基于深度置信网络的太阳能光伏面板缺陷检测方法

《基于深度置信网络的太阳能光伏面板缺陷检测方法》论文发表期刊：《机械设计与制造工程》；发表周期：2021年05期

《基于深度置信网络的太阳能光伏面板缺陷检测方法》论文作者信息：刘忠德(1964—)，男，教授级高工，硕士，主要研究方向为电力系统及自动化．

　　摘要：针对传统太阳能光伏面板缺陷检测方法存在检测效率低以及准确率低的问题，提出一种融合纹理特征和颜色特征的太阳能光伏面板缺陷深度学习检测模型，使用深度置信网络模型对缺陷样本进行学习、训练，引入图像纹理特征及颜色特征改进缺陷识别过程，并采用最大似然法和自适应时刻估计法对深度置信网络的参数进行优化。实验结果表明，用所提算法进行太阳能光伏面板缺陷检测的识别准确率高达99.42%，比傅里叶重构技术提高了3.15%，有效提高了面板缺陷检测的准确率，为太阳能光伏面板缺陷检测提供了新的方法。

　　关键词：深度置信网络;颜色特征;纹理特征;缺陷检测;光伏面板

　　太阳能光伏面板是将太阳能转化为电能的光伏发电组件的核心组成部件，其质量的好坏直接影响发电效率和发电安全。光伏面板表面缺陷具有隐蔽性，极容易漏检，若不及时发现并解决将会产生一连串的影响，甚至造成电路板短路，产生安全隐患，亦或发生安全事故"。传统的太阳能光伏面板缺陷检测主要采用人工目视检测，存在检测质量和检测效率低的不足，同时检测成本高并且检测重复性差囚。随着图像分析技术和机器视觉技术等研究的逐渐深入和完善，运用机器视觉技术进行表面缺陷检测越来越多。文献[3]将傅里叶重构技术应用于太阳能电池片缺陷检测，运用深度学习对裂痕、刮擦和缺角等表面缺陷进行检测，研究结果表明，与鲁棒主成分分析相比，基于深度学习的太阳能电池片表面缺陷检测对断片的识别率达到78%，对缺角和隐裂的识别率达到了89%，但识别算法的过程较为复杂，运行较为耗时，误检率较高。

　　本文借鉴前人经验，结合近年来广泛应用于图像识别技术的深度学习算法-深度置信网络(deepbeliefNetwork，DBN)，通过对缺陷样本进行学习、训练，引入图像纹理特征及颜色特征提升算法的缺陷识别率，并采用粒子群优化算法对深度置信网络的参数进行优化，不但可以有效提高缺陷的识别精度，而且可以降低算法的复杂性，减少运行时间。

　　1深度置信网络

　　DBN是由一系列受限玻尔兹曼机(restrictedBoltzmannmachine，RBM)堆叠而成的概率型深度学习网络[4]，其结构如图1所示，首先用显层v1与隐层h1堆叠成RBM1，然后再用显层v2与隐层h2堆叠成RBM2，同理依次堆叠成RBMn，最后一层为BP层，主要作用是进行网络微调。本文中RBM共3层。网络结构的显层与隐层的作用分别是输入数据和特征收集[5-6]。

　　假设给定DBN(v，h)的状态，对于DBN网络中所有的显层v和隐层h的二值变量i，j而言，其能量函数E(v，h|θ)如式(1)所示:

　　当训练样本数为K时，通过求解对数似然函数最大化问题可以确定参数θ，对数似然函数L(θ)最大化问题的目标函数如式(2)所示:

　　2纹理特征和颜色特征

　　本文将纹理特征和颜色特征应用于DBN网络的训练过程中，将纹理特征和颜色特征向量构成的特征矩阵作为DBN网络的输入，太阳能光伏面板缺陷作为DBN的输出，建立基于DBN网络的太阳能光伏面板缺陷识别模型，以提高太阳能光伏面板缺陷识别精度。

　　对有缺陷的图片进行分色域处理，提取每一个色彩分量的纹理特征。首先应用卡方变换对图像进行多尺度分解，然后对每个分解后的图像求其灰度共生矩阵特征参数，并将3个色彩分量的特征向量进行融合，最后对得到的特征向量矩阵进行主成分分析降维。将降维之后的特征向量作为训练样本对光伏面板缺陷图片进行分类识别。

　　2.1纹理特征

　　本文运用灰度共生矩阵法提取光伏面板缺陷图片纹理特征。选取光伏面板的灰度图像，使用数字化定义像元灰度区间R的Q个像素对的集合，则共生矩阵P如公式(7)所示:

　　2.2颜色特征

　　为减小运算量，本文选择不同颜色分量的一阶矩(均值)、二阶矩(方差)以及三阶矩(斜度)来表示光伏面板缺陷图像的颜色特征[9-10]，具体如下:

