一种少样本条件下太阳能电池片缺陷分类检测方法技术

本发明专利技术提供了一种少样本条件下太阳能电池片缺陷分类检测方法。包括以下步骤：首先，设计新型的深度多小波自动编码器，以学习太阳能电池片缺陷图像采集的重要特征；其次，运用参数传递原理，基于多重相似性度量构建目标域与各个源域的多重相似性关系；根据目标域分类器与相关源域分类器对目标域无标记样本具有相似决策值的平滑性假设，定义一种多源域迁移流形正则项；借助已学习的源域分类器来学习一个适用于目标域的分类器；最后，利用设计出的太阳能电池片缺陷目标分类器对太阳能电池片缺陷图像目标域样本进行分类检测。本发明专利技术有效地提高了少样本条件下太阳能电池片缺陷分类检测的准确率。

【技术实现步骤摘要】
一种少样本条件下太阳能电池片缺陷分类检测方法
本专利技术涉及一种太阳能电池片缺陷分类检测方法，属于深度学习、图像分类
，主要应用于少样本条件下或样本不平衡的太阳能电池片缺陷分类检测。
技术介绍
太阳能是一种蕴藏丰富资源的可再生能源，它具有充足、广泛、安全、清洁等优点，在新兴能源中占据重要的战略地位。太阳能的主要利用形式是太阳能发电。太阳能发电，一般指的是通过载体将太阳光转化为电能的技术，简称“光电”，太阳能电池片是光电转换最常用的一种载体。但是在生产制作的过程当中，由于工艺缺陷和生产环境的限制，常常导致各种太阳能电池表面缺陷，如崩边、边缘脱晶、缺角、虚印、断栅、脏污等表面缺陷。若含缺陷电池片被光伏组件采用将会影响电池的光电转化效率和寿命。因此，在电池片投入使用前，检测并及时剔除不合格产品显得尤为重要。在早期的生产中，太阳能电池片表面缺陷通常是由人工肉眼进行观察检测，这样导致检测效率低下，人工成本高，同时不能保证检测准确率。随着计算机科学技术、计算机硬件的飞速发展，实时地获取、保存和检测到太阳能电池片图像的缺陷成为可能。深度学习的兴本文档来自技高网...

【技术保护点】
1.一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：具体步骤包括：/n步骤1，设计新型的深度多小波自动编码器，以学习太阳能电池片缺陷图像的重要特征；/n步骤2，运用参数传递原理，基于多重相似性度量构建目标域与各个源域的多重相似性关系；/n步骤3，根据目标域分类器与相关源域分类器对目标域无标记样本具有相似决策值的平滑性假设，定义一种多源域迁移流形正则项；借助已学习的源域分类器来学习一个适用于目标域的分类器；/n步骤4，利用设计出的太阳能电池片缺陷目标分类器对太阳能电池片缺陷图像目标域样本进行分类检测。/n

【技术特征摘要】
1.一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：具体步骤包括：
步骤1，设计新型的深度多小波自动编码器，以学习太阳能电池片缺陷图像的重要特征；
步骤2，运用参数传递原理，基于多重相似性度量构建目标域与各个源域的多重相似性关系；
步骤3，根据目标域分类器与相关源域分类器对目标域无标记样本具有相似决策值的平滑性假设，定义一种多源域迁移流形正则项；借助已学习的源域分类器来学习一个适用于目标域的分类器；
步骤4，利用设计出的太阳能电池片缺陷目标分类器对太阳能电池片缺陷图像目标域样本进行分类检测。


2.根据权利要求1所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：所述自动编码器由编码器和解码器构成，是构建深度学习网络解决各种任务的有效基础模型，自动编码器通过编码器对所获得的太阳能电池片图像特征进行表示，通过解码器提取出原始数据的主要特征。


3.根据权利要求2所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：编码器获取输入的特征表示，而解码器是从真实表示中恢复输入数据，编码器压缩降维过程的变换公式以及解码器特征提取过程的变换公式分别如下：



其中，x∈RN是维数为N的特征输入；h∈RM是维数为M的特征表示；z∈RN是输出；w(1)∈RM×N和w(2)∈R(N×M)是编码器和解码器的权重；b(1)∈RM和b(2)∈RN是相应的偏差；sg和sf分别代表编码器和解码器的非线性变化函数。


4.根据权利要求3所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：sg选择Sigmoid激活函数，为了使输出更接近输入，需要更新模型参数以最小化其损失函数，对于一个输入样本，损失函数可以表示为：



其中，M为自动编码器的输入特征维数；N为自动编码器的输出特征维数；xi、zi分别为向量x和z中的第i维元素；r为稀疏惩罚因子；μ为稀疏参数；为M维输出特征中的第j维特征的稀疏参数。


5.根据权利要求1所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：所述步骤1中深度多小波自动编码器由多个多小波自编码器组成；多小波自动编码器比例缩放函数及具有相应偏导数的显式形式定义如下：






以及：






其中，分别为Plonka、Strela设计的多小波比例缩放函数解析公式的输出；t为特征输入；
根据多小波比例缩放函数(3)、(4)，输出可计算为：












其中，为多小波缩放函数对隐藏单元j进行输出变换的输出，；和分别为和的输出部分；xi为输入样本x的第i个维数元素；τ为重建特征输入；Wij表示连接隐藏单元j和输入单元i的权重；aj、cj为隐藏单元第j个节点的网络参数；Uij-1和Uij-2分别表示使用和连接隐藏单元j和输出单元i的权值；
在计算出和输出部分后，通过sf变换得到最终的重建输出，该变换取决于输入数据的特定归一化范围，具体归一化范围设为[-1,1]，为了使输出接近输入，由于其映射范围而选择了Tanh，Tanh为双曲正切函数：



其中zi表示重构向量z中的第i个维度元素，多小波自编码器模型的损失函数中也加入了一个权重衰减项，以避免过拟合，定义为：



其中，δ为权重衰减系数，通过最小化损失函数，对多小波自动编码器模型的权值参数进行如下更新：



其中，η为学习率。


6.根据权利要求5所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：多小波自动编码器的训练算法如下：
步骤1.1:参数初始化；
步骤1.2:计算式(11)中的重构输出；
步骤1.3:计算式(12)中的损失函数；
步骤1.4:使用式(13)的梯度更新参数；
步骤1.5:对于q＝1重复步骤1.2和步骤1.4，直到收敛或q＝Q，Q为迭代次数设定值，Q越大，损失函数越小，特征解析越精准。


7.根据权利要求1所述的一种少样本条件下太阳能电池片缺陷分类检测方法，其特征在于：所述步骤2中，存在M个源域，其中第s个源域为和分别为源域第i个样本的特征矢量和标记，样本数量为NS，目标域有Ni个标记样本Nu个未标记样本和分别为目标域第i个样本的特征矢量和标记，所有目标域样本集合为总样本数量为NT＝Nl+Nu，每个源域与目标域之间的数据分布都是不完全相同的，即Ps(x,y)≠PT(x,y),s＝1,....

【专利技术属性】
技术研发人员：许桢英，田莉，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32