[发明专利]一种基于机器视觉的太阳能板缺陷检测系统

权利要求书

1.一种基于机器视觉的太阳能板缺陷检测系统，具体步骤如下，其特征在于：

步骤1，收集太阳能板常见故障包括热斑、隐裂、蜗牛纹和正常太阳能板的照片，并对收集到的照片进行样本扩展处理，增大模型训练样本量；

步骤2，将步骤1中的样本输入到上位机的CNN模型中进行训练，直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数，此时CNN模型训练完成；

步骤3，无人机采集光伏发电站中太阳能板的信息和实物照片，并通过WIFI上传至上位机；

步骤4，上位机利用训练好的CNN模型对步骤3中的照片进行识别，如果识别结果为故障，则发送至MYSQL数据库，反之，不作处理；

步骤5，操作人员通过移动终端获取MYSQL数据库中的故障数据，并执行相应的故障维修，维修结束时需清除数据库中的故障数据。

2.根据权利要求1所述的一种基于机器视觉的太阳能板缺陷检测系统，其特征在于：步骤1中对收集到的照片进行样本扩展处理的具体步骤为：

步骤1.1，小幅度修改照片的颜色，以矫正不同时段所采集照片的色差；

步骤1.2，对采集的照片进行旋转操作，本发明中的旋转角度分别为90°，180°和270°；

步骤1.3，对所采集的照片进行加噪，其中的加噪原理如下：

对一个规格为m×n的照片，其像素矩阵s可表示为：

对像素矩阵中的相应像素点s添加噪声n：

g(x,y)＝s(x,y)+n(x,y)

本发明中信噪比选择范围为20-50dB，其中信噪比的定义如下：

式中，P_s表示信号的功率，P_n表示噪声的功率。

3.根据权利要求1所述的一种基于机器视觉的太阳能板缺陷检测系统，其特征在于：步骤2中CNN模型训练的具体步骤为：

步骤2.1，将采集的照片输入到第一卷积层，得到滤波后的图像；

步骤2.2，采用Max pooling池化处理步骤3.1的图像，实现图像的降维；

步骤2.3，对步骤3.2得到的图像进行dropout处理，防止网络模型的过拟合；

步骤2.4，重复步骤3.1-3.3两次，以得到最终的特征提取图片；

步骤2.5，将步骤3.4中的图片通过两层全连接层降维后再连接Softmax分类层；

步骤2.6，重复以上步骤，直至损失函数收敛或者迭代达到既定次数，其中的损失函数采用交叉熵，表达式如下：

式中，t为样本数，y⁽ⁱ⁾为实际样本标签，为Softmax层判别的标签。

4.根据权利要求1所述的一种基于机器视觉的太阳能板缺陷检测系统，其特征在于：步骤4中上位机向MYSQL数据库发送的数据应包括：

太阳能板本身的编号信息，以及所采集的实物照片和最终的判别结果。一方面用于指导技术工人对太阳能板的更换维修，另一方面用于评价上位机程序CNN模型的识别性能，也升级优化模型提供数据支撑。