所示。

圖2　光伏電池片EL圖像

3　改進(jìn)Alexnet模型框架

針對EL圖像非均勻紋理背景、隱裂或其他微小瑕疵類型多樣、易混淆性等特點，采用細(xì)節(jié)分辨率強的改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)。經(jīng)各卷積層的細(xì)節(jié)特征提取、順序連接、融合多層級特征，使特征提取充分保留細(xì)節(jié)信息，提高瑕疵分辨率；將學(xué)習(xí)到的分布式特征表示空間映射到樣本標(biāo)記空間，實現(xiàn)瑕疵分類。

融合多層級特征的改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

圖3　融合多層級特征的改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型

改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型分為9層：前5層卷積層（Conv1～5）用于處理光伏電池片EL圖像局部特征，卷積核個數(shù)分別為96、256、384、384、256；多層級特征融合層（FF）、平均池化層（GAP）、全連接層（FC）、分類輸出層（Output）實現(xiàn)瑕疵分類識別（分類神經(jīng)元8個，每個神經(jīng)元代表數(shù)據(jù)集中1個類別）。

訓(xùn)練時，全連接層采用隨機失活機制，即隨機關(guān)閉部分神經(jīng)元；測試時，整合所有神經(jīng)元，避免因參數(shù)過多而引起過擬合。為解決在小數(shù)據(jù)集上推廣深度學(xué)習(xí)模型的難題，訓(xùn)練數(shù)據(jù)集采用數(shù)據(jù)增強與實測數(shù)據(jù)相結(jié)合的擴(kuò)充方法，測試數(shù)據(jù)集采用公開數(shù)據(jù)集。

光伏電池片EL圖像作為改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型輸入，各層卷積核的個數(shù)決定該層輸出特征圖的深度。卷積層與全連接層后均為激活層，采用Relu作為激活函數(shù)，利用softmax激活輸出8×1的特征向量。

4　改進(jìn)Alexnet模型的算法

算法的計算過程主要包括以下5個步驟：

1）無監(jiān)督的特征學(xué)習(xí)過程：通過神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)提取網(wǎng)絡(luò)層級特征，卷積層神經(jīng)元輸出為

式中：

式中：

——batch_size幅輸出特征圖像中所有像素點的個數(shù)。

3） Relu激活運算：判斷輸入是否大于0，引入非線性因素，使神經(jīng)網(wǎng)絡(luò)具有稀疏表達(dá)能力。

4） Softmax激活運算：對網(wǎng)絡(luò)全連接層輸出進(jìn)行變換，使其服從概率分布，每個值均屬于[0,1]區(qū)間且和為1，輸出概率如公式(5)所示。

式中：

——像素點的個數(shù)。

5）損失函數(shù)：設(shè)計交叉熵?fù)p失函數(shù)實現(xiàn)網(wǎng)絡(luò)模型優(yōu)化目標(biāo)。交叉熵定義為真實值與估計值的概率分布距離，其網(wǎng)絡(luò)損失下降速度優(yōu)于基于平方差損失函數(shù)的網(wǎng)絡(luò)。交叉熵?fù)p失函數(shù)為

式中：

6）評價指標(biāo)：評價模型性能的指標(biāo)主要為模型分類正確率（accuracy），即所有類別預(yù)測的正確數(shù)據(jù)和全部數(shù)據(jù)的比值；推理時間，即模型預(yù)測時，處理一幅圖像需要的時間。

5　實驗與結(jié)果分析

5.1　實驗環(huán)境

實驗在Windows Server 2019 Datacenter操作系統(tǒng)、Tensorflow深度學(xué)習(xí)框架下，采用Python語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)算法。實驗硬件為HP Z2 Mini G3工作站，Intel至強處理器E3-1245v5，顯卡NVIDIA Quadro M620，內(nèi)存16GB DDR4 ECC。

