基于U-Net網絡的光伏組件缺陷檢測方法

郭清華，曾禮麗

湖南理工職業技術學院，湖南 湘潭 411104

0 引言

光伏組件是太陽能發電裝置的核心部件，其表面的質量將直接影響整個發電系統的發電效率和服役年限。但是，光伏組件在生產過程中，由于生產工藝、誤操作等問題可能造成其表面出現隱裂、斷柵、黑片、缺角等缺陷。因此，對光伏組件進行表面缺陷檢測具有重要意義。基于機器視覺的電池片表面及光伏組件缺陷檢測方法不僅方便、快捷和經濟，而且可以實現實時監測、精準判斷和檢測裝置一體化，已成為能電池片表面及光伏組件缺陷檢測的主要發展方向之一。

1 構建數據庫

收集各種光伏組件的EL圖像，再對這些圖像進行圖像分割、復原、統一尺寸，并標出缺陷位置進行缺陷定位和轉換為灰度圖像。經過這一系列圖像預處理后可以形成缺陷檢測數據集，分為訓練集和測試集。

2 U-Net網絡概述

U-Net網絡其實類似于一種全卷積神經網絡，與常見的卷積神經網絡相比，U-Net網絡沒有全連接層，全部用卷積層進行代替。此外，U-Net網絡只需要一次訓練，而全卷積神經網絡則需要兩次。全卷積神經網絡與卷積神經網絡的不同之處在于，卷積神經網絡使用一個卷積層和一個全連接層來對特定大小的特征圖像進行分類。因此，卷積神經網絡只能接受一定大小的圖像，而全卷積神經網絡則可以接受任何大小的輸入圖像。U-Net網絡也是在上采樣（擴展路徑）結合下采樣（搜索路徑）生成特征向量。

3 基于U-Net網絡的光伏組件缺陷檢測方法

采用所構建的數據庫中的訓練集訓練U-Net網絡，然后在該網絡中測試光伏組件缺陷。在太陽能電池片缺陷檢測過程中，試驗對比分析U-Net網絡3種優化器的效果。通過對比，在深度學習中選擇SGDM優化器對太陽能電池片進行缺陷檢測。

測試所得輸出結果圖像素過低，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行對比，需要將輸出圖像進行合并。因為像素較低，導致每張圖像都是黑色，所以把輸出圖像的每個像素都減2取絕對值，然后乘以255，得出的最終輸出結果圖像像素是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。

網絡模型優化算法關系到網絡模型的性能，所得測試結果不理想，可能與圖像特征和模型設計無關，而是所選擇的優化器的問題。常見優化器包括動量梯度下降（SGDM）、RMSProp、Adam等。為了選擇最合適的優化器，選取少量太陽能電池片缺陷圖像分別使用SGDM、RMSProp、Adam優化器進行網絡配置。RMSProp優化器可以使用‘squaredgradientdecayfactor’name-value pair參數來指定平方梯度移動平均值的衰減率，并且可以通過使用不同參數的學習率來改進網絡訓練。同時，RMSProp優化器能夠自動適應被優化的損失函數，使用RMSProp優化器配置網絡結果圖如圖1所示。

圖1 使用RMSProp優化器配置網絡結果圖

Adam優化器既考慮了動量項來加速訓練的過程，又考慮了對于學習率的約束。Adam優化器可以分別使用“梯度/斜率因子”和“方形/斜率/斜率因子”的值對參數來指定梯度和梯度移動平方平均值的衰減率。使用Adam優化器配置網絡結果圖如圖2所示。

圖2 使用Adam優化器配置網絡結果圖

SGDM優化器可以使用“momentum”name-value對參數指定動量值。該優化器的使用指數加權平均以后梯度代替了原來的梯度進行參數更新。使用SGDM優化器配置網絡結果圖如圖3所示。

圖3 使用SGDM優化器配置網絡結果圖

經過訓練準確度的對比，SGDM優化器明顯比其他兩個優化器更優良，因此選擇SGDM優化器作為配置訓練網絡的優化器。

4 試驗驗證

在配置訓練網絡時使用trainingoptions函數指定訓練選項，包括執行環境的選項，可以在CPU或者GPU上訓練網絡，此函數可以選擇優化器的種類。選擇好優化器后，將選項設置為隨機梯度下降的默認設置，將最大時期設置為10，并以0.000 1的初始學習率開始訓練。對于圖像分類和圖像回歸，以使用多個GPU并行訓練。由于試驗條件的影響，將執行環境設置在CPU上。試驗結果如圖4所示。圖4（a）為輸出圖像的原圖像，圖4（b）為該圖像人工標定的圖像，圖4（c）為經過像素調整和圖像合并后得出的最終結果，可以看出，實際輸出的結果能正確表示標定結果，驗證了所提基于U-Net網絡的光伏組件缺陷檢測方法的可行性。

圖4 電池片圖像

5 結束語

相比人工目視檢測、物理方法檢測，機器視覺檢測具有快速、準確、方便等優勢。文章提出了一種基于U-Net網絡檢測光伏組件缺陷的方法，并對該方法進行了試驗驗證。試驗結果表明，使用該方法準確率高達99%以上，是一種光伏組件缺陷自動識別的可行方法。