基于深度置信網(wǎng)絡(luò)的太陽(yáng)能光伏面板缺陷檢測(cè)方法

劉忠德，陳智云，周俊杰，楊祖球，石浩然

(國(guó)家電投江西電力有限公司，江西 南昌 330096)

太陽(yáng)能光伏面板是將太陽(yáng)能轉(zhuǎn)化為電能的光伏發(fā)電組件的核心組成部件，其質(zhì)量的好壞直接影響發(fā)電效率和發(fā)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(shí)發(fā)現(xiàn)并解決將會(huì)產(chǎn)生一連串的影響，甚至造成電路板短路，產(chǎn)生安全隱患，亦或發(fā)生安全事故[1]。傳統(tǒng)的太陽(yáng)能光伏面板缺陷檢測(cè)主要采用人工目視檢測(cè)，存在檢測(cè)質(zhì)量和檢測(cè)效率低的不足，同時(shí)檢測(cè)成本高并且檢測(cè)重復(fù)性差[2]。隨著圖像分析技術(shù)和機(jī)器視覺(jué)技術(shù)等研究的逐漸深入和完善，運(yùn)用機(jī)器視覺(jué)技術(shù)進(jìn)行表面缺陷檢測(cè)越來(lái)越多。文獻(xiàn)[3]將傅里葉重構(gòu)技術(shù)應(yīng)用于太陽(yáng)能電池片缺陷檢測(cè)，運(yùn)用深度學(xué)習(xí)對(duì)裂痕、刮擦和缺角等表面缺陷進(jìn)行檢測(cè)，研究結(jié)果表明，與魯棒主成分分析相比，基于深度學(xué)習(xí)的太陽(yáng)能電池片表面缺陷檢測(cè)對(duì)斷片的識(shí)別率達(dá)到78%，對(duì)缺角和隱裂的識(shí)別率達(dá)到了89%，但識(shí)別算法的過(guò)程較為復(fù)雜，運(yùn)行較為耗時(shí)，誤檢率較高。

本文借鑒前人經(jīng)驗(yàn)，結(jié)合近年來(lái)廣泛應(yīng)用于圖像識(shí)別技術(shù)的深度學(xué)習(xí)算法-深度置信網(wǎng)絡(luò)(deep belief Network，DBN)，通過(guò)對(duì)缺陷樣本進(jìn)行學(xué)習(xí)、訓(xùn)練，引入圖像紋理特征及顏色特征提升算法的缺陷識(shí)別率，并采用粒子群優(yōu)化算法對(duì)深度置信網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，不但可以有效提高缺陷的識(shí)別精度，而且可以降低算法的復(fù)雜性，減少運(yùn)行時(shí)間。

1 深度置信網(wǎng)絡(luò)

DBN是由一系列受限玻爾茲曼機(jī)(restricted Boltzmann machine，RBM)堆疊而成的概率型深度學(xué)習(xí)網(wǎng)絡(luò)[4]，其結(jié)構(gòu)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(jìn)行網(wǎng)絡(luò)微調(diào)。本文中RBM共3層。網(wǎng)絡(luò)結(jié)構(gòu)的顯層與隱層的作用分別是輸入數(shù)據(jù)和特征收集[5-6]。

圖1 DBN網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)給定DBN(v,h)的狀態(tài)，對(duì)于DBN網(wǎng)絡(luò)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(shù)E(v,h|θ)如式(1)所示：

(1)

式中：θ={w,a,b}，為待求參數(shù)，其中a和b分別為顯層和隱層偏置，w為顯層和隱層間的連接權(quán)值;m,n分別為顯層和隱層的神經(jīng)元數(shù)。

當(dāng)訓(xùn)練樣本數(shù)為K時(shí)，通過(guò)求解對(duì)數(shù)似然函數(shù)最大化問(wèn)題可以確定參數(shù)θ，對(duì)數(shù)似然函數(shù)L(θ)最大化問(wèn)題的目標(biāo)函數(shù)如式(2)所示：

(2)

式中：maxL(θ)由隨機(jī)梯度法求?。籶為顯層概率分布；k為訓(xùn)練樣本。

當(dāng)θ及其他參數(shù)確定后，根據(jù)能量函數(shù)可計(jì)算出顯、隱層每一種狀態(tài)(v,h)的聯(lián)合概率分布[5]：

(3)

當(dāng)顯層v狀態(tài)確定后，隱層單元激活概率p(hj=1|v,θ)為：

(4)

當(dāng)隱層h狀態(tài)確定后，顯層單元激活概率p(vi=1|h,θ)為：

(5)

通過(guò)Gibbs采樣重復(fù)，可以得到RBM參數(shù)的更新規(guī)則如式(6)所示：

Δwij=ε(〈vihj〉data-〈vihj〉recon)

