0 引言

    以太陽能為代表的新能源在近些年得到了廣泛的研究和應(yīng)用，特別是光伏發(fā)電技術(shù)。光伏太陽能的核心組件是光伏電池組件，除了電池材料自身存在的缺陷，生產(chǎn)時(shí)對(duì)電池片的多次加工也可能導(dǎo)致電池片的損壞，如過焊片、黑斑片、隱裂片等缺陷問題，加上安裝和使用過程中的機(jī)械損傷，都會(huì)影響組件的轉(zhuǎn)化效率和使用壽命。在實(shí)際應(yīng)用中，更會(huì)對(duì)光伏發(fā)電系統(tǒng)自身的安全構(gòu)成威脅。因此，研究光伏組件的缺陷檢測(cè)顯得尤為重要。

    目前電池組件缺陷檢測(cè)的技術(shù)主要有^[1]：紅外成像技術(shù)、光致發(fā)光成像技術(shù)、電致發(fā)光（ELectrofluorescence，EL）成像。EL成像是用于光伏組件缺陷檢測(cè)的非接觸式成像技術(shù)，根據(jù)硅材料的電致發(fā)光原理進(jìn)行檢測(cè)。給晶體硅電池組件加上正向偏壓，組件會(huì)發(fā)出一定波長(zhǎng)的光，電荷耦合器件圖像傳感器（CCD）可以捕捉到這個(gè)波長(zhǎng)范圍的光并在電腦上成像。但電池組件存在缺陷會(huì)減弱其發(fā)光強(qiáng)度，所以可以根據(jù)EL圖像中電池發(fā)光強(qiáng)度的不同來判斷電池組件是否存在缺陷。

    在以往的研究中，2012年TSIA D M等^[2]提出了利用獨(dú)立分量分析(ICA)基圖像識(shí)別缺陷的監(jiān)督學(xué)習(xí)方法，該方法在80個(gè)太陽電池單元的測(cè)試樣本上平均識(shí)別率為93.4%。2014年ANWAR S A和ABDULLAH M Z提出了檢測(cè)多晶電池微裂紋的算法^[3]，即基于各向異性擴(kuò)散和形狀分類的圖像分割方法，在600張圖像上檢測(cè)微裂紋的精度上達(dá)到88%。深度學(xué)習(xí)特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在圖像識(shí)別^[4]和檢測(cè)上備受重視。2018年DEITSCH S等提出自動(dòng)檢測(cè)單一光伏電池EL圖像缺陷的方法^[5]，分別用支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)，平均準(zhǔn)確率分別達(dá)到了82.44%和88.42%。另外，隨著深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)趨于更深，增加了訓(xùn)練及實(shí)際應(yīng)用的時(shí)間，因此，對(duì)網(wǎng)絡(luò)模型的壓縮的研究顯得尤為重要^[6]。

    本文針對(duì)傳統(tǒng)缺陷識(shí)別算法的不足，通過深度學(xué)習(xí)算法對(duì)EL圖像進(jìn)行分類，進(jìn)而識(shí)別出有缺陷和沒有缺陷的電池片。經(jīng)過實(shí)驗(yàn)證明，改進(jìn)的VGG16^[7]網(wǎng)絡(luò)具有很好的準(zhǔn)確率，并且大幅降低了神經(jīng)網(wǎng)絡(luò)由于層數(shù)過多而帶來的大量運(yùn)算，縮減后的模型有更大的實(shí)用性。

1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

    實(shí)驗(yàn)數(shù)據(jù)來自于BUERHOP-LUTZ C等人公開的數(shù)據(jù)集^[8]，該數(shù)據(jù)集提供了從光伏組件的高分辨率電致發(fā)光圖像中提取的太陽能電池圖像。圖片來自于44個(gè)不同的PV模塊，其中18個(gè)模塊為單晶型，26個(gè)為多晶型。圖片可以拆分為2 624個(gè)300×300像素的電池單元的EL圖像。這些圖像包含了常見的內(nèi)外缺陷，如黑心片、黑斑片、短路黑片、過焊片、斷柵片、明暗片、隱裂等類型，如圖1所示，出現(xiàn)的這些缺陷會(huì)對(duì)太陽電池組件的轉(zhuǎn)換效率和使用壽命造成嚴(yán)重影響。

    原數(shù)據(jù)集中將單晶和多晶的電池單元進(jìn)行注釋，并且按照缺陷的概率對(duì)每張圖片進(jìn)行標(biāo)注，統(tǒng)計(jì)樣本的總數(shù)以及各類樣本分立情況，發(fā)現(xiàn)各類樣本數(shù)目相差較大，樣本分布的不平衡將導(dǎo)致訓(xùn)練后模型對(duì)各類別識(shí)別出現(xiàn)偏差。為了減少分布不平衡的差異，本文首先將概率為0%和33.33%的圖片作為無缺陷的正樣本，66.67%和100%的圖片作為有缺陷的負(fù)樣本，因此得到的樣本分布如圖2所示。

