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)時對電池片的多次加工也可能導致電池片的損壞,，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械損傷，都會影響組件的轉(zhuǎn)化效率和使用壽命,。在實際應用中,，更會對光伏發(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顯得尤為重要,。

    目前電池組件缺陷檢測的技術(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)光原理進行檢測,。給晶體硅電池組件加上正向偏壓，組件會發(fā)出一定波長的光,，電荷耦合器件圖像傳感器（CCD）可以捕捉到這個波長范圍的光并在電腦上成像,。但電池組件存在缺陷會減弱其發(fā)光強度，所以可以根據(jù)EL圖像中電池發(fā)光強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]提出了利用獨立分量分析(ICA)基圖像識別缺陷的監(jiān)督學習方法，該方法在80個太陽電池單元的測試樣本上平均識別率為93.4%,。2014年ANWAR S A和ABDULLAH M Z提出了檢測多晶電池微裂紋的算法^[3],，即基于各向異性擴散和形狀分類的圖像分割方法，在600張圖像上檢測微裂紋的精度上達到88%,。深度學習特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,，CNN）在圖像識別^[4]和檢測上備受重視。2018年DEITSCH S等提出自動檢測單一光伏電池EL圖像缺陷的方法^[5],，分別用支持向量機和卷積神經(jīng)網(wǎng)絡(luò)進行訓練及預測,，平均準確率分別達到了82.44%和88.42%。另外,，隨著深度學習的網(wǎng)絡(luò)結(jié)構(gòu)趨于更深,，增加了訓練及實際應用的時間，因此,，對網(wǎng)絡(luò)模型的壓縮的研究顯得尤為重要^[6],。

    本文針對傳統(tǒng)缺陷識別算法的不足,，通過深度學習算法對EL圖像進行分類，進而識別出有缺陷和沒有缺陷的電池片,。經(jīng)過實驗證明,，改進的VGG16^[7]網(wǎng)絡(luò)具有很好的準確率，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算,，縮減后的模型有更大的實用性,。

1 實驗數(shù)據(jù)及預處理

    實驗數(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個不同的PV模塊,，其中18個模塊為單晶型，26個為多晶型,。圖片可以拆分為2 624個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)的這些缺陷會對太陽電池組件的轉(zhuǎn)換效率和使用壽命造成嚴重影響。

    原數(shù)據(jù)集中將單晶和多晶的電池單元進行注釋,，并且按照缺陷的概率對每張圖片進行標注,，統(tǒng)計樣本的總數(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致訓練后模型對各類別識別出現(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，在輸入前需要對通過壓縮來得到符合大小的圖片,。對于樣本分布不平衡問題,，本文使用了數(shù)據(jù)增強方法。采用的第一種數(shù)據(jù)增強方法是隨機水平和垂直翻轉(zhuǎn)圖像,；第二種方法是對原始圖像隨機旋轉(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)整圖像的亮度和對比度，因為光照強度的變化會對成像結(jié)果造成很大影響,。在預處理階段還對輸入圖片進行了去噪處理,。

2 基于VGGNet的缺陷識別分類網(wǎng)絡(luò)

    神經(jīng)網(wǎng)絡(luò)在20世紀就已經(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,，其在圖像識別的準確率不斷提高。一方面,，當增加網(wǎng)絡(luò)層數(shù)后,，網(wǎng)絡(luò)可以進行更加復雜的特征提取，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,，深度學習模型很難訓練,。因此，設(shè)計一個實用的EL圖像缺陷識別分類網(wǎng)絡(luò),，需要結(jié)合理論分析和實驗驗證,。

    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)的逐層計算來學習圖像的像素特征、低級特征,、高級特征直至類別的隱式表達關(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多個類別一百多萬張圖片的ImageNet數(shù)據(jù)集上取得了當時很好的效果,。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表示滑動步長為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),。對于每一組卷積操作,，都包含多個特別小的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,，從而增強網(wǎng)絡(luò)的擬合效果?；瑒硬介L為1,，采用邊界填充的方式，使得每個卷積層的輸入/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 實驗及其分析