5.2　實驗數(shù)據(jù)集

實驗數(shù)據(jù)采用Buerhop C的公開數(shù)據(jù)集[7]，由44幅不同光伏電池EL圖像，拆分為2 624個300×300像素的圖像單元。根據(jù)樣本標(biāo)簽采用均勻隨機抽樣的方式劃分樣本集為互不相交的訓(xùn)練集、驗證集和測試集，即訓(xùn)練集2 144幅，用于模型學(xué)習(xí)參數(shù)訓(xùn)練、確定其權(quán)重與偏置參數(shù)等；驗證集240幅，根據(jù)正確率選擇模型參數(shù)；測試集240幅，用于模型評價。

5.3　模型訓(xùn)練和評估

對多層級特征融合的改進(jìn)Alexnet模型初始化網(wǎng)絡(luò)參數(shù)，進(jìn)行編譯訓(xùn)練。通過網(wǎng)絡(luò)前向傳播，損失函數(shù)可以定量判斷網(wǎng)絡(luò)參數(shù)優(yōu)化程度，損失函數(shù)最小時，達(dá)到最優(yōu)。改進(jìn)Alexnet模型輸出概率值最大為分類或預(yù)測結(jié)果。

改進(jìn)Alexnet模型的訓(xùn)練集和驗證集正確率曲線如圖4所示，損失曲線如圖5所示。

圖4　改進(jìn)Alexnet模型訓(xùn)練集和驗證集正確率曲線

圖5　改進(jìn)Alexnet模型訓(xùn)練集和驗證集損失曲線

由圖4、圖5可知，隨著迭代次數(shù)增加，正確率快速上升后趨于穩(wěn)定；損失函數(shù)加速下降后趨于穩(wěn)定，表明改進(jìn)Alexnet模型收斂速度快、穩(wěn)定性好。

5.4　實驗測試

利用訓(xùn)練獲得的最佳改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型對測試集樣本圖像進(jìn)行測試。系統(tǒng)用戶界面示意圖如圖6所示，測試集識別結(jié)果可視化熱圖分布如圖7所示。

圖6　改進(jìn)Alexnet模型測試系統(tǒng)用戶界面

圖7　測試集識別結(jié)果分布

由圖7可知，改進(jìn)Alexnet模型對光伏電池片各種瑕疵類型均有較好的識別效果。

將本文方法與文獻(xiàn)[8]中的支持向量機（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）瑕疵檢測分類方法進(jìn)行測試對比，結(jié)果如表1所示。數(shù)據(jù)集采用文獻(xiàn)[7]公開數(shù)據(jù)集（300×300像素標(biāo)準(zhǔn)EL圖像）。

表1　瑕疵檢測分類方法測試對比結(jié)果

由表1可知，本文提出的改進(jìn)Alexnet模型對光伏電池片標(biāo)準(zhǔn)正常片與7類瑕疵識別正確率達(dá)到91.05%；標(biāo)準(zhǔn)EL圖像檢測與分類處理時間小于10 ms；與文獻(xiàn)[8]中的2種算法相比，本文提出的改進(jìn)Alexnet模型雖然訓(xùn)練時間較長，但對瑕疵分類識別具有更高的識別正確率和更少的推理時間。

6　結(jié)論

本文設(shè)計了基于Tensorflow深度學(xué)習(xí)框架、Python語言的改進(jìn)Alexnet卷積神經(jīng)網(wǎng)絡(luò)模型。在算法上，對光伏電池片EL圖像實現(xiàn)特征提取并融合多層級特征以提高特征的細(xì)節(jié)分辨信息，經(jīng)過全局平均池化層、全連接層與softmax輸出層，實現(xiàn)瑕疵目標(biāo)的分類識別。同時，引入隨機失活機制，關(guān)閉部分神經(jīng)元，避免參數(shù)過多引起過擬合。實驗結(jié)果表明，該方法融合底層特征與全局特征，提高了瑕疵特征的分辨率，模型分類識別精度高，推理執(zhí)行時間短，可實現(xiàn)光伏電池片瑕疵的實時檢測與分類。

[1] 丁超,金珂,王少鑫,等.復(fù)合材料紅外熱波檢測圖像處理及投影標(biāo)注技術(shù)[J].液晶與顯示, 2021,36(11):1545-1553.