    本文所使用的神經(jīng)網(wǎng)絡(luò)模型需要224 pixel×224 pixel大小的輸入圖像，由于給定數(shù)據(jù)集EL圖像大小都是300 pixel×300 pixel，在輸入前需要對(duì)通過壓縮來得到符合大小的圖片。對(duì)于樣本分布不平衡問題，本文使用了數(shù)據(jù)增強(qiáng)方法。采用的第一種數(shù)據(jù)增強(qiáng)方法是隨機(jī)水平和垂直翻轉(zhuǎn)圖像；第二種方法是對(duì)原始圖像隨機(jī)旋轉(zhuǎn)一定角度（不超過2°），旋轉(zhuǎn)所使用的插值方法為雙三次插值；第三種方法是調(diào)整圖像的亮度和對(duì)比度，因?yàn)楣庹諒?qiáng)度的變化會(huì)對(duì)成像結(jié)果造成很大影響。在預(yù)處理階段還對(duì)輸入圖片進(jìn)行了去噪處理。

2 基于VGGNet的缺陷識(shí)別分類網(wǎng)絡(luò)

    神經(jīng)網(wǎng)絡(luò)在20世紀(jì)就已經(jīng)被發(fā)現(xiàn)，經(jīng)過十多年的發(fā)展，研究人員提出了各種不同的網(wǎng)絡(luò)結(jié)構(gòu)，從AlexNet到VGGNet、GoogLeNet和ResNet，隨著網(wǎng)絡(luò)深度和寬度的增加以及不同功能層的引入，其在圖像識(shí)別的準(zhǔn)確率不斷提高。一方面，當(dāng)增加網(wǎng)絡(luò)層數(shù)后，網(wǎng)絡(luò)可以進(jìn)行更加復(fù)雜的特征提取，理論上可以取得更好的結(jié)果。但隨著網(wǎng)絡(luò)深度的增加，會(huì)出現(xiàn)退化的問題，由于深層網(wǎng)絡(luò)存在著梯度消失或者爆炸的問題，深度學(xué)習(xí)模型很難訓(xùn)練。因此，設(shè)計(jì)一個(gè)實(shí)用的EL圖像缺陷識(shí)別分類網(wǎng)絡(luò)，需要結(jié)合理論分析和實(shí)驗(yàn)驗(yàn)證。

    卷積神經(jīng)網(wǎng)絡(luò)作為一種特殊的深層的神經(jīng)網(wǎng)絡(luò)模型，它的核心思想是將局部感知、權(quán)值共享以及下采樣結(jié)合起來，通過深度神經(jīng)網(wǎng)絡(luò)的逐層計(jì)算來學(xué)習(xí)圖像的像素特征、低級(jí)特征、高級(jí)特征直至類別的隱式表達(dá)關(guān)系。2014年SIMONYAN K等人提出VGG網(wǎng)絡(luò)，探索了CNN的深度與其性能之間的關(guān)系，成功地構(gòu)筑了16～19層深的神經(jīng)網(wǎng)絡(luò)，輸入為224×224×3的圖片，經(jīng)過卷積和池化的處理輸出圖像所屬類別的概率^[7]，在具有1 000多個(gè)類別一百多萬張圖片的ImageNet數(shù)據(jù)集上取得了當(dāng)時(shí)很好的效果。因此不少分類問題采用的卷積神經(jīng)網(wǎng)絡(luò)都以此為基礎(chǔ)。

    原始的VGG16網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，由5組卷積層、3層全連接層、softmax輸出層構(gòu)成，每組卷積層之間使用max-pooling（最大化池）分開，所有隱層的激活單元都采用ReLU函數(shù)做非線性變換，用以加快網(wǎng)絡(luò)收斂。圖中，3×3 conv，64等表示卷積核尺寸為3×3，通道數(shù)為64的卷積層；pool/2表示滑動(dòng)步長(zhǎng)為2的池化層(這里為最大池化)；fc 4096表示通道數(shù)為4096的全連接層；softmax表示softmax函數(shù)。對(duì)于每一組卷積操作，都包含多個(gè)特別小的3×3卷積核構(gòu)成的卷積層，采用小卷積核既可以減少參數(shù)，又增加了非線性映射，從而增強(qiáng)網(wǎng)絡(luò)的擬合效果?；瑒?dòng)步長(zhǎng)為1，采用邊界填充的方式，使得每個(gè)卷積層的輸入/輸出特征圖的像素不變。池化層采用2×2的池化核。每一組的通道數(shù)從64開始擴(kuò)大2倍，分別為64、128、256、512、512，使得更多的信息可以被提取出來。之后的3個(gè)全連接層通道數(shù)分別為4 096、4 096、1 000，最后通過softmax層得到圖片屬于每個(gè)類別的概率。在以下研究中，將最后的3層全連接層替換為卷積核為7×7和1×1的卷積層，通道數(shù)分別為4 096、4 096和2。

