[发明专利]基于多通道残差神经网络的光伏电池外观缺陷分类方法

摘要

本发明为基于多通道残差神经网络的光伏电池外观缺陷分类方法，该方法基于多通道输入残差神经网络的深度学习算法来分类光伏电池外观缺陷，首先对采集的光伏电池片外观图像进行预处理；从目标图像中随机抽取20％作为测试样本集，对剩余目标图像进行人工分选，并添加标签，并将目标图像尺寸量化并提取目标图像中的多通道信息，从而分别得到固定尺度的训练样本集、验证样本集；将训练集输入残差神经网络，获得图像的多维输出特征值矩阵；根据提取到的多维特征值矩阵，将验证集图像特征载入softmax分类器中进行分类，将分类结果与标签进行对比，将测试数据和多维特征值矩阵，载入分类器，得到最终的分类。本申请准确率高，速度快。

主权项

1.一种基于多通道残差神经网络的光伏电池外观缺陷分类方法，该方法用于光伏电池外观缺陷的分类，包括以下步骤：第一步：图像预处理1‑1图像获取：通过彩色工业相机获取光伏电池图像；1‑2图像形态调整和边缘处理：采用区域形态学处理去除图像中的皮带轮部分，对图像中硅片的边缘进行最小二乘法边缘提取与拟合，将原本图像中曲线边界拟合成直线，从而获得具有有效边缘的目标图像；1‑3测试样本集制作：对步骤1‑2的目标图像进行人工分选，并添加缺陷种类标签，从中随机抽取20％的目标图像作为测试样本集；1‑4训练样本集、验证样本集制作：在步骤1‑3的基础上，分别提取剩余目标图像的red、green、blue和gray四个通道信息图片，并将所有图片尺寸量化为统一的小尺寸，从而分别得到统一尺度的训练样本集、验证样本集；第二步：残差神经网络设计：2‑1第一层设计：包括一个卷积层，在这一层中，输入数据经过卷积后，再依次进行标准化运算和正则化运算，得到输出结果；2‑2残差层设计：设计多个不同维度的残差层，上一层输出为下一层输入，层层叠加，得到输出结果，在每一个残差层中均包括一个卷积层和一个平均最大池化层，输入数据分别经过一个卷积层和一个平均最大池化层后将该卷积层和平均最大池化层输出叠加视为最终输出结果；相同维度的残差层形成一个块，有多个块，维度相同的残差层中卷积层和平均最大池化层完全相同，块的维度由残差神经网络输入至输出方向以2的整数倍呈增大趋势；2‑3全连接层设计：步骤2‑2的输出为本层的输入，经过标准化计算后，输入平均正则化层，得到输出结果；该输出结果通过Softmax分类器进行分类，至此完成残差神经网络的设计，该残差神经网络包括权重、偏置、批量归一化尺度因子；第三步：图像特征提取及分类3‑1参数初始化：初始化所有权重值、偏置值、批量归一化尺度因子值，并将初始化的参数数据输入残差神经网络，设置网络的初始学习率；3‑2开始训练：将训练样本集输入步骤3‑1初始化参数后的残差神经网络，获得图像的多维特征图，得到光伏电池图像多维输出特征值矩阵；3‑3验证分类效果：将验证样本集输入步骤3‑2训练后的残差神经网络，根据步骤3‑2提取到的输出特征值矩阵，将验证样本集图像特征载入softmax分类器中进行分类，将分类结果与标签进行对比，返回错误率error和损失函数loss到步骤3‑2训练后的残差神经网络的残差层中；3‑4更新参数：在步骤3‑3的基础上，采用随机梯度下降的方式，更新网络权重值和偏移值；3‑5重复训练：重复训练步骤3‑3和3‑4，损失函数loss不大于0.01时，停止训练，得到最终的残差神经网络，保存到计算机中；3‑5测试分类效果：将测试样本集数据输入最终的残差神经网络，得到预测的类别；3‑6结束外观缺陷分类。