[发明专利]一种提高太阳能电池模块缺陷分类准确度的数据增强方法

说明书

本发明涉及一种提高太阳能电池模块缺陷分类准确度的数据增强方法，包括：步骤S1：采集通电情况下太阳能电池组件的红外图像，并将其进行分割，得到多个太阳能电池模块的红外图像；步骤S2：对预处理后的图像进行数据增强；步骤S3：建立数据增强网络，包括生成器和鉴别器，并采用步骤S1与步骤S2处理后的数据集训练该数据增强网络；步骤S4：将与训练时相同分布的噪声信号输入至数据增强网络的生成器中，得到生成的图片数据；步骤S5：将生成的图片数据按照预设的比例填充入原始数据集，得到经过数据增强后的数据集。本发明对缺陷种类数量不平衡的，总体数量过少的红外电致发光图像数据集进行增强，从而提高其在分类网络中的缺陷分类准确度。

技术领域

本发明涉及光伏技术领域，特别是一种提高太阳能电池模块缺陷分类准确度的数据增强方法。

背景技术

太阳能电池的缺陷与模块效率密切相关。其缺陷主要包括隐裂，裂纹，断栅，黑斑等。太阳能电池片缺陷可能在出厂的时候由工艺原因导致，也可能由复杂的工作环境中的各种环境因素导致。不同的缺陷对太阳能电池工作效率的影响也不尽相同，为了保证光伏组件的质量，必须要对缺陷进行检测。

传统检测缺陷的方法之一是通过测量电流和电压，但它可能不能揭示某些类型的缺陷，如小裂纹。与电流电压测量相比，电致发光成像是一种更有效的方法，在工业上得到了广泛的应用。电致发光成像采用电荷耦合器件对施加电流的光伏组件进行成像，获得红外电致发光图像。为了检测缺陷，通常在采集到的图像上使用支持向量机和卷积神经网络等图像分类算法来检测缺陷并对缺陷进行分类。但红外电致发光图像的采集需要完全黑暗的特定环境，这在很大程度上限制了采集样本的数量。

虽然现在可以很容易地访问一些公共的红外电致发光图像数据集，但由于其尺寸大小的限制，大多数仍不能满足监督机器学习算法的要求。由于数据采集的难度较大，另一种可行的方式是数据增强。传统的数据增强技术对原始图像进行简单的变换，以获得其独特的视图，从而扩展数据集。这些转换包括旋转、反射、剪切、颜色抖动和PCA抖动。传统的数据扩充技术为防止监督机器学习过度拟合提供了一种有效的方法，并已成为训练算法之前的标准步骤。然而，一些传统的增强技术所做的微小修改，对训练样本增加的额外信息很少，因此，对于提高分类网络的分类性能来说并不是很有效。此外，一些增加的样本可能看起来与现实生活中的实际对象不同，当试图对其他数据集使用经过训练的算法时，它实际上没有任何帮助。

发明内容

有鉴于此，本发明的目的是提出一种提高太阳能电池模块缺陷分类准确度的数据增强方法，对缺陷种类数量不平衡的，总体数量过少的红外电致发光图像数据集进行增强，从而提高其在分类网络中的缺陷分类准确度。

本发明采用以下方案实现：一种提高太阳能电池模块缺陷分类准确度的数据增强方法，包括以下步骤：

步骤S1：通过红外相机等设备采集通电情况下太阳能电池组件的红外图像，并将其进行分割，得到多个太阳能电池模块的红外图像，并进行预处理；

步骤S2：对预处理后的图像进行数据增强；

步骤S3：建立数据增强网络，包括生成器和鉴别器，并采用步骤S1与步骤S2处理后的数据集训练该数据增强网络；利用特定分布的随机噪声生成一定分辨率的图片，并与步骤S2给的数据集进行比较，在训练过程中不断的调整数据增强网络的结构，使得输入和输出的分辨率不断提高；

步骤S4：将与训练时相同分布的噪声信号输入至数据增强网络的生成器中，得到生成的图片数据；

步骤S5：将生成的图片数据按照预设的比例填充入原始数据集，得到经过数据增强后的数据集，从而达到丰富原始数据集数量以及平衡原始数据集中不同种类图片比例的目的。

进一步地，步骤S1具体为：

步骤S11：按照太阳能电池模块的边界对太阳能电池组件的红外图像进行分割，得到多个太阳能电池模块的红外图像；