本发明专利技术公开了一种基于Faster RCNN的太阳能电池板故障识别方法，本发明专利技术通过太阳能电池板电致发光原理采集得到故障图像，分析故障图像特征，采取图像样本统一格式、图像剪裁和大小调整、去均值、归一化、图像增强等预处理操作得到数据集；结合太阳能电池板故障图像数据集的特点，采用学习率配置优化方法、聚类算法确定最优锚框和非极大值抑制避免多个锚框等方法，改进了Faster RCNN神经网络；针对故障图像的类型、位置的表型形式有很多种，提出基于卷积神经网络的太阳能电池板故障识别系统，建立了故障图像识别分类方法。本发明专利技术改进了之前故障识别系统无法识别具体故障的问题，可以准确的对具体故障类型进行判断和位置识别。的对具体故障类型进行判断和位置识别。的对具体故障类型进行判断和位置识别。
【技术实现步骤摘要】
一种基于Faster RCNN的太阳能电池板故障识别方法
[0001]本专利技术属于人工智能领域，尤其是涉及一种一种基于改进卷积神经网络的太阳能电池板故障识别方法。
技术介绍
[0002]太阳能是一种资源丰富、使用便捷、技术可靠的可再生能源。在光伏发电中，太阳能电池板的质量决定了光伏发电的效率。自动化生产线中，会对电池板经过多次加工，比如净化、拉伸和切片等过程。加工过程中由于存在机械受力、热受力等，当此受力出现偏差时，可能导致电池板故障率增大，容易出现如隐裂、碎片、断栅、黑心等故障。这些故障限制了电池板的安全、使用寿命和光电转化效率。故障电池板将直接影响到组件乃至光伏系统的稳定性，因此为了提高成品的合格率和等级，在生产流程环节中识别故障的太阳能电池板是必不可少的工序。
[0003]在现代化生产中，自动化生产已经逐渐普及，但是在工厂中，传统的识别方法：人工目视检测法仍然大量存在。工人们根据既定标准和工作经验，目测一些较为常见、明显的故障。但是人工目视检测法，容易受到工人们的主观原因、视觉疲劳等影响，导致电池板质量评估的准确性和可靠性较低。因此，不具备实时检测的可能性，效率低下，推广的局限性较大。另一种比较常见的是物理检测法，主要利用硅晶片的物理性质，通过对硅晶片通电的方法，得到硅晶片的物理特性比如电压、电流和功率等。或者通过声波、激光等办法识别电池板故障。这些方法很容易对硅晶片电池板造成二次伤害。
技术实现思路
[0004]本专利技术旨在现有技术中存在的上述技术问题。为此，提出一种基于Faster RCNN的太阳能电池板故障识别方法，能够用于识别太阳能电池板的隐裂故障、碎片故障、断栅故障、黑心故障。
[0005]根据本专利技术的第一方面实施例，一种基于Faster RCNN的太阳能电池板故障识别方法，包括：使用EL测试仪作为太阳能电池板障图像采集工具，采集太阳能电池板故障图像。
[0006]进一步地，在将原始图像输入模型训练之前，我们需要对采集到的太阳能电池板故障图像进行预处理。
[0007]进一步地，为了使采集到的太阳能电池板故障图像数据集能够更好的符合YOLOv3网络所需要的图像数据集样本格式要求，常常将所有图像样本格式转化为.jpg。
[0008]进一步地，对太阳能电池板图像进行剪裁和大小调整的操作。
[0009]进一步地，对太阳能电池板图像，进行归一化处理。
[0010]进一步地，通过非线性拉伸操作，对图像的灰度值进行调整。
[0011]进一步地，所述网络基本结构包括卷积层(Conv2d)、一批归一化(BN)和激活函数(Leaky ReLu函数)。Res_unit(残差单元块)参考深度残差网络直链的思想，按一定顺序串
联构成。
[0012]进一步地，所述训练过程是根据预先设定的损失函数使融合模型朝着预定的方向训练；所述损失函数包括目标定位偏移量损失、目标置信度损失和目标分类损失，各自对其输入融合图像的输出值与预设值的偏差值和梯度惩罚值以一定的权重加和构成。
[0013]进一步地，所述预设值是预先对输入图像对设置的标签，通过所述标签对比输出图像与该图像的故障标记数据，统计误差情况。
[0014]本专利技术的优势将在下面的描述中部分给出：
[0015](1)本申请所述方案可识别4类不同故障类型，大大丰富了识别范围，基本涵盖了可能出现的故障类型。
[0016](2)本申请所述方案优化Faster RCNN学习率配置策略，使网络训练时能够加速收敛情况，尽快达到需要的目标。
[0017](3)本申请所述方案针对太阳能电池板故障图像数据集中的目标物体进行聚类算法，获取最优锚框及先验框数目，提高网络的故障识别准确率。。
[0018](4)本申请所述方案通过加权计算预测框和非极大值抑制等办法，避免同一个目标检测物体，出现多个预测框的问题。
