[发明专利]一种基于深度学习的光伏电池片智能缺陷检测方法

权利要求书

1.一种基于深度学习的光伏电池片智能缺陷检测方法，主要包括如下步骤：

1)自建光伏电池片EL图像数据集PV_Datasets；

2)对步骤1)所述数据集分别进行缺陷分类及标注；

3)对光伏电池片EL图像导入网络模型，进行模型训练，用于完成具体缺陷信息的判别，

3.1)该网络以FasterRCNN目标检测算法作为框架，并选用改进型的Resnet101作为网络主干，替换原始网络模型的VGG16网络，增加了网络层数，提升网络的特征提取能力；

3.2)并在主干网络中融入特征金字塔网络结构(FPN)，进一步提高网络对多尺度缺陷的特征表达能力；

3.3)加入双通道注意力机制模块DCAM(Dual-channel Attention MechanismModule)，通过网络对输入特征图赋不同的权重值，聚焦于特征图的重要特征信息，抑制不必要的区域响应，进一步增强网络的特征表示能力，同时降低一些不必要的计算。

2.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤1)中自建数据集PV_Datasets包括以下步骤：根据光伏电池片电致发光(electroluminescence,EL)成像原理，利用近红外相机采集光伏电池片组件EL的图像；对图像进行预处理，提取光伏电池组件边缘，裁剪多余信息，并按单个电池片尺寸，将组件EL图像分割成多张光伏电池片EL图像，这些光伏电池片EL图像经分类标注完成数据集构建。

3.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤2中)：

对图像中存在缺陷进行分类，可大致分为：断栅、划痕、虚焊、隐裂、黑心团、短路、裂纹以及破片，将图像利用LabelImg标注软件，使用矩形框圈注图像中的缺陷信息，并制作成VOC格式的数据集。

4.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤3中)：Faster R-CNN是在Fast R-CNN网络的基础上加入了区域生成网络，取代了传统的SS(Selective Search)方法，使候选框的提取速度和精度有明显的提升。

5.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤3.1中)：选用残差网络ResNet101代替原始模型中的VGG16特征提取网络，增加了网络层数，同时也有效避免了因网络深度的增加而出现的梯度消失以及过拟合的情况，

输入的图像通过一系列卷积生成公共特征图，然后经由RPN网络生成区域建议框，并映射至特征图上获取对应的特征矩阵，再通过感兴趣区域池化将特征图缩放为统一尺寸,经过全连接层后，同时输出给分类层和边框回归层，前者用来判定建议框内前景及背景信息，后者用来预测建议框尺寸和坐标信息。

6.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤3.2中)：在特征提取网络中融入特征金字塔结构(FPN)，包括横向连接、自顶向下和自底向上三个部分组成，

自底向上为ResNet101进行的前馈计算的过程，进行传统的特征提取，输出大小一致的网络部分称为一级(stage)，选择每个stage的最后一层特征图，作为上一级的输入，为自顶向下过程，从最高层向下依次使用最近邻2倍上采样，特征图将扩大2倍，在通过横向连接，进行特征融合后输出特征图。

7.根据权利要求1所述的一种基于深度学习的光伏电池片智能缺陷检测方法，其特征在于，所述步骤3.3中)：DCMA模块主要包括通道注意力模块和空间注意力模块两部分：前者关注于全局信息，图像经过卷积后生成多通道的特征图，通道注意力模块能完成多通道的差异化处理，增大有效特征通道的权重，降低无效特征通道权重，进而重点突出图像中的重要特征信息；后者主要对特征图空间信息建模来获取空间中各个像素的相关性，可以提高特征图对目标信息的关注程度，更容易找到目标所在位置，将通道与空间注意力两模块并联，组成双通道，将两特征图相加得到最终的特征图。