基于改进Alexnet模型的光伏电池片瑕疵分类方法*

沈凌云 张洁 孙甲云 刘镨文 韦淀 兰亚敏 唐春跃

技术应用

基于改进Alexnet模型的光伏电池片瑕疵分类方法*

沈凌云 张洁 孙甲云 刘镨文 韦淀 兰亚敏 唐春跃

（太原工业学院电子工程系，山西 太原 030008）

针对光伏电池片瑕疵与随机分布晶粒的电致发光图像暗特征高度相似而难以检测的问题，设计一种基于改进Alexnet模型的光伏电池片瑕疵分类方法。首先，对光伏电池片电致发光图像进行特征提取并标准化；然后，融合多层级特征进行分类；最后，融合多层级特征经激活函数映射得到瑕疵分类结果。模型训练时，损失函数选择交叉熵函数，通过梯度下降法反向传播，优化网络权重，直至达到模型分类的正确率要求；利用优化后的最佳模型对标准数据集进行测试分析。实验结果表明：融合多层级特征的改进Alexnet模型用于光伏电池电致发光图像检测分类的正确率达91.05%；模型预测时对标准300×300像素图像单元检测与分类处理时间小于10 ms，满足检测分类的稳定性、正确率与实时性等要求。

光伏电池；瑕疵分类；电致发光图像；深度学习；特征提取；交叉熵函数

0　引言

光伏组件利用光伏效应实现光能/电能的转换，是光伏发电的核心单元。光伏电池片是光伏组件的关键部件，其质量和可靠性对光伏组件光电转换效率、工作寿命和光伏电站投资回报率具有直接影响。然而光伏电池片硅晶结构脆弱，在制造、加工和安装环节可能产生多种单一或复合瑕疵，导致断栅或漏电，造成光伏电池性能下降或功能失效，降低发电效率。通过对光伏电池片瑕疵检测与分类可实现产品质量分级、改善生产线加工与装配精度。传统的CCD相机在可见光范围内很难捕捉到有效的隐裂等瑕疵信息，目前一般采用电致发光（electroluminescent, EL）成像检测方法[1]。EL成像利用电致发光波长为950 ～1 250 nm的近红外图像来凸显瑕疵，瑕疵区域与无瑕疵区域相比，具有相对显著的曲线和复杂几何结构的暗特征。目前，EL成像已成为光伏电池片检测与分类的重要技术。

光伏电池片EL图像因受晶体形状、大小、取向分布的随机性影响，成像为非均匀纹理背景，与隐裂（微小裂纹）等瑕疵的暗特征具有相似的分布强度，易导致漏检。同时，光伏电池片表面不规则（如断栅）易与隐裂混淆，增加了瑕疵分类的难度。近年来，基于机器视觉的统计法[2-3]、支持向量机和神经网络[4-5]已被应用于光伏电池片瑕疵类型的检测与分类。但存在较大的局限性：瑕疵特征提取有效性不高、目标分割困难，瑕疵识别率有待提高；待处理数据量庞大、特征空间维度高，在线检测分类实时性较低。

随着深度学习等人工智能技术被引入工业生产线的光学视觉瑕疵检测系统，提高了良品率与质量精度；但不同神经网络模型对光伏电池片瑕疵分类结果差异较大，对瑕疵多样性的检测分类仍存在较大困难。

为此，本文利用改进的Alexnet模型进行特征提取，设计新的融合与泛化策略，以较低的计算代价实现高效的光伏电池片多类瑕疵自动检测与分类。

1　光伏电池片EL成像检测系统

光伏电池片EL成像检测系统主要由传送机构、图像采集单元、EL数据图像处理单元3部分构成，系统框架如图1所示。

图1　光伏电池片EI成像检测系统框架

传送机构包含中央控制器、PLC控制器、伺服电机与传送带等。传送机构将待测光伏电池片传送至暗室设定的位置，利用PLC控制器、探针、支架和伺服电机等进行通电测试并曝光拍照。

图像采集单元布置于暗室内，由滤光片、镜头（型号为VTG5014-M4）与近红外相机（型号为STC-CMB4MPOE）组成，系统成像分辨率为400万（2 048×2 048）像素。图像采集单元在设定的曝光时间间隔内采集光伏电池片EL图像。

EL数据图像处理单元（HP Z2 Mini G3 工作站）主要完成EL图像数据处理、瑕疵检测、标注、图像切割与瑕疵分类等功能。

2　光伏电池片瑕疵分类

光伏电池片生产工艺较复杂，表面瑕疵种类较多，其中常见的影响光伏转换效率的瑕疵有7种[6]。光伏电池片表面瑕疵分类主要以正常片、隐裂（裂纹或破片）、断栅、黑斑、边缘过刻、穿孔、主栅漏电、副栅漏电8种类型为主，EL图像如图2所示。

