[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

说明书

本发明公开了一种基于深度学习的光伏电池片智能缺陷检测方法，能自动完成光伏电池片EL图像的分析，有效提升检测精度与速度。主要包括：利用电致发光技术，采集电池片EL图像。采用改进的Faster R‑CNN算法F‑RFDC(Faster R‑CNN+ResNet101+FPN+DCAM)，该算法选用ResNet101作为特征提取网络，并融入FPN特征金字塔网络结构和双通道注意力机制模块DCAM，通过分析EL图像，完成电池片缺陷的检测与分类。本方法在面对电池片缺陷特征尺度差异较大、环境背景较复杂情况下，也有较好的缺陷特征提取与检测能力，部分类型缺陷识别准确率为99.5％,综合来看，多类型缺陷平均准确率度达到92.1％。本发明能很好满足实际生产需求。

技术领域

本发明涉及人工智能中目标检测领域，主要使用一种基于深度学习的光伏电池片智能缺陷检测方法。

背景技术

光伏电池片作为光伏组件的核心组成部分，在生成加工的过程中易受材料、加工工艺等因素影响，不可避免的使硅片产生一些外部或内部缺陷如：隐裂、虚焊、断栅、扩散不均匀、破片等。这些缺陷极大地降低了组件的光电转化效率和使用寿命，甚至影响整个光伏发电系统的安全性。

电致发光(Electroluminescence,EL)成像检测被广泛用于光伏电池片的缺陷检测中，其原理是给电池片施加正向偏置电压使其发出波段为950～1150纳米的近红外光，利用近红外相机捕捉成像，使存在于电池片内部的缺陷清晰可见。目前生产线上对EL图像通常由人工完成分析检测，工作量大、成本高且易发生漏检、错检。另外有人提出利用机器视觉技术，人工设计提取规则方法完成检测，此类方法通常采用分析图像特征，利用图形学、形态学等处理方法获取目标的缺陷特征信息。该方法面对电池片缺陷特征尺度、大小各异，背景较为复杂的情况下，对缺陷特征信息表达能力有限，适应性和泛化能力较弱。

发明内容

针对于光伏电池片易受材料、生产工艺等因素影响,易产生诸多缺陷且检测难度高等问题，本发明提供了一种基于深度学习的光伏电池片智能缺陷检测方法，该方法主要用于光伏电池片内部缺陷检测。该方法利用EL成像技术完成电池片图像信息采集，经处理后用于检测，对于复杂背景环境下，形状各异的缺陷有更好的适应性和识别精确度，部分类型缺陷识别的准确率达到99.5％,综合来看，缺陷检测的平均精度达到92.1％。

本发明主要通过以下技术方案来实现的：

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)加入通道注意力模块(CAM)和空间注意力模块(SAM)，通过网络计算出输入图像各个通道的权重，对于包含关键信息通道就多加关注，减少非重要信息通道的关注，提高特征表示能力。

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。