[发明专利]一种基于生成对抗网络的太阳能电池板缺陷生成方法

权利要求书

1.一种基于生成对抗网络的太阳能电池板缺陷生成方法，其特征在于，该方法包括以下步骤：

S1：采集太阳能电池板图像样本，并将其分为合格样本和缺陷样本，选取缺陷样本图片为训练集；

S2：设计包含多注意力模块的改进型生成对抗网络，利用随机噪音变量和训练集图片对该改进型生成对抗网络进行参数训练；

S3：将随机噪声输入到步骤S2中已完成参数训练的包含多注意力模块的改进型生成对抗网络中，生成太阳能电池板缺陷图片(A)；

S4：将步骤S3中生成的太阳能电池板缺陷图片(A)与训练集图片采用mixup算法进行叠加融合，使电池板背景栅线更加清晰，缺陷更具有多样性，生成高质量的缺陷图片(B)。

2.根据权利要求1所述的一种基于生成对抗网络的太阳能电池板缺陷生成方法，其特征在于，所述改进型生成对抗网络的生成器的包含七个神经网络模块，判别器包括五个神经网络模块，初始化生成器与判别器后，将随机噪音变量(z)输入到生成器的第一个神经网络模块，依次经过生成器的七个神经网络模块处理，生成第一代假的缺陷图片；将第一代假的缺陷图片和训练集图片输入到判别器中，依次经过判别器的五个神经网络模块的处理来判断初始假的缺陷图片与训练集图片的差异，判别器采用Wasserstein距离作为损失函数，接着通过数学变换将Wasserstein距离写成可求解的形式，利用一个参数数值范围受限的判别器神经网络来最大化这个形式，达到近似拟合Wasserstein距离，此时判别器的参数训练完成；在此近似最优判别器下优化生成器使得Wasserstein距离缩小，就能有效拉近生成分布与真实分布，此时保持判别器的参数不变，调整生成器参数，随机噪音变量(z)经过生成器后生成第二代假的缺陷图片，将第二代假的缺陷图片与训练集图片输入到判别器中，最后通过判别器计算差异，当损失函数Wasserstein距离最小时，生成器参数训练完成，第二代假的缺陷图片即为符合要求的网络输出，否则继续调整生成器的参数，直到当前参数所得到的假的缺陷图片经判别器处理后其损失函数Wasserstein距离最小。

3.根据权利要求2所述的一种基于生成对抗网络的太阳能电池板缺陷生成方法，其特征在于，生成器的第一个神经网络模块为全连接层，它是全连接的结构，用于全部结点的特征提取；第二个神经网络模块包括全连接层、BN层和Leaky ReLU激活函数，全连接层的每一个结点都与上一层的所有结点相连，用来把上一层提取到的特征再综合起来，BN层将经全连接层处理后的特征调整为均值为0、方差为1的标准正态分布，Leaky ReLU激活函数给经过BN层处理后所得的所有负值赋予一个非零斜率；

生成器的第三个神经网络模块是自注意力层，自注意力层是提高生成图像像素区域之间的关联性，它将上一层特征提取后的特征图进行1×1的卷积操作，进行降维处理，将特征图被转换到两个特定的特征空间f与g中，将f(x)的转置与g(x)进行矩阵相乘，经过softmax激活函数进行归一化以计算注意力值，之后点乘h(x)得到自注意力图，再与最开始的特征图加权得到自注意力机制下的最终输出特征图(y)，计算公式如下：

生成器的第四个神经网络模块是通道注意力层，通道注意力层是聚焦于有意义的输入图像，它对上一层的特征图(y)同时经过平均池化层和最大池化层后的结果传递到一个共享网络，以产生通道注意力图，再与特征图(y)进行元素相乘得到最终注意力图；

通道注意力图生成公式如下：

M_c(y)＝σ(MLP(AvgPool(y))+MLP(MaxPool(y))) (4)

AvgPool(y)表示平均池化特征，MaxPool(y)表示最大池化特征；然后，同时经过平均池化层和最大池化层后的结果传递到一个共享网络，以产生通道注意力图；共享网络由一个多层感知器组成，其中有一个隐含层；之后将输出的特征向量使用element-wise求和进行合并；σ表示sigmoid函数；最后将通道注意力图Mc(y)与特征图(y)进行元素相乘得到最终注意力图；

生成器的第五个神经网络模块包括全连接层、BN层和Leaky ReLU激活函数，全连接层将每一个结点都与上一层的所有结点相连，把上一层提取到的特征再综合起来，BN层将经全连接层处理后的特征调整为均值为0、方差为1的标准正态分布，Leaky ReLU激活函数给经过BN层处理后所得的所有负值赋予一个非零斜率；

生成器的第六个神经网络模块包括全连接层、BN层和Leaky ReLU激活函数，全连接层将每一个结点都与上一层的所有结点相连，把上一层提取到的特征再综合起来，BN层将经全连接层处理后的特征调整为均值为0、方差为1的标准正态分布，Leaky ReLU激活函数给经过BN层处理后所得的所有负值赋予一个非零斜率，使得神经网络可以任意逼近任何非线性函数；

生成器的第七个神经网络模块包括全连接层和tanh激活函数，tanh激活函数是双曲正切函数，tanh函数输出以0为中心，区间为[-1,1]。

4.根据权利要求2所述的一种基于生成对抗网络的太阳能电池板缺陷生成方法，其特征在于，判别器的第一个神经网络模块包括全连接层和Leaky ReLU激活函数，全连接层进行全部结点的特征提取，Leaky ReLU激活函数将经全连接层提取得到的特征中的所有负值赋予一个非零斜率；其第二个神经网络模块包括全连接层和Leaky ReLU激活函数，全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来，再经过Leaky ReLU激活函数，使提取到的特征中的所有负值赋予一个非零斜率；其第三个神经网络模块是自注意力层，该网络模块的结构与生成器的第三个神经网络模块结构相同；其第四个神经网络模块是通道注意力层，该网络模块的结构与生成器的第四个神经网络模块结构相同；其第五个神经网络模块为全连接层，该全连接层对上一层提取的特征再进行综合。