[2] TSAI D M, LI G N, LI W C, et al. Defect detection in multi-crystal solar cells using clustering with uniformity measures[J]. Advanced Engineering Informatics, 2015, 29(3):419-430.

[3] CHEN H, ZHAO H, HAN D, et al. Accurate and robust crack detection using steerable evidence filtering in electrolumi-nescence images of solar cells[J]. Optics and Lasers in Engi-neering, 2019,118:22-33.

[4] PRATT L, GOVENDER D, KLEIN R. Defect detection and quantification in electroluminescence images of solar PV modules using U-net semantic segmentation[J]. Renewable Energy, 2021,178:1211-1222.

[5] 沈凌云,朱明,陳小云.基于徑向基神經(jīng)網(wǎng)絡(luò)的太陽能電池缺陷檢測[J].發(fā)光學(xué)報,2015,36(1):99-105.

[6] 王楠.基于視覺的硅太陽能電池檢測方法的研究[D].保定:河北農(nóng)業(yè)大學(xué),2014.

[7] BUERHOP C, DEITSCH S, MAIER A, et al. A Benchmark for Visual Identification of Defective Solar Cells in Electro-luminescence Imagery[C]//35th European Photovoltaic Solar Energy Conference and Exhibition.Brussels, Belgium. The European Commission PVSEC. 2018:1287-1289.

[8] DEITSCH, S, CHRISTLEIN, V, BERGER, S,BUERHOP-LUTZ, et al. C. Automatic classification of defective photo-voltaic module cells in electroluminescence images. [J].Solar Energy, 2019,185:455-468.

Defect Classification Method of Photovoltaic Cells Based on Improved Alexnet Model

SHEN Lingyun ZHANG Jie SUN Jiayun LIU Puwen WEI Dian LAN Yamin TANG Chunyue

(Department of Electronic Engineering, Taiyuan Institute of Tech, Taiyuan 030008, China)

Aiming at the problem that the defects of photovoltaic cells are highly similar to the dark features of electroluminescent images of randomly distributed grains, which is difficult to detect, a defect classification method of photovoltaic cells based on the improved Alexnet model is designed. Firstly, the feature extraction and standardization of the electroluminescent images of photovoltaic cells are carried out; Then, multi-level features are fused for classification; Finally, the defect classification results are obtained by fusing multi-layer features and activating function mapping. In the model training, the cross entropy function is selected as the loss function, and the network weight is optimized through the gradient descent method to achieve the classification accuracy of the model; The optimized model is used to test and analyze the standard data set. The experimental results show that the accuracy rate of the improved Alexnet model based on multi-layer features is 91.05%; Model prediction is based on standard 300 × The detection and classification processing time of 300 pixel image unit is less than 10 ms, which meets the requirements of stability, accuracy and real-time of detection and classification.

photovoltaic cells; defect classification; electroluminescent images; deep learning; feature extraction; cross entropy function

TP391；TP278

A

1674-2605(2022)04-0009-06

10.3969/j.issn.1674-2605.2022.04.009

2022年山西省高等院校創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（20221169）

沈凌云,張潔,孫甲云,等.基于改進(jìn)Alexnet模型的光伏電池片瑕疵分類方法[J].自動化與信息工程,2022,43(4): 42-47.

SHEN Lingyun, ZHANG Jie, SUN Jiayun, et al. Defect classification method of photovoltaic cells based on improved Alexnet model[J]. Automation & Information Engineering, 2022,43(4):42-47.

沈凌云，女，1979年生，博士，副教授，主要研究方向：機器視覺與智能信息處理。E-mail: shenshly@163.com