3 實(shí)驗(yàn)及其分析

3.1 網(wǎng)絡(luò)訓(xùn)練方法

    實(shí)驗(yàn)所用計(jì)算機(jī)內(nèi)存為8 GB，使用英偉達(dá)GTX 1060顯卡加速模型訓(xùn)練，顯存為6 GB。軟件環(huán)境為Ubuntu 16.04 LTS 64位系統(tǒng)，選用Python作為編程語言，采用TensorFlow深度學(xué)習(xí)開源框架，CUDA版本為9.0。

    實(shí)驗(yàn)選取圖片總數(shù)的80%進(jìn)行訓(xùn)練，20%用來測(cè)試，即訓(xùn)練集圖片數(shù)量為2 099，測(cè)試集數(shù)量為525。采用批量訓(xùn)練的方法，將訓(xùn)練集和測(cè)試集分成多個(gè)批次（batch），每個(gè)批次的大小為16或32，在對(duì)每一個(gè)batch訓(xùn)練完之后，對(duì)所有的測(cè)試集圖片進(jìn)行測(cè)試，迭代的次數(shù)記為steps。采用隨機(jī)梯度下降算法作為優(yōu)化器，學(xué)習(xí)率在訓(xùn)練中控制著參數(shù)的更新速度，這里使用指數(shù)衰減學(xué)習(xí)率，初始學(xué)習(xí)率為0.005，衰減速度為1 000，學(xué)習(xí)率衰減系數(shù)為0.9。訓(xùn)練得到的損失和準(zhǔn)確率如圖4所示。

    通過大量實(shí)驗(yàn)，發(fā)現(xiàn)CNN在缺陷識(shí)別上有不錯(cuò)的效果，為了進(jìn)一步提高分類的性能及減少訓(xùn)練所需的時(shí)間，下面將對(duì)不同的dropout概率和損失函數(shù)進(jìn)行討論，以期望得到更優(yōu)的模型。

3.2 不同損失函數(shù)下的識(shí)別準(zhǔn)確率

    損失函數(shù)用來估量模型的預(yù)測(cè)值與真實(shí)值的相差程度，這里比較了兩種常見的損失函數(shù)Hinge loss和Softmax loss。Hinge loss又稱為折頁損失函數(shù)，其函數(shù)表達(dá)式為：

其中，L為損失，t=[t₁，t₂，…，t_N]^T表示目標(biāo)值；y=[y₁，y₂，…，y_N]^T，表示預(yù)測(cè)值輸出；1≤j≤N，N為輸出節(jié)點(diǎn)的數(shù)量。

    這兩種損失函數(shù)隨著迭代次數(shù)變化的曲線如圖5所示。在訓(xùn)練的初始階段，Softmax loss要小于Hinge loss，但其下降的速度比較緩慢；訓(xùn)練200次以后Hinge loss迅速減小，說明模型收斂得更快，并且模型的魯棒性更好。從這里可以看出，在電致發(fā)光圖像缺陷識(shí)別的數(shù)據(jù)集上，二分類的Hinge loss具有更好的效果。

3.3 不同Dropout概率下的識(shí)別準(zhǔn)確率

    在數(shù)據(jù)集有限的情況下，通常使用dropout來緩解過擬合的發(fā)生，在一定程度上起到正則化的效果。它是指在標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)之上，使BP網(wǎng)絡(luò)的隱藏層激活值以一定的比例變?yōu)?，即按照一定的比例，隨機(jī)地讓一部分隱藏層節(jié)點(diǎn)失效。存在dropout的神經(jīng)網(wǎng)絡(luò)計(jì)算過程如下：

    圖6給出了在不同dropout概率時(shí)對(duì)缺陷識(shí)別的準(zhǔn)確率，從圖中可以看出，當(dāng)dropout概率在0.3時(shí)準(zhǔn)確率最高。在訓(xùn)練的過程中，概率越小，網(wǎng)絡(luò)的參數(shù)較多，對(duì)于訓(xùn)練集樣本不足夠大情況下，容易出現(xiàn)過擬合的現(xiàn)象；概率越小，由于所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)不足，并不能有效地?cái)M合訓(xùn)練數(shù)據(jù)，導(dǎo)致最終的識(shí)別準(zhǔn)確率下降，所以找到合適的概率對(duì)于模型的訓(xùn)練效果至關(guān)重要。

