[发明专利]一种基于卷积神经网络的太阳能电池板缺陷识别方法

摘要

本发明涉及一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括模型离线训练和在线检测两个阶段，将卷积神经网络模型应用于太阳能电池板的缺陷识别上，使用2个CNN模型递进地实现了缺陷检测和分类。首先使用CNN二分类模型区分合格与缺陷图像，然后使用CNN多分类模型，对二分类模型判定为缺陷的图像进行分类。CNN模型对电池板的各种缺陷类型，都是采用相同的处理流程，即通过迭代训练，快速而自动进行特征提取和特征分类。对于新缺陷类型，只需收集该缺陷类型的样本数据，添加到训练用的数据集中并对模型进行训练，就能够实现该缺陷类型的检测。能够以较高的准确率快速识别出存在缺陷的小电池板的位置，并对多种缺陷进行类别判定，适用性更广。

主权项

1.一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括模型离线训练和在线检测两个阶段，所述的模型离线训练包括以下步骤：S1：收集太阳能电池板的合格图像和多类缺陷图像，并完成分类，假设缺陷类别数为D；S2：对步骤S1得到的各类别图像进行数据平衡，使各类别的样本数目充足；对于数量较少的各类缺陷图像，采用翻转、旋转、随机平移、随机形变和随机缩放方式进行样本量的扩充；对于数量丰富的合格图像，采用随机欠采样方式筛减，最终获得的各缺陷类别图像的数目充足且各缺陷类别图像的数量差别在30％的范围内，合格类别图像和全部缺陷类别图像的数量差别在30％的范围内；S3：将步骤S2获得的各类别图像均转为预设尺寸的灰度图像，得到的图像设为图像矩阵X；S4：由步骤S3得到的图像矩阵X，经过归一化数据处理后，生成由所有缺陷样本、合格样本组成的二分类数据集，用于缺陷检测；同时生成由多类缺陷组成的多分类数据集，用于缺陷分类；S5：通过卷积神经网络构建用于缺陷检测的CNN二分类模型和用于缺陷分类的CNN多分类模型；S6：在步骤S4所述的二分类数据集上训练步骤S5所述的CNN二分类模型，在步骤S4所述的多分类数据集上训练步骤S5所述的CNN多分类模型，训练方式为小批量梯度下降，训练算法是反向传播算法，当达到预设的迭代轮数epoch时，训练结束，保存训练完成的CNN二分类模型和CNN多分类模型；所述的在线检测包括以下步骤：S7：获取待识别的太阳能电池板图像，设为I；S8：对步骤S7所述的电池板图像I进行图像预处理，得到水平放置、不含背景、矩形的电池板图像I_d；S9：若步骤S8得到的预处理后的电池板图像I_d是由M×E个小电池板组成的拼装电池板图像，则将其分割为M×E个单独的小电池板图像，并记录每个小电池板在大电池板上的位置；若I_d已经是单独的一块电池板，则无需分割，直接作为数目为1的小电池板图像进入步骤S10；M*E表示的是一个小电池板的长度和宽度的大小，M和E取正数；S10：将步骤S9的所有小电池板图像，全部转为预设尺寸N×N的灰度图像，并对该灰度图像进行归一化处理，N*N表示想要设置的小电池板的长度和宽度的大小，N为小于M和E的正整数；S11：缺陷检测：将步骤S10得到的所有归一化处理后的灰度图像输入到由步骤S6得到的训练完成的CNN二分类模型，进行特征提取和特征分类，输出该图像属于合格类别的概率；若概率高于某个设定的缺陷阈值，则判断为合格的电池板图像；否则判断为存在缺陷的电池板图像，并进行步骤S12；S12：缺陷分类：将步骤S11中判断为存在缺陷的电池板图像输入到由步骤S6得到的训练完成的CNN多分类模型，进行特征提取和特征分类，得到该图像属于各缺陷类别的概率，将其中最大的概率值所属的缺陷类别作为判定的缺陷类别；S13：对步骤S9的每个小电池板图像都进行步骤11～S12，并在电池板图像上标记存在缺陷的位置和缺陷类别，输出检测结果。