[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

说明书

本发明公开一种基于生成对抗网络的太阳能电池板缺陷生成方法，该方法通过自行设计的包含多注意力模块的改进型生成对抗网络，利用太阳能缺陷图像数据集对网络进行训练。数据集中的图像均可以resize为同样尺寸，若干张图像为一批在训练过程的对应阶段输入生成对抗网络中的生成器与判别器中进行训练，当判别器的损失函数值趋于平衡时则终止训练，最终得到的生成器即可进行高质量图像生成。本发明设计的改进型生成对抗网络可以改善模式坍塌问题，同时提高图像细节的清晰度。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于生成对抗网络的太阳能电池板缺陷生成方法。

背景技术

太阳可以向地球源源不断地输送丰富的、洁净的、免费的能量,如何有效利用太阳能这种能源成为人类研究的重要方向。太阳能发电主要载体为电池板,因晶体硅太阳能电池板的设备成本相对较低,光电转换效率高,宜在室外阳光下发电等原因,大部分的太阳能电池板材料都是晶体硅材料,但晶体硅切片通常都比较薄,极易造成断栅、开焊、实心黑、隐裂等缺陷。目前大多采用电池阵列安装方式,某一片缺陷电池板还将严重影响整体性能。因此,在生产过程中检测电池板缺陷是十分重要的。

过去,大多数的太阳能电池生产工厂还是通过人工观察检测出存在缺陷的太阳能电池板,该方法存在诸多问题,比如人工检测效率太低,易造成误判。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生产厂开始使用机器视觉技术来替代人工检测技术,以降低人工成本并提高太阳能电池板缺陷的检测效率与准确率。但是传统的机器学习是远远不够的,一类新的特征学习方法的出现迅速在多个领域取得了突破性的进展。这类特征表示方法以人工神经网络为基础,主要采用深层神经网络模型,配合新的训练方法，称为深度学习，但深度学习的优势依赖于大数据,在大数据的驱动下,机器能够进行有效学习,如果没有足够多的训练样本,参数众多的神经网络就会存在过拟合的风险,在测试图像上表现出非常差的效果。然而在研究太阳能电池板缺陷时往往会存在样本量很少的问题。样本量过少会导致样本多样性变低,图像数据集不足以让模型捕捉到足够的数据,因此在数据量有限的情况下,可以通过数据增强来提高样本多样性。数据增强指借助辅助数据或辅助信息,对原有的少量数据集进行数据扩充或特征增强。

在早期的工作中,通常对现有的数据集应用固定的转换规则来生成新的样本。可以是围绕某一个样本进行操作,称为同类增强,如移位、旋转、缩放、裁剪、翻转等操作,也可以是同时针对多个样本进行操作,称为混类增强。然而人为的构建这些固定的数据转换规则需要大量相关领域的知识,同时这些转换规则不具有一般性,有的仅在作用于特定的数据集时有较好的表现,因此,采用固定转换规则的方式并不能完全解决样本少的问题。更先进且有效的方法是利用生成模型生成新的样本或者生成新的特征,生成模型是指通过对数据集进行训练,根据训练样本的数据分布生成期望的数据分布样本。目前生成模型中最具代表的是生成对抗网络,因为生成对抗网络在图像生成领域具有显著性优势,近几年也取得了飞速的发展。它可为训练样本提供更多的生成图像,增加训练样本的多样性。生成对抗网络由一个生成器和一个判别器构成,生成器通过输入噪声生成图片,判别器需要将生成图片与真实图片进行二分类，二者相互博弈直至最后判别器无法正确区分生成器生成的图片与真实图片之间的差异,以此来产生优良的输出。

之前的生成对抗网络很容易存在模式坍塌问题，样本模式单一缺乏多样性。具体来说，生成对抗网络通过对抗式的训练将生成器生成图像的数据分布向真实图像的数据分布拉近，通过使用真实图像数据训练判别器得到接近真实的图像数据分布，原始的生成对抗网络技术描述两种图像数据分布之间的距离的标准为交叉熵即JS散度，当两者分布在训练初期不存在相交时，采用JS散度的训练结果较差，不能够为生成器的训练提供有效的梯度从而导致模式坍塌。

发明内容

本发明的目的在于提供一种基于生成对抗网络的太阳能电池板缺陷生成方法。该方法基于生成对抗网络，并且在该网络中融合了多注意力模块，用于解决太阳能电池板缺陷很难收集到足够多的数据来训练模型,造成深层网络过拟合和模型性能不达标的问题。