附图说明
[0019]下面结合附图和实施例对本专利技术做进一步的说明，其中：
[0020]图1为本专利技术实施例的实施流程图；
[0021]图2为EL测试仪采集得到的太阳能电池板故障图像。
[0022]图3(a)太阳能电池板隐裂故障。
[0023]图3(b)太阳能电池板碎片故障图像。
[0024]图3(c)太阳能电池板断栅故障图像。
[0025]图3(d)太阳能电池板黑心故障图像。
[0026]图4为本专利技术太阳能电池板上采样操作完成图片。
[0027]图5(a)为本专利技术识别一张图像中含有不同尺寸、相同故障类别的情况。
[0028]图5(b)为本专利技术识别一张图像中不同尺寸、不同故障类别的情况。
具体实施方式
[0029]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0030](1)首先使用基于太阳能电池板电致发光特性的EL测试仪采集太阳能电池板故障图像；
[0031](2)图像预处理，将所述故障图像进行预处理，以构造更丰富的训练集；
[0032](3)对电池板故障进行人工标注；
[0033](4)最后划分训练集、验证集和测试集；
[0034](5)将图像输入Faster RCNN神经网络中，进行故障识别；
[0035]所述步骤(1)中在扩散结两侧对太阳能电池板输入1
‑
40mA的正向电流。然后，电能激发处于基态的原子，原子进行自发辐射。根据电池板是否有故障以及故障类型的不同，少
子寿命、密度和光强之间的关系也会发生变化，获得太阳能电池板故障图像，如图2所示。
[0036]所述步骤(2)中的预处理过程是指将采集的太阳能电池板图像在Python的PIL中，首先调用open()函数打开需要转换格式的图像，程序自动将图像解码为RGB三通道图像，然后基于解码之后的RGB图像，对其进行处理。当处理结束之后，最后调用save()函数将图像保存为jpg文件格式。再通过resize()函数调整图像尺寸，调整为4160
×
2496(416
×
10＝4160，416
×
6＝2496)，然后通过crop()函数进行平均剪裁操作得到独立的60个太阳电池片图片，并保存。
[0037]所述步骤(3)中的对太阳能电池板的主要故障进行分类，主要故障包括隐裂、碎片、断栅和黑心故障，如图2(a)
‑
图2(d)。
[0038]所述步骤(4)中的通过在图像数据集中增加少数类图像或减少多数类图像，保证各个故障类别中的图像数量相对平衡。分别通过下采样的方法减少无故障图像数量和通过上采样的方法增加各个故障类图像数量，如图3。然后使用VOC数据集格式中5个文件夹的3个，即Annotations(图像标签)、ImageSets(训练测试集等的文件名称)、JPEGImages(图像样本)。A本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于Faster RCNN的太阳能电池板故障识别方法，其特征在于，包括：使用EL测试仪作为太阳能电池板障图像采集工具，采集太阳能电池板故障图像。2.根据权利要求1所述的一种基于Faster RCNN的太阳能电池板故障识别方法，其特征在于，采用上采样的方式制作故障数据集，对这些图像经过旋转90
°
、180
°
、270
°
和左右翻转的操作。3.根据权利要求1所述的一种基于Faster RCNN的太阳能电池板故障识别方法，其特征在于，所述方法使用labelImg软件对每个图像样本进行故障标记。4.根据权利要求1所述的一种基于Faster RCNN的太阳能电池板故障识别方法，其特征在于，所述方法对太阳能电池板故障图像预处理，包括：对所述太阳能电池板故障图像进行样本格式统一，使采集到的太阳能电池板故障图像数据集能够更好的符合Faster RCNN网络所需要的图像数据集样本格式要求。对所述太阳能电池板故障图像进行剪裁和大小调整，使输入图片的大小满足Faster RCNN神经网络要求。对所述太阳能电池板故障图像去均值和归一化，使全部图片信息进行数据特征标准化并且减少网络训练时间。5.根据权利要求1所述的一种基于Faster RCNN的太阳能电池板故障识别方法，其特征在于，所述方法采用自适应学习率方法，解决学习率配置问题。公式如(1)所示：公式(4
‑
9)中增量因子k
inc
>1、阻尼因子k
...
【专利技术属性】
技术研发人员：沈沛东，廖斌，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。