[发明专利]基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法

说明书

本发明公开基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法，该检测方法以Anchor‑Free网络目标检测模型为基础,引入特征引导的通道蒸馏模块，利用知识蒸馏这一训练小型模型的简单而有效的工具，在大型的教师网络的监督下,使小型的学生网络从大量数据集中学习到更精确的特征,使得太阳能电池表面缺陷识别精确率和实时性效果都满足检测要求。

技术领域

本发明属于工业缺陷检测技术领域，具体涉及基于特征引导的通道蒸馏的太阳能表面缺陷检测方法。

背景技术

太阳能电池是一种利用太阳光直接把光能转化为太阳能的装置。太阳能电池具有高可靠、长寿命、环保等优点，被广泛应用于通信、交通、能源等领域。太阳能电池表面缺陷存在缺陷，则会降低太阳能电池的性能和使用寿命，还可能带来安全隐患。目前，常规的太阳能电池基本通过人工目测检查，人工的检测可靠性、稳定性和效率无法有效控制，并且人工成本高昂，检测效率低。

刘怀广等人(刘怀广，刘安逸，周诗洋等.基于深度神经网络的太阳能电池组件缺陷算法研究[J].应用光学，2020，41(02):327-336.)针对太阳能电池表面出现隐裂的问题，提出一种利用卷积神经网络进行电池表面缺陷检测的方法，首先获取图像并进行预处理,然后利用聚类的方法对检测目标区域进行筛选定位，最后利用三中不同结构的卷积神经网络模型对太阳能电池表面进行缺陷检测。该方法利用深度卷积神经网络进行太阳能电池表面缺陷检测，但是没有考虑在小型设备进行检测，并且没有考虑不同模型知识的监督。

发明内容

针对现有技术的不足，本发明拟解决的问题是，提供基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法，通过知识蒸馏的方式利用大型教师网络的监督信息训练小型教师网络，实现小型设备对常见不同类型的太阳能电池表面缺陷进行实时分类和定位，能满足太阳能电池表面缺陷检测的准确性和实时性要求。

本发明解决上述技术问题采用的技术方案是：基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法，其特征在于，该方法包括以下步骤：

第一步：图像数据集获取

1.1利用工业相机采集太阳能电池表面图像，筛选出图像中含有缺陷的图片，并对含有缺陷的图片进行尺寸归一化处理，得到太阳能表面缺陷图像集；

1.2将步骤1.1中得到的太阳能表面缺陷图像集使用LabelImg软件进行手动标注，使得每张含有缺陷的图片带有含有图像名称、缺陷种类和缺陷位置坐标的标签；

1.3将步骤1.2中经过标注的含有缺陷的图片按一定比例划为分训练集、验证集、测试集，其中训练集中的图片数量不少于60％；

第二步：训练特征引导的通道蒸馏的缺陷检测网络模型

2.1搭建特征引导的通道蒸馏的缺陷检测网络模型，该网络模型包括教师网络、特征引导模块、通道蒸馏模块、学生网络构成，教师网络的输出经过特征引导模块处理后得到特征引导权重；教师网络的输出与学生网络的输出经过通道蒸馏模块处理后，得到通道蒸馏损失；将得到的特征引导权重乘以得到的通道蒸馏损失，得到总体蒸馏损失；教师网络根据总体蒸馏损失指导学生模型进行训练，得到学生网络训练模型；学生网络的输出为特征引导的通道蒸馏的缺陷检测网络的最终输出，即为缺陷检测结果；