3.4 不同網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別效果分析

    基于VGG16的卷積神經(jīng)網(wǎng)絡(luò)雖然在現(xiàn)有數(shù)據(jù)集上取得了良好的限制，但訓(xùn)練時(shí)間過長(zhǎng)，通過對(duì)dropout概率的研究也表明網(wǎng)絡(luò)中存在著冗余參數(shù)，因此為了提高訓(xùn)練的速度，本文對(duì)網(wǎng)絡(luò)進(jìn)行縮減，計(jì)算不同網(wǎng)絡(luò)層數(shù)時(shí)的參數(shù)總量，記錄下訓(xùn)練時(shí)的時(shí)間以及在測(cè)試集上的準(zhǔn)確率，如表1所示。

    表1中，結(jié)構(gòu)1為完整的VGG16網(wǎng)絡(luò)；結(jié)構(gòu)2將每組卷積的卷積層個(gè)數(shù)減少為1、1、2、2、2，通道數(shù)不變；結(jié)構(gòu)3將每組卷積的卷積層個(gè)數(shù)改為2、2、4、4、4，通道數(shù)不變，用來作對(duì)比；結(jié)構(gòu)4將每組卷積的卷積層個(gè)數(shù)改為2、2、2、2、2，通道數(shù)不變；結(jié)構(gòu)5～6每組卷積的個(gè)數(shù)均為1，結(jié)構(gòu)4的通道數(shù)為64、128、256、512、512、4096、4096、2，結(jié)構(gòu)5的通道數(shù)為32、64、128、256、256、2048、2048、2，結(jié)構(gòu)6的通道數(shù)為16、32、64、128、128、1024、1024、2。

    從表1中可以看出網(wǎng)絡(luò)的參數(shù)主要集中在全連接層，在將全連接層的神經(jīng)元節(jié)點(diǎn)數(shù)目縮減之后，訓(xùn)練的時(shí)間大大縮減。卷積操作承擔(dān)著圖像特征提取的任務(wù)，卷積層數(shù)量的縮減雖然會(huì)稍微降低識(shí)別的結(jié)果，但是能大大加速模型的訓(xùn)練速度，這對(duì)于工業(yè)上的電致發(fā)光圖像缺陷識(shí)別有重要意義。

4 結(jié)論

    本文提出將卷積神經(jīng)網(wǎng)絡(luò)用于太陽電池單元電致發(fā)光圖像缺陷識(shí)別，它能夠很好地提取電池片的缺陷，進(jìn)行正確的分類。在2 624張樣本上，用全卷積VGG16網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過大量的參數(shù)調(diào)節(jié)，識(shí)別的準(zhǔn)確率達(dá)到93.95%。在此基礎(chǔ)上本文研究了模型壓縮后的訓(xùn)練速率以及識(shí)別準(zhǔn)確率，得出在減少網(wǎng)絡(luò)層數(shù)之后，模型的訓(xùn)練速率大大加快，并且不會(huì)使準(zhǔn)確率明顯下降。下一步的研究中，將在簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，提高模型性能和識(shí)別準(zhǔn)確率，以便用于實(shí)際的電池片缺陷識(shí)別當(dāng)中。

參考文獻(xiàn)

[1] 施光輝，崔亞楠，劉小嬌，等.電致發(fā)光(EL)在光伏電池組件缺陷檢測(cè)中的應(yīng)用[J].云南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，36(2)：17-21.

[2] TSAI D M，WU S C，LI W C.Defect detection of solar cells in electroluminescence images using Fourier image reconstruction [J].Solar Energy Materials and Solar Cells，2012，99(none)：250-262.

[3] ANWAR S A，ABDULLAH M Z.Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique[J].Eurasip Journal on Image & Video Processing，2014，2014(1)：1-17.

[4] 許少尉，陳思宇.基于深度學(xué)習(xí)的圖像分類方法[J].電子技術(shù)應(yīng)用，2018，44(6)：116-119.

[5] DEITSCH S，CHRISTLEIN V，BERGER S，et al.Automatic classification of defective photovoltaic module cells in electroluminescence images[J].arXiv preprint arXiv：1807.02894，2018.

[6] 馬治楠，韓云杰，彭琳鈺，等.基于深層卷積神經(jīng)網(wǎng)絡(luò)的剪枝優(yōu)化[J].電子技術(shù)應(yīng)用，2018，44(12)：119-122，126.

[7] SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition[J].arXiv preprint arXiv：1409.1556，2014.

[8] BUERHOP-LUTZ C，DEITSCH S，MAIER A F，et al.A benchmark for visual identification of defective solar cells in electroluminescence imagery[C].35th European PV Solar Energy Conference and Exhibition，2018.

作者信息:

周建凱，許盛之，趙二剛，俞  梅，張建軍

（南開大學(xué) 電子科學(xué)與工程系 光電子薄膜器件與技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室，天津300350）