　　3基于纹理特征和颜色特征的DBN缺陷识别

　　3.1DBN网络初始化

　　本文将纹理特征和颜色特征应用于DBN网络的训练过程，通过特征向量建立特征矩阵，进行图片缺陷的识别，提升学习速度和针对性。

　　首先进行DBN网络初始化，完成每一层的RBM训练，包括前向堆叠RBM学习环节和DBN后向参数调整学习环节两个阶段。前向堆叠RBM学习主要为无监督学习模型确定参数并生成初始值，核心在于生成第二阶段有监督学习输入数据的先期经验值。然后从DBN的最终层反向结合第一阶段的已知先验标签调整模型参数，进一步完成模型优化，在此过程中考虑到RBM的概率分布尽量保持与训练样本一致，本文在第一阶段采用最大限对数的似然函数估计法微调参数，在第二阶段有监督学习阶段使用自适应时刻估计法，通过最大限对数的似然函数估计法和自适应时刻估计法得到DBN网络结构的关键参数值θ。

　　具体求导如式(15)、(16)所示:

　　为解决算法在训练过程中收敛速度过快及容易陷入局部最小收敛值的情况，本文引入了自适应时刻估计法对θ进行优化，使用梯度一、二阶估计矩阵对DBN算法中的参数进行调整并自动学习，在此过程中通过偏置矫正将迭代训练学习过程限定在指定的范围内，从而避免了算法的不稳定及陷入局部最小值问题。3.2改进DBN缺陷检测算法流程初始化完成DBN缺陷检测算法后，按如下步骤进行缺陷识别:1)统一输入图像的尺寸并进行归一化处理，图像尺寸为64像素×64像素，提取太阳能光伏面板图像纹理特征和颜色特征;2)将图像纹理特征和颜色特征输入DBN网络，自下而上抽取特征向量中的深层信息，并按照　　式(6)更新学习率，初步确定网络结构参数θ={w，a，b}，之后运用反向传播神经网络(backprop-agation，BP)算法微调和优化网络结构参数;3)逐层建立DBN网络之后，运用Softmax分类器对太阳能光伏面板图像进行分类，也就是进行缺陷识别。

　　4.2结果分析

　　为了验证太阳能光伏面板缺陷检测的效果，对60张不同类型光伏面板缺陷的图片分别采用本文算法与基于红外线成像技术的傅里叶重构太阳能光伏面板缺陷检测法进行对比实验，结果如表2和图3、图4所示，图中“*”和“○”分别表示面板缺陷的检测类别和实际类别，纵坐标1，2，3，4，5分别表示面板缺陷为缺角、颜色不均匀、斑点、指纹和未着色。当“*”和“○”重合时，面板缺陷的检测结果和实际一致，面板缺陷检测结果正确;反之，面板缺陷检测结果错误。4实验与结果分析

　　4.1数据来源

　　为了验证用本文算法进行太阳能光伏面板缺陷检测的有效性，以缺角、颜色不均匀、斑点、指纹和未着色5种缺陷为例，5种缺陷示意图如图2所示。不同缺陷样本分布见表1。

　　4.2结果分析

　　为了验证太阳能光伏面板缺陷检测的效果，对60张不同类型光伏面板缺陷的图片分别采用本文算法与基于红外线成像技术的傅里叶重构太阳能光伏面板缺陷检测法进行对比实验，结果如表2和图3、图4所示，图中“*”和"0”分别表示面板缺陷的检测类别和实际类别，纵坐标1，2，3，4，5分别表示面板缺陷为缺角、颜色不均匀、斑点、指纹和未着色。当“*”和"0"重合时，面板缺陷的检测结果和实际一致，面板缺陷检测结果正确：反之，面板缺陷检测结果错误。

　　由表2和图3、图4可知，本文算法相较于基于红外线检测的傅里叶重构技术的太阳能光伏面板缺陷检测法具有更高的识别准确率，为太阳能光伏面板缺陷检测提供了新的方法。

　　5结束语

　　为提高太阳能光伏面板缺陷检测的准确率，弥补传统人工检测方式存在的不足，本文引入深度置信学习网络，使用深度置信网络对缺陷样本进行学习、训练，引入图像纹理特征及颜色特征改进缺陷识别过程，并采用最大似然法和自适应时刻估计法对深度置信网络的参数进行优化，在提高缺陷识别率的同时，降低了算法的复杂性，减少了运行耗时。与其他算法相比，本文提出的算法具有更高的识别准确率，为太阳能光伏面板缺陷检测提供了新的方法。然而，太阳能光伏面板缺陷的种类较多，本文只对其中5种缺陷进行了检测，后续研究中将对更多的面板缺陷进行检测与识别，以提高模型的广适性。

　　Abstract: In order to solve the problems of low efficiency and low accuracy of traditional defect detection methods for solar cell photovoltaic panels, a deep leaming defect detection model based on texture feature and color fea-ture is proposed for photovoltaics, the depth confidence network model is used to study and train the defect samples, and the image texture feature and color feature are introduced to improve the defect recognition process, the parameters of the depth confidence network are optimized by using the maximum likelihood and adaptive time esimation. Compared with Fourier reconstruction technique, the accuracy of defect detection and identification of solar panel by the algorithm presented in this paper is 99.42% , which is 3. 15% higher than that by Fourier reonstruction technique, and the accuracy of defect detection is effectively improved, it provides a new method for Hefect detection of solar panel

　　Key words : deep belief network; color characteristics; texture feature; defect detection ; photovoltaic panel