图2　光伏电池片EL图像

3　改进Alexnet模型框架

针对EL图像非均匀纹理背景、隐裂或其他微小瑕疵类型多样、易混淆性等特点，采用细节分辨率强的改进Alexnet卷积神经网络作为主干网络。经各卷积层的细节特征提取、顺序连接、融合多层级特征，使特征提取充分保留细节信息，提高瑕疵分辨率；将学习到的分布式特征表示空间映射到样本标记空间，实现瑕疵分类。

融合多层级特征的改进Alexnet卷积神经网络模型如图3所示。

图3　融合多层级特征的改进Alexnet卷积神经网络模型

改进Alexnet卷积神经网络模型分为9层：前5层卷积层（Conv1～5）用于处理光伏电池片EL图像局部特征，卷积核个数分别为96、256、384、384、256；多层级特征融合层（FF）、平均池化层（GAP）、全连接层（FC）、分类输出层（Output）实现瑕疵分类识别（分类神经元8个，每个神经元代表数据集中1个类别）。

训练时，全连接层采用随机失活机制，即随机关闭部分神经元；测试时，整合所有神经元，避免因参数过多而引起过拟合。为解决在小数据集上推广深度学习模型的难题，训练数据集采用数据增强与实测数据相结合的扩充方法，测试数据集采用公开数据集。

光伏电池片EL图像作为改进Alexnet卷积神经网络模型输入，各层卷积核的个数决定该层输出特征图的深度。卷积层与全连接层后均为激活层，采用Relu作为激活函数，利用softmax激活输出8×1的特征向量。

4　改进Alexnet模型的算法

算法的计算过程主要包括以下5个步骤：

1）无监督的特征学习过程：通过神经网络自动学习提取网络层级特征，卷积层神经元输出为

式中：

式中：

——batch_size幅输出特征图像中所有像素点的个数。

3） Relu激活运算：判断输入是否大于0，引入非线性因素，使神经网络具有稀疏表达能力。

4） Softmax激活运算：对网络全连接层输出进行变换，使其服从概率分布，每个值均属于[0,1]区间且和为1，输出概率如公式(5)所示。

式中：

——像素点的个数。

5）损失函数：设计交叉熵损失函数实现网络模型优化目标。交叉熵定义为真实值与估计值的概率分布距离，其网络损失下降速度优于基于平方差损失函数的网络。交叉熵损失函数为

式中：

6）评价指标：评价模型性能的指标主要为模型分类正确率（accuracy），即所有类别预测的正确数据和全部数据的比值；推理时间，即模型预测时，处理一幅图像需要的时间。

5　实验与结果分析

5.1　实验环境

实验在Windows Server 2019 Datacenter操作系统、Tensorflow深度学习框架下，采用Python语言实现神经网络算法。实验硬件为HP Z2 Mini G3工作站，Intel至强处理器E3-1245v5，显卡NVIDIA Quadro M620，内存16GB DDR4 ECC。

5.2　实验数据集

实验数据采用Buerhop C的公开数据集[7]，由44幅不同光伏电池EL图像，拆分为2 624个300×300像素的图像单元。根据样本标签采用均匀随机抽样的方式划分样本集为互不相交的训练集、验证集和测试集，即训练集2 144幅，用于模型学习参数训练、确定其权重与偏置参数等；验证集240幅，根据正确率选择模型参数；测试集240幅，用于模型评价。

5.3　模型训练和评估

对多层级特征融合的改进Alexnet模型初始化网络参数，进行编译训练。通过网络前向传播，损失函数可以定量判断网络参数优化程度，损失函数最小时，达到最优。改进Alexnet模型输出概率值最大为分类或预测结果。

改进Alexnet模型的训练集和验证集正确率曲线如图4所示，损失曲线如图5所示。

图4　改进Alexnet模型训练集和验证集正确率曲线

图5　改进Alexnet模型训练集和验证集损失曲线

由图4、图5可知，随着迭代次数增加，正确率快速上升后趋于稳定；损失函数加速下降后趋于稳定，表明改进Alexnet模型收敛速度快、稳定性好。

5.4　实验测试

利用训练获得的最佳改进Alexnet卷积神经网络模型对测试集样本图像进行测试。系统用户界面示意图如图6所示，测试集识别结果可视化热图分布如图7所示。

图6　改进Alexnet模型测试系统用户界面

图7　测试集识别结果分布

由图7可知，改进Alexnet模型对光伏电池片各种瑕疵类型均有较好的识别效果。

将本文方法与文献[8]中的支持向量机（SVM）、卷积神经网络（CNN）瑕疵检测分类方法进行测试对比，结果如表1所示。数据集采用文献[7]公开数据集（300×300像素标准EL图像）。

