[发明专利]一种基于深度两阶段的多晶隐裂检测方法

说明书

本发明公开了一种基于深度两阶段的多晶隐裂检测方法，该方法包括多晶光伏板EL图像的预处理及增广；针对多晶光伏板隐裂问题设计了一种新的感兴趣区域的筛选方法；对图像特征基于Fast R‑CNN算法进行训练与分类的检测方法。本发明的优点在于首次将基于机器学习算法应用于多晶光伏组件的隐裂研究。将该方法运用在多晶光伏组件隐裂检测上，并通过不同的方法对比验证其检测的正确率远远超过传统及其学习方法，改善了现有的隐裂检测主要依靠人工且检测效率低的问题，提高了多晶光伏板隐裂失效面积的检测精度。

技术领域

本发明涉及一种针对多晶光伏板隐裂检测的两阶段深度学习方法。

背景技术

太阳能电池组件发电效率是光伏发电中最受关注的问题之一。光伏组件的鼓掌诊断直接影响发电效率，因此鼓掌检测成为普遍关注的内容，也对检测方法提出了新的要求。现有的隐裂检测方法主要依靠人工，检测效率低，因此快速且准确定位到产生隐裂的区域具有重要的研究意义。

近年来各类目标检测算法相继被提出，其在人脸检测、车辆识别等问题中得到了广泛应用，但其至今很少应用在光伏组件隐裂检测方面。原因在于由于多晶光伏板背景絮状物的存在，极易与隐裂混淆，加大了检测的难度；且由于正负面样本之间的不平衡，以及对定位精度的要求，直接对整个光伏组件图像进行检测是低效的，传统深度学习方法检测效果不佳，且无法满足需求。

发明内容

本发明的目的是为了解决上述问题，提供一种先进的多晶光伏板隐裂检测方法。在尽可能保证准确率的同时，提高隐裂定位的精度与速度要求。

技术方案：基于深度两阶段的多晶隐裂检测方法包括隐裂图像样本的切割与预处理，针对隐裂特征提出了感兴趣区域的筛选策略以及基于Fast R-CNN的检测神经网络。

对多晶光伏组件的EL图像按照光伏组件单元的边界进行分割，得到240*240的图像，根据灰度信息自动计算栅线位置，沿栅线裁剪图像。对得到的结果进行滑动窗口裁剪，最终得到40*40的图像。由于正负样本比例差距悬殊，通过镜像、翻转、随机裁剪和中心裁剪等数据增广方式，将负样本扩大了8倍。经过处理后，阳性样本与阴性样本的比例约为1:1，训练样本约为15000个。采用Haar小波提取原始图像的低频特征，抛弃高频图像。Haar变换后的图像大小为原图像的四分之一，选择双线性插值将图像大小调整为40*40。

使用选择性搜索来提取感兴趣区域，如果区域轮廓大于140或小于40则舍弃。通过Canny算法获得边缘，阈值150，结合边缘信息进行二次筛选。筛选条件是，第k个ROI的有效信息比例大于25％:

是第k个感兴趣区域的边缘信息数量.N_edge是一张图上的所有边缘信息总数。或第k个感兴趣区域的有效面积占比超过40％:

和第k个感兴趣区域的宽度和高度。边缘是由像素组成的，所以一个感兴趣区域中边缘像素的数量等于面积。只有当感兴趣区域满足(1)或(2)时能被留下。

将感兴趣区域根据优先级规则排列，再归一化到5个。若感兴趣区域的数量大于5，则选取前5个；若感兴趣区域的数量小于5，则按照优先级顺序依次补充。优先级规则如下所示：

(1)面积大于40。

(2)当感兴趣区域中的均值像素小于整幅图像的均值像素时，按面积和灰度降序排列。如果面积相同，则优先选择灰度值更优的感兴趣区域。

(3)感兴趣区域的像素均值高于原图像素均值。

对于大于5个感兴趣区域的图像，选择前5个；而在其他情况下，根据优先级增加，直到选择5个感兴趣区域。