[发明专利]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

说明书

本发明公开了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，本发明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YOLOv3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。

技术领域

本发明属于人工智能领域，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。

背景技术

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。

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。

发明内容

本发明旨在现有技术中存在的上述技术问题。为此，提出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，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。

根据本发明的第一方面实施例，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，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。

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。

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。

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。

进一步地，对太阳能电池板图像，进行归一化处理。

进一步地，通过非线性拉伸操作，对图像的灰度值进行调整。

进一步地，所述第二目标红外可见光图像对用于输入生成器G。

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。

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。

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。

本发明的优势将在下面的描述中部分给出：