《基于深度置信網絡的太陽能光伏面板缺陷檢測方法》論文發表期刊：《機械設計與制造工程》；發表周期：2021年05期

《基于深度置信網絡的太陽能光伏面板缺陷檢測方法》論文作者信息：劉忠德(1964—)，男，教授級高工，碩士，主要研究方向為電力系統及自動化．

　　摘要：針對傳統太陽能光伏面板缺陷檢測方法存在檢測效率低以及準確率低的問題，提出一種融合紋理特征和顏色特征的太陽能光伏面板缺陷深度學習檢測模型，使用深度置信網絡模型對缺陷樣本進行學習、訓練，引入圖像紋理特征及顏色特征改進缺陷識別過程，并采用最大似然法和自適應時刻估計法對深度置信網絡的參數進行優化。實驗結果表明，用所提算法進行太陽能光伏面板缺陷檢測的識別準確率高達99.42%，比傅里葉重構技術提高了3.15%，有效提高了面板缺陷檢測的準確率，為太陽能光伏面板缺陷檢測提供了新的方法。

　　關鍵詞：深度置信網絡;顏色特征;紋理特征;缺陷檢測;光伏面板

　　太陽能光伏面板是將太陽能轉化為電能的光伏發電組件的核心組成部件，其質量的好壞直接影響發電效率和發電安全。光伏面板表面缺陷具有隱蔽性，極容易漏檢，若不及時發現并解決將會產生一連串的影響，甚至造成電路板短路，產生安全隱患，亦或發生安全事故"。傳統的太陽能光伏面板缺陷檢測主要采用人工目視檢測，存在檢測質量和檢測效率低的不足，同時檢測成本高并且檢測重復性差囚。隨著圖像分析技術和機器視覺技術等研究的逐漸深入和完善，運用機器視覺技術進行表面缺陷檢測越來越多。文獻[3]將傅里葉重構技術應用于太陽能電池片缺陷檢測，運用深度學習對裂痕、刮擦和缺角等表面缺陷進行檢測，研究結果表明，與魯棒主成分分析相比，基于深度學習的太陽能電池片表面缺陷檢測對斷片的識別率達到78%，對缺角和隱裂的識別率達到了89%，但識別算法的過程較為復雜，運行較為耗時，誤檢率較高。

　　本文借鑒前人經驗，結合近年來廣泛應用于圖像識別技術的深度學習算法-深度置信網絡(deepbeliefNetwork，DBN)，通過對缺陷樣本進行學習、訓練，引入圖像紋理特征及顏色特征提升算法的缺陷識別率，并采用粒子群優化算法對深度置信網絡的參數進行優化，不但可以有效提高缺陷的識別精度，而且可以降低算法的復雜性，減少運行時間。

　　1深度置信網絡

　　DBN是由一系列受限玻爾茲曼機(restrictedBoltzmannmachine，RBM)堆疊而成的概率型深度學習網絡[4]，其結構如圖1所示，首先用顯層v1與隱層h1堆疊成RBM1，然后再用顯層v2與隱層h2堆疊成RBM2，同理依次堆疊成RBMn，最后一層為BP層，主要作用是進行網絡微調。本文中RBM共3層。網絡結構的顯層與隱層的作用分別是輸入數據和特征收集[5-6]。

　　假設給定DBN(v，h)的狀態，對于DBN網絡中所有的顯層v和隱層h的二值變量i，j而言，其能量函數E(v，h|θ)如式(1)所示:

　　當訓練樣本數為K時，通過求解對數似然函數最大化問題可以確定參數θ，對數似然函數L(θ)最大化問題的目標函數如式(2)所示:

　　2紋理特征和顏色特征

　　本文將紋理特征和顏色特征應用于DBN網絡的訓練過程中，將紋理特征和顏色特征向量構成的特征矩陣作為DBN網絡的輸入，太陽能光伏面板缺陷作為DBN的輸出，建立基于DBN網絡的太陽能光伏面板缺陷識別模型，以提高太陽能光伏面板缺陷識別精度。

　　對有缺陷的圖片進行分色域處理，提取每一個色彩分量的紋理特征。首先應用卡方變換對圖像進行多尺度分解，然后對每個分解后的圖像求其灰度共生矩陣特征參數，并將3個色彩分量的特征向量進行融合，最后對得到的特征向量矩陣進行主成分分析降維。將降維之后的特征向量作為訓練樣本對光伏面板缺陷圖片進行分類識別。

　　2.1紋理特征

　　本文運用灰度共生矩陣法提取光伏面板缺陷圖片紋理特征。選取光伏面板的灰度圖像，使用數字化定義像元灰度區間R的Q個像素對的集合，則共生矩陣P如公式(7)所示:

　　2.2顏色特征

　　為減小運算量，本文選擇不同顏色分量的一階矩(均值)、二階矩(方差)以及三階矩(斜度)來表示光伏面板缺陷圖像的顏色特征[9-10]，具體如下:

　　3基于紋理特征和顏色特征的DBN缺陷識別

　　3.1DBN網絡初始化

　　本文將紋理特征和顏色特征應用于DBN網絡的訓練過程，通過特征向量建立特征矩陣，進行圖片缺陷的識別，提升學習速度和針對性。

　　首先進行DBN網絡初始化，完成每一層的RBM訓練，包括前向堆疊RBM學習環節和DBN后向參數調整學習環節兩個階段。前向堆疊RBM學習主要為無監督學習模型確定參數并生成初始值，核心在于生成第二階段有監督學習輸入數據的先期經驗值。然后從DBN的最終層反向結合第一階段的已知先驗標簽調整模型參數，進一步完成模型優化，在此過程中考慮到RBM的概率分布盡量保持與訓練樣本一致，本文在第一階段采用最大限對數的似然函數估計法微調參數，在第二階段有監督學習階段使用自適應時刻估計法，通過最大限對數的似然函數估計法和自適應時刻估計法得到DBN網絡結構的關鍵參數值θ。

　　具體求導如式(15)、(16)所示:

　　為解決算法在訓練過程中收斂速度過快及容易陷入局部最小收斂值的情況，本文引入了自適應時刻估計法對θ進行優化，使用梯度一、二階估計矩陣對DBN算法中的參數進行調整并自動學習，在此過程中通過偏置矯正將迭代訓練學習過程限定在指定的范圍內，從而避免了算法的不穩定及陷入局部最小值問題。3.2改進DBN缺陷檢測算法流程初始化完成DBN缺陷檢測算法后，按如下步驟進行缺陷識別:1)統一輸入圖像的尺寸并進行歸一化處理，圖像尺寸為64像素×64像素，提取太陽能光伏面板圖像紋理特征和顏色特征;2)將圖像紋理特征和顏色特征輸入DBN網絡，自下而上抽取特征向量中的深層信息，并按照　　式(6)更新學習率，初步確定網絡結構參數θ={w，a，b}，之后運用反向傳播神經網絡(backprop-agation，BP)算法微調和優化網絡結構參數;3)逐層建立DBN網絡之后，運用Softmax分類器對太陽能光伏面板圖像進行分類，也就是進行缺陷識別。

　　4.2結果分析

　　為了驗證太陽能光伏面板缺陷檢測的效果，對60張不同類型光伏面板缺陷的圖片分別采用本文算法與基于紅外線成像技術的傅里葉重構太陽能光伏面板缺陷檢測法進行對比實驗，結果如表2和圖3、圖4所示，圖中“*”和“○”分別表示面板缺陷的檢測類別和實際類別，縱坐標1，2，3，4，5分別表示面板缺陷為缺角、顏色不均勻、斑點、指紋和未著色。當“*”和“○”重合時，面板缺陷的檢測結果和實際一致，面板缺陷檢測結果正確;反之，面板缺陷檢測結果錯誤。4實驗與結果分析

　　4.1數據來源

　　為了驗證用本文算法進行太陽能光伏面板缺陷檢測的有效性，以缺角、顏色不均勻、斑點、指紋和未著色5種缺陷為例，5種缺陷示意圖如圖2所示。不同缺陷樣本分布見表1。

　　4.2結果分析

　　為了驗證太陽能光伏面板缺陷檢測的效果，對60張不同類型光伏面板缺陷的圖片分別采用本文算法與基于紅外線成像技術的傅里葉重構太陽能光伏面板缺陷檢測法進行對比實驗，結果如表2和圖3、圖4所示，圖中“*”和"0”分別表示面板缺陷的檢測類別和實際類別，縱坐標1，2，3，4，5分別表示面板缺陷為缺角、顏色不均勻、斑點、指紋和未著色。當“*”和"0"重合時，面板缺陷的檢測結果和實際一致，面板缺陷檢測結果正確：反之，面板缺陷檢測結果錯誤。

　　由表2和圖3、圖4可知，本文算法相較于基于紅外線檢測的傅里葉重構技術的太陽能光伏面板缺陷檢測法具有更高的識別準確率，為太陽能光伏面板缺陷檢測提供了新的方法。

　　5結束語

　　為提高太陽能光伏面板缺陷檢測的準確率，彌補傳統人工檢測方式存在的不足，本文引入深度置信學習網絡，使用深度置信網絡對缺陷樣本進行學習、訓練，引入圖像紋理特征及顏色特征改進缺陷識別過程，并采用最大似然法和自適應時刻估計法對深度置信網絡的參數進行優化，在提高缺陷識別率的同時，降低了算法的復雜性，減少了運行耗時。與其他算法相比，本文提出的算法具有更高的識別準確率，為太陽能光伏面板缺陷檢測提供了新的方法。然而，太陽能光伏面板缺陷的種類較多，本文只對其中5種缺陷進行了檢測，后續研究中將對更多的面板缺陷進行檢測與識別，以提高模型的廣適性。

　　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