一种基于数据增强的太阳能电池片缺陷检测的轻量化方法技术

本发明专利技术公开了一种基于数据增强的太阳能电池片缺陷检测的轻量化方法，包括以下步骤：S1：由采集获得的电池片的故障图片进行筛选，获得真故障样本；而且对图片的类型进行了人工标注；S2：搭建改进型的ACGAN网络，采用生成器根据随机生成的噪声数据和类型信息生成假故障样本和对应类别；再将假故障样本和真实图片一起输入到判别网络，由判别网络决定真假，接下来的动作循环往复，生成网络和判别网络依次训练；本发明专利技术基于ACGAN网络的数据增强算法，来扩充数据集，缓解因训练数据不够导致的过拟合问题，提出了优化卷积神经网络结构、进行轻量化处理，减少网络训练参数，压缩模型，缩短模型训练和缺陷检测时间，提高缺陷检测效率。提高缺陷检测效率。提高缺陷检测效率。

A lightweight method for defect detection of solar cells based on data enhancement

【技术实现步骤摘要】
一种基于数据增强的太阳能电池片缺陷检测的轻量化方法


[0001]本专利技术涉及一种轻量化方法，特别涉及一种基于数据增强的太阳能电池片缺陷检测的轻量化方法，属于太阳能电池片缺陷检测


技术介绍

[0002]随着传统能源的日益没落，各种新型能源的研究开始崭露头角，其中太阳能发电更是其中的佼佼者。但随着太阳能发电技术的发展，对太阳能电池和元件检测的要求越来越高，这是因为即便太阳能电池片中存在微小瑕疵，也将会对其造成不良的影响，甚至会影响其寿命，因此对其工作时进行准确、灵敏、快速、高效地检测就显得尤为重要。
[0003]目前，采用图像来实现故障检测的主流方法是深度学习，但是应用在对太阳能电池片上效果却并不如人意，其主要的原因是太阳能电池片缺陷数据匮乏，会造成网络过拟合和模型性能不达标的问题。故障样本数据的好坏决定着检测模型的检测上限。由于在设备实际运行中收集故障图片的难度较大，因此获得的故障图片数据较少，如果使用常规方法来进行解决，对图片进行翻转、剪切、扩增、平移等方法，或者添加相应噪声，则对图片进行处理只能获得较少的信息，不能很好的解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强的太阳能电池片缺陷检测的轻量化方法，其特征在于，包括以下步骤：S1：由采集获得的电池片的故障图片进行筛选，获得真故障样本；而且对图片的类型进行了人工标注；S2：搭建改进型的ACGAN网络，采用生成器根据随机生成的噪声数据和类型信息生成假故障样本和对应类别；再将假故障样本和真实图片一起输入到判别网络，由判别网络决定真假，接下来的动作循环往复，生成网络和判别网络依次训练；S3：将训练好的模型仅使用生成器生成图片来扩充数据集；S4：对VGG19网络结构进行轻量化改进，根据需求对输入层和全连接层进行调整，除此之外，通过将网络中间每一个标准卷积层一分为二，修改为一个深度卷积和一个点卷积的组合。2.根据权利要求1所述的一种基于数据增强的太阳能电池片缺陷检测的轻量化方法，其特征在于：所述步骤S2中，在生成器中引入了SE注意力模块，输入变量为随机噪声和分类变量组成的随机向量，再经过多层反卷积运算得到了输出张量，最后通过tanh激活层来生成图像，带有注意力块的生成器，提取更明显的故障特征，生成器的最后一个卷积层前加了9个残差块，使生成器可以获得图片的高级特征，为了使生成器更加关注图片的微小区域，每个残差块的累加层都加一个SE块，让生成器更加关注缺陷部分并且对无关信息进行降噪。3.根据权利要求1所述的一种基于数据增强的太阳能电池片缺陷检测的轻量化方法，其特征在于：所述步骤S4中，VGG19网络结构进行轻量化改进，包括将224*224的单通道图片输入网络；先经过一个3*3*1的卷积核进行卷积；将VGG19原本网络里的卷积层拆分为深度卷积和逐点卷积；这样可以保证该层输入和输出大小不变的情况下，减少参数量，为了加快模型的收敛速度，改进算法在每一个卷积层的激活函数前都加入了BN层对网络进行优化，输入的图片大小为224*224，通道数为1；第一层：卷积层，3*3*1，64，224*224...

【专利技术属性】
技术研发人员：王云艳，朱镇中，
申请(专利权)人：襄阳湖北工业大学产业研究院，
类型：发明
国别省市：