[发明专利]基于SinGAN算法的光伏组件缺陷检测方法及相关装置

说明书

基于SinGAN算法的光伏组件缺陷检测方法及相关装置，包括：获取光伏组件缺陷图像，并进行预处理，将处理好的数据随机分配为训练集与验证集；搭建SinGAN算法中多尺度的生成器和判别器的网络模型；将预处理好的图像数据输入已搭建好的多尺度的生成器和判别器的网络模型中，对该多尺度的生成器和判别器的网络模型进行逐级训练，获得每个GAN的权重数据；利用训练后的网络模型中的判别器对验证集中光伏组件缺陷图像进行检测，得到更高精度的判别器。本发明利用较少的图像数据训练出可以对光伏组件缺陷图像进行检测的判别器检测模型，从而解决了光伏组件缺陷图像数据缺少的问题，并且该识别模型也可以达到一定的精度，从而解决光伏组件缺陷图像难以检测的问题。

技术领域

本发明属于光伏组件预测技术领域，具体涉及基于SinGAN算法的光伏组件缺陷检测方法及相关装置。

背景技术

光伏组件是把数个单体太阳能电池以串联和并联方式连接起来，然后再密封起来形成的一个整体，并且具有把太阳能转换成电能功能的装置。常见的光伏组件多是平板式封装结构。光伏组件最上一层为低铁高透钢化玻璃板，其有两个作用，第一个是让光线透过并且能够照射到电池片上，第二个就是把太阳能电池片固定起来并且支持着太阳能电池。组件中间一层是由聚合物EVA和太阳电池组成，EVA聚合物把太阳电池包裹起来，起到固定及保护太阳电池作用。组件最下一层由抗老化、耐腐蚀、具有良好的电绝缘性能的合金复合膜组成。太阳能电池能将太阳能转化成电能，具有转化效率高、成本低、寿命长等特点。在太阳能发电中，光伏组件的质量决定了太阳能发电的效率，因此面对市场需求和严格的质量把控，光伏组件缺陷检测成为十分重要环节。在光伏组件的生产工艺过程中，由于生成技术的不成熟或运输过程中的人为因素的存在使其产生了不同类型、不同程度的缺陷，如断栅、裂纹、裂片等缺陷。在实际生产、生活中投放有缺陷的光伏组件将导致发电效率下降、使用寿命变低以及用电安全等问题。因此，光伏组件缺陷有效的检测，对提高产品的质量和提高企业的经济利润具有巨大的价值和意义。

光伏组件缺陷检测现有的检测方法主要分为基于人工特征的检测方法和基于深度学习特征的缺陷检测方法，但是基于人工特征提取受限于人对太阳能电池的了解深度和自身技术水平，其检测精度不高。对于深度学习特征方法来说，在实际情况中，光伏组件缺陷具有稀疏性，能够获得的缺陷样本的数量很少，其图像数据不足以用来训练一个高精度的深度学习模型，从而导致深度学习方法提取的特征不够充分，检测精度低。并且由于多晶硅分布形式随机性使得光伏组件EL背景的纹理与几何形状情况复杂多变，光伏组件背景呈现非均匀随机纹理分布，使得深度学习的光伏组件EL缺陷检测难度增加，精度较低。

发明内容

本发明的目的在于提供基于SinGAN算法的光伏组件缺陷检测方法及相关装置，以解决现有技术检测精度低，检测难度大的问题。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供基于SinGAN算法的光伏组件缺陷检测方法，包括：

获取光伏组件缺陷图像，并进行预处理，将处理好的数据随机分配为训练集与验证集；

搭建SinGAN算法中多尺度的生成器和判别器的网络模型；

将预处理好的图像数据输入已搭建好的多尺度的生成器和判别器的网络模型中，对该多尺度的生成器和判别器的网络模型进行逐级训练，获得每个GAN的权重数据；

利用训练后的网络模型中的判别器对验证集中光伏组件缺陷图像进行检测，得到更高精度的判别器。

可选的，预处理过程为：

先对图像按照对应GANs的尺度进行不同比例的放缩，接着对图像数据进行归一化处理获得处理好的数据，最后将处理好的图像数据随机分配为训练集与验证集。

可选的，搭建SinGAN算法中的多尺度的生成器和判别器的网络模型：