基于U-Net网络的光伏组件缺陷检测方法

郭清华，曾礼丽

湖南理工职业技术学院，湖南 湘潭 411104

0 引言

光伏组件是太阳能发电装置的核心部件，其表面的质量将直接影响整个发电系统的发电效率和服役年限。但是，光伏组件在生产过程中，由于生产工艺、误操作等问题可能造成其表面出现隐裂、断栅、黑片、缺角等缺陷。因此，对光伏组件进行表面缺陷检测具有重要意义。基于机器视觉的电池片表面及光伏组件缺陷检测方法不仅方便、快捷和经济，而且可以实现实时监测、精准判断和检测装置一体化，已成为能电池片表面及光伏组件缺陷检测的主要发展方向之一。

1 构建数据库

收集各种光伏组件的EL图像，再对这些图像进行图像分割、复原、统一尺寸，并标出缺陷位置进行缺陷定位和转换为灰度图像。经过这一系列图像预处理后可以形成缺陷检测数据集，分为训练集和测试集。

2 U-Net网络概述

U-Net网络其实类似于一种全卷积神经网络，与常见的卷积神经网络相比，U-Net网络没有全连接层，全部用卷积层进行代替。此外，U-Net网络只需要一次训练，而全卷积神经网络则需要两次。全卷积神经网络与卷积神经网络的不同之处在于，卷积神经网络使用一个卷积层和一个全连接层来对特定大小的特征图像进行分类。因此，卷积神经网络只能接受一定大小的图像，而全卷积神经网络则可以接受任何大小的输入图像。U-Net网络也是在上采样（扩展路径）结合下采样（搜索路径）生成特征向量。

3 基于U-Net网络的光伏组件缺陷检测方法

采用所构建的数据库中的训练集训练U-Net网络，然后在该网络中测试光伏组件缺陷。在太阳能电池片缺陷检测过程中，试验对比分析U-Net网络3种优化器的效果。通过对比，在深度学习中选择SGDM优化器对太阳能电池片进行缺陷检测。

测试所得输出结果图像素过低，输出的图像为黑色，图像尺寸为64×64像素，这是由于输入图像是将201张训练图像分割成每张25份，输入图像一共有5025张，则输出图像也有5025张。为了方便与原图像进行对比，需要将输出图像进行合并。因为像素较低，导致每张图像都是黑色，所以把输出图像的每个像素都减2取绝对值，然后乘以255，得出的最终输出结果图像像素是0和255的图像，0代表没有缺陷的位置，255代表有缺陷的位置。

网络模型优化算法关系到网络模型的性能，所得测试结果不理想，可能与图像特征和模型设计无关，而是所选择的优化器的问题。常见优化器包括动量梯度下降（SGDM）、RMSProp、Adam等。为了选择最合适的优化器，选取少量太阳能电池片缺陷图像分别使用SGDM、RMSProp、Adam优化器进行网络配置。RMSProp优化器可以使用‘squaredgradientdecayfactor’name-value pair参数来指定平方梯度移动平均值的衰减率，并且可以通过使用不同参数的学习率来改进网络训练。同时，RMSProp优化器能够自动适应被优化的损失函数，使用RMSProp优化器配置网络结果图如图1所示。

图1 使用RMSProp优化器配置网络结果图

Adam优化器既考虑了动量项来加速训练的过程，又考虑了对于学习率的约束。Adam优化器可以分别使用“梯度/斜率因子”和“方形/斜率/斜率因子”的值对参数来指定梯度和梯度移动平方平均值的衰减率。使用Adam优化器配置网络结果图如图2所示。

图2 使用Adam优化器配置网络结果图

SGDM优化器可以使用“momentum”name-value对参数指定动量值。该优化器的使用指数加权平均以后梯度代替了原来的梯度进行参数更新。使用SGDM优化器配置网络结果图如图3所示。

图3 使用SGDM优化器配置网络结果图

经过训练准确度的对比，SGDM优化器明显比其他两个优化器更优良，因此选择SGDM优化器作为配置训练网络的优化器。

4 试验验证

在配置训练网络时使用trainingoptions函数指定训练选项，包括执行环境的选项，可以在CPU或者GPU上训练网络，此函数可以选择优化器的种类。选择好优化器后，将选项设置为随机梯度下降的默认设置，将最大时期设置为10，并以0.000 1的初始学习率开始训练。对于图像分类和图像回归，以使用多个GPU并行训练。由于试验条件的影响，将执行环境设置在CPU上。试验结果如图4所示。图4（a）为输出图像的原图像，图4（b）为该图像人工标定的图像，图4（c）为经过像素调整和图像合并后得出的最终结果，可以看出，实际输出的结果能正确表示标定结果，验证了所提基于U-Net网络的光伏组件缺陷检测方法的可行性。

图4 电池片图像

5 结束语

相比人工目视检测、物理方法检测，机器视觉检测具有快速、准确、方便等优势。文章提出了一种基于U-Net网络检测光伏组件缺陷的方法，并对该方法进行了试验验证。试验结果表明，使用该方法准确率高达99%以上，是一种光伏组件缺陷自动识别的可行方法。