表1　瑕疵检测分类方法测试对比结果

由表1可知，本文提出的改进Alexnet模型对光伏电池片标准正常片与7类瑕疵识别正确率达到91.05%；标准EL图像检测与分类处理时间小于10 ms；与文献[8]中的2种算法相比，本文提出的改进Alexnet模型虽然训练时间较长，但对瑕疵分类识别具有更高的识别正确率和更少的推理时间。

6　结论

本文设计了基于Tensorflow深度学习框架、Python语言的改进Alexnet卷积神经网络模型。在算法上，对光伏电池片EL图像实现特征提取并融合多层级特征以提高特征的细节分辨信息，经过全局平均池化层、全连接层与softmax输出层，实现瑕疵目标的分类识别。同时，引入随机失活机制，关闭部分神经元，避免参数过多引起过拟合。实验结果表明，该方法融合底层特征与全局特征，提高了瑕疵特征的分辨率，模型分类识别精度高，推理执行时间短，可实现光伏电池片瑕疵的实时检测与分类。

[1] 丁超,金珂,王少鑫,等.复合材料红外热波检测图像处理及投影标注技术[J].液晶与显示, 2021,36(11):1545-1553.

[2] TSAI D M, LI G N, LI W C, et al. Defect detection in multi-crystal solar cells using clustering with uniformity measures[J]. Advanced Engineering Informatics, 2015, 29(3):419-430.

[3] CHEN H, ZHAO H, HAN D, et al. Accurate and robust crack detection using steerable evidence filtering in electrolumi-nescence images of solar cells[J]. Optics and Lasers in Engi-neering, 2019,118:22-33.

[4] PRATT L, GOVENDER D, KLEIN R. Defect detection and quantification in electroluminescence images of solar PV modules using U-net semantic segmentation[J]. Renewable Energy, 2021,178:1211-1222.

[5] 沈凌云,朱明,陈小云.基于径向基神经网络的太阳能电池缺陷检测[J].发光学报,2015,36(1):99-105.

[6] 王楠.基于视觉的硅太阳能电池检测方法的研究[D].保定:河北农业大学,2014.

[7] BUERHOP C, DEITSCH S, MAIER A, et al. A Benchmark for Visual Identification of Defective Solar Cells in Electro-luminescence Imagery[C]//35th European Photovoltaic Solar Energy Conference and Exhibition.Brussels, Belgium. The European Commission PVSEC. 2018:1287-1289.

[8] DEITSCH, S, CHRISTLEIN, V, BERGER, S,BUERHOP-LUTZ, et al. C. Automatic classification of defective photo-voltaic module cells in electroluminescence images. [J].Solar Energy, 2019,185:455-468.

Defect Classification Method of Photovoltaic Cells Based on Improved Alexnet Model

SHEN Lingyun ZHANG Jie SUN Jiayun LIU Puwen WEI Dian LAN Yamin TANG Chunyue

(Department of Electronic Engineering, Taiyuan Institute of Tech, Taiyuan 030008, China)

Aiming at the problem that the defects of photovoltaic cells are highly similar to the dark features of electroluminescent images of randomly distributed grains, which is difficult to detect, a defect classification method of photovoltaic cells based on the improved Alexnet model is designed. Firstly, the feature extraction and standardization of the electroluminescent images of photovoltaic cells are carried out; Then, multi-level features are fused for classification; Finally, the defect classification results are obtained by fusing multi-layer features and activating function mapping. In the model training, the cross entropy function is selected as the loss function, and the network weight is optimized through the gradient descent method to achieve the classification accuracy of the model; The optimized model is used to test and analyze the standard data set. The experimental results show that the accuracy rate of the improved Alexnet model based on multi-layer features is 91.05%; Model prediction is based on standard 300 × The detection and classification processing time of 300 pixel image unit is less than 10 ms, which meets the requirements of stability, accuracy and real-time of detection and classification.

photovoltaic cells; defect classification; electroluminescent images; deep learning; feature extraction; cross entropy function

TP391；TP278

A

1674-2605(2022)04-0009-06

10.3969/j.issn.1674-2605.2022.04.009

2022年山西省高等院校创新创业训练计划项目（20221169）

沈凌云,张洁,孙甲云,等.基于改进Alexnet模型的光伏电池片瑕疵分类方法[J].自动化与信息工程,2022,43(4): 42-47.

SHEN Lingyun, ZHANG Jie, SUN Jiayun, et al. Defect classification method of photovoltaic cells based on improved Alexnet model[J]. Automation & Information Engineering, 2022,43(4):42-47.

沈凌云，女，1979年生，博士，副教授，主要研究方向：机器视觉与智能信息处理。E-mail: shenshly@163.com