3.1 網(wǎng)絡(luò)訓練方法

    實驗所用計算機內(nèi)存為8 GB，使用英偉達GTX 1060顯卡加速模型訓練,，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深度學習開源框架,，CUDA版本為9.0。

    實驗選取圖片總數(shù)的80%進行訓練,，20%用來測試,，即訓練集圖片數(shù)量為2 099，測試集數(shù)量為525,。采用批量訓練的方法,，將訓練集和測試集分成多個批次（batch），每個批次的大小為16或32,，在對每一個batch訓練完之后,，對所有的測試集圖片進行測試，迭代的次數(shù)記為steps,。采用隨機梯度下降算法作為優(yōu)化器,，學習率在訓練中控制著參數(shù)的更新速度，這里使用指數(shù)衰減學習率,，初始學習率為0.005,，衰減速度為1 000，學習率衰減系數(shù)為0.9,。訓練得到的損失和準確率如圖4所示,。

    通過大量實驗，發(fā)現(xiàn)CNN在缺陷識別上有不錯的效果,，為了進一步提高分類的性能及減少訓練所需的時間,，下面將對不同的dropout概率和損失函數(shù)進行討論，以期望得到更優(yōu)的模型,。

3.2 不同損失函數(shù)下的識別準確率

    損失函數(shù)用來估量模型的預測值與真實值的相差程度,，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)表達式為：

其中,，L為損失，t=[t₁,，t₂,，…，t_N]^T表示目標值,；y=[y₁,，y₂，…,，y_N]^T,，表示預測值輸出；1≤j≤N，N為輸出節(jié)點的數(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概率下的識別準確率

    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,。它是指在標準的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,，隨機地讓一部分隱藏層節(jié)點失效。存在dropout的神經(jīng)網(wǎng)絡(luò)計算過程如下：

    圖6給出了在不同dropout概率時對缺陷識別的準確率,，從圖中可以看出,，當dropout概率在0.3時準確率最高。在訓練的過程中,，概率越小,，網(wǎng)絡(luò)的參數(shù)較多，對于訓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，由于所訓練的神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)不足,，并不能有效地擬合訓練數(shù)據(jù),，導致最終的識別準確率下降，所以找到合適的概率對于模型的訓練效果至關(guān)重要,。

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

    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,，但訓練時間過長，通過對dropout概率的研究也表明網(wǎng)絡(luò)中存在著冗余參數(shù),，因此為了提高訓練的速度,，本文對網(wǎng)絡(luò)進行縮減，計算不同網(wǎng)絡(luò)層數(shù)時的參數(shù)總量,，記錄下訓練時的時間以及在測試集上的準確率,，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數(shù)改為2、2,、4,、4、4,，通道數(shù)不變,，用來作對比；結(jié)構(gòu)4將每組卷積的卷積層個數(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)點數(shù)目縮減之后,，訓練的時間大大縮減。卷積操作承擔著圖像特征提取的任務(wù),，卷積層數(shù)量的縮減雖然會稍微降低識別的結(jié)果,，但是能大大加速模型的訓練速度，這對于工業(yè)上的電致發(fā)光圖像缺陷識別有重要意義,。

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)光圖像缺陷識別,，它能夠很好地提取電池片的缺陷，進行正確的分類,。在2 624張樣本上,，用全卷積VGG16網(wǎng)絡(luò)進行訓練，經(jīng)過大量的參數(shù)調(diào)節(jié),，識別的準確率達到93.95%,。在此基礎(chǔ)上本文研究了模型壓縮后的訓練速率以及識別準確率，得出在減少網(wǎng)絡(luò)層數(shù)之后,，模型的訓練速率大大加快,，并且不會使準確率明顯下降。下一步的研究中,，將在簡化網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上,，提高模型性能和識別準確率，以便用于實際的電池片缺陷識別當中,。

參考文獻

[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中的應用[J].云南師范大學學報(自然科學版),，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.基于深度學習的圖像分類方法[J].電子技術(shù)應用,，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 電子科學與工程系 光電子薄膜器件與技術(shù)天津市重點實驗室,，天津300350）