[发明专利]基于多尺度注意力密集网络的太阳能电池板缺陷识别方法

说明书

本发明公开了一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，包括：划分太阳能电池板缺陷图像、构建多尺度融合注意力机制的密集网络、训练阶段和测试阶段。本发明在原本的密集网络中加入空间组增强模块、多尺度融合思想以及注意力机制，使得改进后的网络针对太阳能电池板缺陷识别的准确率得到极大提升。采用多尺度融合，将不同层级中的特征聚合到一起提高了网络模型的表达能力，有效地提高了网络模型的识别准确率。在网络中注入注意力机制，使得网络能够专注于要识别的缺陷，抑制背景信息，解决类间相似性过高，难以辨别的问题。采用空间组增强策略，增强不同种类缺陷的特征，解决缺陷种类多。

技术领域

本发明涉及神经网络图像数据处理领域，具体是一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法。

背景技术

由于太阳能可再生和清洁无污染的特点，使得光伏产业迅速发展，而太阳能电池板是能量转换的核心部件，产量也在不断上升。在制作、运输、安装和使用的过程中都可能会对电池板造成损伤。这些因损伤所造成的缺陷将会严重降低太阳能电池板的光电转换效率和使用寿命。因此，必须在使用之前及时识别出太阳能电池板的缺陷，并替换有缺陷的太阳能电池板。近年来，随着计算机技术日趋成熟，越来越多的太阳能电池板检测开始使用计算机视觉技术来替代人工目视缺陷检测，实现太阳能电池板缺陷的在线检测与识别，以降低人工成本并提高太阳能电池板缺陷的检测效率和准确率。

目前常用的基于机器视觉的太阳能电池板缺陷检测方法有三种，一是使用电致发光成像，对电池板施加正向电压后，表面会发出红外光，根据电致发光图像中的发光强度和形状差异就可以识别出缺陷，但电池板杂质对成像影响较大且需要稳定的电源；二是光致发光法，使用激光照射电池板，激光中的光子可以激发硅片中处于基态的电子，一段时间后再回到基态并发出荧光，根据荧光效应的强弱来确定缺陷位置，但无法确定缺陷类型；三是红外热成像，使用红外光源照射电池板，根据图像中的明暗对比可检测出裂纹和缺角的缺陷，但因缺陷模板单一使得检测的准确率较低。

卷积神经网络是深度学习的代表算法之一，因其可以自动学习图像特征，能有效提取图像中的纹理、形状和颜色等高层特征并分类，通常能够获得比其他传统特征提取方法更好的分类效果。由于太阳能电池板图像往往背景复杂，还有杂质和栅线等因素的干扰，传统特征提取方法提取的太阳能电池板图像的单一底层特征使得太阳能电池板的缺陷分类效果不理想。因此，将深度学习用于太阳能电池板缺陷的快速准确分类是本领域的研究方向。申请号201810250676.4的文献公开了一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括模型离线训练和在线检测两个阶段，将卷积神经网络模型应用于太阳能电池板的缺陷识别上，使用两个CNN模型递进地实现了缺陷检测和分类，但是该方法使用两个CNN模型实际并未解决太阳能电池板缺陷样本较少的问题，因此在太阳能电池板缺陷分类上准确率很低；同时使用两个CNN模型不仅无法取得较好的缺陷分类效果，反而大量增加了计算量，严重影响了检测效率。除此之外，太阳能电池板缺陷类内大小尺度不一，难以识别也是太阳能电池板缺陷检测领域的一大痛点问题。

总之，现有的太阳能电池板缺陷识别或检测方法存在功能单一、泛化能力较弱、实际检测任务中准确率无法保证、一套参数很难通用、可识别类别较少、计算量较大和效率较低的缺陷。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法。

本发明解决所述技术问题的技术方案是，提供一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，该方法包括以下步骤：

(1)划分太阳能电池板缺陷图像：从现有太阳能电池板图像数据库中选择太阳能电池板缺陷图像，再将太阳能电池板缺陷图像划分为训练集和测试集；