Δai=ε(〈vi〉data-〈vi〉recon)

Δbj=ε(〈hj〉data-〈hj〉recon)

(6)

式中：ε為RBM學(xué)習(xí)速率；〈·〉data和〈·〉recon分別為輸入數(shù)據(jù)和重構(gòu)數(shù)據(jù)的數(shù)學(xué)期望。

2 紋理特征和顏色特征

本文將紋理特征和顏色特征應(yīng)用于DBN網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，將紋理特征和顏色特征向量構(gòu)成的特征矩陣作為DBN網(wǎng)絡(luò)的輸入，太陽(yáng)能光伏面板缺陷作為DBN的輸出，建立基于DBN網(wǎng)絡(luò)的太陽(yáng)能光伏面板缺陷識(shí)別模型，以提高太陽(yáng)能光伏面板缺陷識(shí)別精度。

對(duì)有缺陷的圖片進(jìn)行分色域處理，提取每一個(gè)色彩分量的紋理特征。首先應(yīng)用卡方變換對(duì)圖像進(jìn)行多尺度分解，然后對(duì)每個(gè)分解后的圖像求其灰度共生矩陣特征參數(shù)，并將3個(gè)色彩分量的特征向量進(jìn)行融合，最后對(duì)得到的特征向量矩陣進(jìn)行主成分分析降維。將降維之后的特征向量作為訓(xùn)練樣本對(duì)光伏面板缺陷圖片進(jìn)行分類(lèi)識(shí)別。

2.1 紋理特征

本文運(yùn)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(shù)字化定義像元灰度區(qū)間R的Q個(gè)像素對(duì)的集合，則共生矩陣P如公式(7)所示：

P(l1,l2)={∑{[(x1,y1,),(x2,y2)]∈Q|f(x1,y1)=l1&f(x2,y2)=l2}}/{∑[(x1,y1),(x2,y2)]∈Q}

(7)

式中：x1,x2,y1,y2分別為灰度值為l1,l2的像素點(diǎn)位置坐標(biāo)。式(7)的分子為灰度值為l1,l2的像素對(duì)的個(gè)數(shù)，分母為像素對(duì)總和。

對(duì)于R共生矩陣P定義的圖像用如下幾個(gè)紋理特征[7-8]——能量、熵、對(duì)比度和局部均勻性來(lái)描述光伏面板的灰度矩陣的紋理特征，計(jì)算方法如下：

1)能量Lr。

(8)

2)熵Le。

(9)

3)對(duì)比度Ld。

(10)

4)局部均勻性Lj。

(11)

2.2 顏色特征

為減小運(yùn)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(lái)表示光伏面板缺陷圖像的顏色特征[9-10]，具體如下：

(12)

(13)

(14)

式中：μi為不同顏色分量的一階矩(均值)；σi為不同顏色分量的二階矩(方差);ξ為不同顏色分量的三階矩(斜度)；fij為像素j的顏色值為i的概率；N為像素點(diǎn)的個(gè)數(shù)。

3 基于紋理特征和顏色特征的DBN缺陷識(shí)別

3.1 DBN網(wǎng)絡(luò)初始化

本文將紋理特征和顏色特征應(yīng)用于DBN網(wǎng)絡(luò)的訓(xùn)練過(guò)程，通過(guò)特征向量建立特征矩陣，進(jìn)行圖片缺陷的識(shí)別，提升學(xué)習(xí)速度和針對(duì)性。

首先進(jìn)行DBN網(wǎng)絡(luò)初始化，完成每一層的 RBM 訓(xùn)練，包括前向堆疊RBM學(xué)習(xí)環(huán)節(jié)和DBN后向參數(shù)調(diào)整學(xué)習(xí)環(huán)節(jié)兩個(gè)階段。前向堆疊RBM學(xué)習(xí)主要為無(wú)監(jiān)督學(xué)習(xí)模型確定參數(shù)并生成初始值，核心在于生成第二階段有監(jiān)督學(xué)習(xí)輸入數(shù)據(jù)的先期經(jīng)驗(yàn)值。然后從DBN的最終層反向結(jié)合第一階段的已知先驗(yàn)標(biāo)簽調(diào)整模型參數(shù)，進(jìn)一步完成模型優(yōu)化，在此過(guò)程中考慮到RBM的概率分布盡量保持與訓(xùn)練樣本一致，本文在第一階段采用最大限對(duì)數(shù)的似然函數(shù)估計(jì)法微調(diào)參數(shù)，在第二階段有監(jiān)督學(xué)習(xí)階段使用自適應(yīng)時(shí)刻估計(jì)法，通過(guò)最大限對(duì)數(shù)的似然函數(shù)估計(jì)法和自適應(yīng)時(shí)刻估計(jì)法得到DBN網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)鍵參數(shù)值θ。

