[发明专利]基于卷积神经网络与信息熵数据融合策略的裂纹识别算法

说明书

针对光伏电池EL图像裂纹缺陷识别技术的不足，本发明首先采用近红外相机采集光伏电池EL图像，像素为1024×1024；将采集的五分之四的EL图像处理为128×128像素的图像块，对图像块做人工标签，包含裂纹与非裂纹标签，构建训练集；将剩余的五分之一的EL图像作为测试集。本发明进行裂纹识别使用的是卷积神经网络，该网络的输入为128×128像素的EL图像块；测试时输入像素为1024×1024的EL图像，以滑动窗口方式经由神经网络计算输出裂纹的位置并以框标注，计算已标注裂纹的信息熵H值来判断已标注目标属于裂纹的真实性。

技术领域

本发明涉及光伏电池EL图像裂纹缺陷识别的技术领域，具体是一种基于卷积神经网络与信息熵数据融合策略的裂纹识别算法。

背景技术

光伏发电由于其清洁、安全和高效等特点，已经成为世界上最受欢迎的可再生能源之一。光伏发电是指通过使用光伏电池将太阳能转换为电能的过程。然而，由于光伏电池晶体材料的脆弱性，导致在制造、运输和安装的过程中不可避免地造成裂纹缺陷。裂纹的存在会影响光伏电池的发电效率，降低使用寿命，甚至影响到整个光伏系统的安全运行。现阶段针对光伏电池EL图像的裂纹自动检测技术不够完善，大多采用人工检测方法。存在耗时、低效、主观和成本高等特点，进而会影响光伏电池片的产品质量。本发明将采用卷积神经网络作为光伏电池EL缺陷识别的主要方法，以实现质检自动化，具有重要的价值和意义。

发明内容

针对光伏电池EL图像裂纹缺陷识别技术的不足，本发明拟解决的技术问题是，发明一种基于卷积神经网络与信息熵数据融合策略的裂纹识别算法。该算法首先采用近红外相机采集光伏电池EL图像，像素为1024×1024；将采集的五分之四的EL图像处理为128×128像素的图像块，对图像块做人工标签，包含裂纹与非裂纹标签，构建训练集；将剩余的五分之一EL图像作为测试集。构建卷积神经网络，设置合适的参数，将训练集输入卷积神经网络中进行训练，得到模型训练权重。测试时输入像素为1024×1024的EL图像，以滑动窗口方式经由神经网络计算输出裂纹的位置并以框标注，计算已标注裂纹的信息熵H值来判断已标注目标属于裂纹的真实性。若为误检则丢弃决策，若裂纹为真实则保留。本方法可以对高分辨率光伏电池EL图像进行裂纹缺陷的识别，同时能够采用信息熵数据融合算法去掉误检，提升缺陷识别的准确率，解放了人力，同时保证了光伏电池的生产质量。

为了降低光伏电池EL图像的裂纹识别误检率，本发明提供了一种基于卷积神经网络与信息熵数据融合策略的光伏电池EL图像的裂纹识别算法，具体步骤如下：

第一步，数据集的制作

1-1图像获取：采用近红外相机获取光伏电池EL图像，像素为1024×1024；

1-2图像的分割：在步骤1-1的基础上，选取五分之四的光伏电池EL图像，并将它们分割成128×128像素的图像块；

1-3训练集制作：在步骤1-2的基础上，为图像块做人工标签，分为裂纹图像块和非裂纹图像块,得到包含标签的图像块作为训练集；

1-4测试集制作：在步骤1-2的基础上，选取步骤1-1剩余五分之一的光伏电池EL图像作为测试集。

第二步，构建用于裂纹识别的卷积神经网络

2-1卷积神经网络的结构：所设计的卷积神经网络主要由多个卷积层、池化层和全连接层组成，卷积层后面接Batch Normalization层，相邻的两层之间用Relu层连接；

2-2卷积神经网络的训练方法：在步骤2-1的基础上，将训练集输入到卷积神经网络中，采用反向传播算法更新卷积神经网络的参数；

2-3参数初始化：初始化权重值为服从标准差等于0.01的正态分布随机数，初始化偏置项为常数；确定学习率参数LR、批处理参数batch以及训练步数step；