具體求導(dǎo)如式(15)、(16)所示：

lgZ(θ)]

(15)

(16)

式中：P(vi|θ)為顯層概率分布；f(vi|θ)為顯層能量函數(shù)。

為解決算法在訓(xùn)練過(guò)程中收斂速度過(guò)快及容易陷入局部最小收斂值的情況，本文引入了自適應(yīng)時(shí)刻估計(jì)法對(duì)θ進(jìn)行優(yōu)化，使用梯度一、二階估計(jì)矩陣對(duì)DBN算法中的參數(shù)進(jìn)行調(diào)整并自動(dòng)學(xué)習(xí)，在此過(guò)程中通過(guò)偏置矯正將迭代訓(xùn)練學(xué)習(xí)過(guò)程限定在指定的范圍內(nèi)，從而避免了算法的不穩(wěn)定及陷入局部最小值問(wèn)題。

3.2 改進(jìn)DBN缺陷檢測(cè)算法流程

初始化完成DBN缺陷檢測(cè)算法后，按如下步驟進(jìn)行缺陷識(shí)別：

1)統(tǒng)一輸入圖像的尺寸并進(jìn)行歸一化處理，圖像尺寸為64像素×64像素，提取太陽(yáng)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(wǎng)絡(luò)，自下而上抽取特征向量中的深層信息，并按照式(6)更新學(xué)習(xí)率，初步確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)θ={w,a,b}，之后運(yùn)用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation，BP)算法微調(diào)和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)；

3)逐層建立DBN網(wǎng)絡(luò)之后，運(yùn)用Softmax分類(lèi)器對(duì)太陽(yáng)能光伏面板圖像進(jìn)行分類(lèi)，也就是進(jìn)行缺陷識(shí)別。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 數(shù)據(jù)來(lái)源

為了驗(yàn)證用本文算法進(jìn)行太陽(yáng)能光伏面板缺陷檢測(cè)的有效性，以缺角、顏色不均勻、斑點(diǎn)、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(jiàn)表1。

圖2 面板缺陷圖

表1 不同面板缺陷樣本

4.2 結(jié)果分析

為了驗(yàn)證太陽(yáng)能光伏面板缺陷檢測(cè)的效果，對(duì)60張不同類(lèi)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(shù)的傅里葉重構(gòu)太陽(yáng)能光伏面板缺陷檢測(cè)法進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)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(cè)類(lèi)別和實(shí)際類(lèi)別，縱坐標(biāo)1,2,3,4,5分別表示面板缺陷為缺角、顏色不均勻、斑點(diǎn)、指紋和未著色。當(dāng)“*”和“○”重合時(shí)，面板缺陷的檢測(cè)結(jié)果和實(shí)際一致，面板缺陷檢測(cè)結(jié)果正確；反之，面板缺陷檢測(cè)結(jié)果錯(cuò)誤。

表2 面板缺陷檢測(cè)結(jié)果

由表2和圖3、圖4可知，本文算法相較于基于紅外線檢測(cè)的傅里葉重構(gòu)技術(shù)的太陽(yáng)能光伏面板缺陷檢測(cè)法具有更高的識(shí)別準(zhǔn)確率，為太陽(yáng)能光伏面板缺陷檢測(cè)提供了新的方法。

圖3 本文算法檢測(cè)結(jié)果

圖4 對(duì)照組算法檢測(cè)結(jié)果

5 結(jié)束語(yǔ)

為提高太陽(yáng)能光伏面板缺陷檢測(cè)的準(zhǔn)確率，彌補(bǔ)傳統(tǒng)人工檢測(cè)方式存在的不足，本文引入深度置信學(xué)習(xí)網(wǎng)絡(luò)，使用深度置信網(wǎng)絡(luò)對(duì)缺陷樣本進(jìn)行學(xué)習(xí)、訓(xùn)練，引入圖像紋理特征及顏色特征改進(jìn)缺陷識(shí)別過(guò)程，并采用最大似然法和自適應(yīng)時(shí)刻估計(jì)法對(duì)深度置信網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，在提高缺陷識(shí)別率的同時(shí)，降低了算法的復(fù)雜性，減少了運(yùn)行耗時(shí)。與其他算法相比，本文提出的算法具有更高的識(shí)別準(zhǔn)確率，為太陽(yáng)能光伏面板缺陷檢測(cè)提供了新的方法。然而，太陽(yáng)能光伏面板缺陷的種類(lèi)較多，本文只對(duì)其中5種缺陷進(jìn)行了檢測(cè)，后續(xù)研究中將對(duì)更多的面板缺陷進(jìn)行檢測(cè)與識(shí)別，以提高模型的廣適性。