一种提高太阳能电池模块缺陷分类准确度的数据增强方法与流程
本发明涉及光伏技术领域，特别是一种提高太阳能电池模块缺陷分类准确度的数据增强方法。
背景技术：
太阳能电池的缺陷与模块效率密切相关。其缺陷主要包括隐裂，裂纹，断栅，黑斑等。太阳能电池片缺陷可能在出厂的时候由工艺原因导致，也可能由复杂的工作环境中的各种环境因素导致。不同的缺陷对太阳能电池工作效率的影响也不尽相同，为了保证光伏组件的质量，必须要对缺陷进行检测。
传统检测缺陷的方法之一是通过测量电流和电压，但它可能不能揭示某些类型的缺陷，如小裂纹。与电流电压测量相比，电致发光成像是一种更有效的方法，在工业上得到了广泛的应用。电致发光成像采用电荷耦合器件对施加电流的光伏组件进行成像，获得红外电致发光图像。为了检测缺陷，通常在采集到的图像上使用支持向量机和卷积神经网络等图像分类算法来检测缺陷并对缺陷进行分类。但红外电致发光图像的采集需要完全黑暗的特定环境，这在很大程度上限制了采集样本的数量。
虽然现在可以很容易地访问一些公共的红外电致发光图像数据集，但由于其尺寸大小的限制，大多数仍不能满足监督机器学习算法的要求。由于数据采集的难度较大，另一种可行的方式是数据增强。传统的数据增强技术对原始图像进行简单的变换，以获得其独特的视图，从而扩展数据集。这些转换包括旋转、反射、剪切、颜色抖动和pca抖动。传统的数据扩充技术为防止监督机器学习过度拟合提供了一种有效的方法，并已成为训练算法之前的标准步骤。然而，一些传统的增强技术所做的微小修改，对训练样本增加的额外信息很少，因此，对于提高分类网络的分类性能来说并不是很有效。此外，一些增加的样本可能看起来与现实生活中的实际对象不同，当试图对其他数据集使用经过训练的算法时，它实际上没有任何帮助。
技术实现要素：
有鉴于此，本发明的目的是提出一种提高太阳能电池模块缺陷分类准确度的数据增强方法，对缺陷种类数量不平衡的，总体数量过少的红外电致发光图像数据集进行增强，从而提高其在分类网络中的缺陷分类准确度。
本发明采用以下方案实现：一种提高太阳能电池模块缺陷分类准确度的数据增强方法，包括以下步骤：
步骤s1：通过红外相机等设备采集通电情况下太阳能电池组件的红外图像，并将其进行分割，得到多个太阳能电池模块的红外图像，并进行预处理；
步骤s2：对预处理后的图像进行数据增强；
步骤s3：建立数据增强网络，包括生成器和鉴别器，并采用步骤s1与步骤s2处理后的数据集训练该数据增强网络；利用特定分布的随机噪声生成一定分辨率的图片，并与步骤s2给的数据集进行比较，在训练过程中不断的调整数据增强网络的结构，使得输入和输出的分辨率不断提高；
步骤s4：将与训练时相同分布的噪声信号输入至数据增强网络的生成器中，得到生成的图片数据；
步骤s5：将生成的图片数据按照预设的比例填充入原始数据集，得到经过数据增强后的数据集，从而达到丰富原始数据集数量以及平衡原始数据集中不同种类图片比例的目的。
进一步地，步骤s1具体为：
步骤s11：按照太阳能电池模块的边界对太阳能电池组件的红外图像进行分割，得到多个太阳能电池模块的红外图像；
步骤s12：对步骤s11得到的红外图像进行尺度调整，将所有红外图像都调整到同一预设的分辨率，便于后续网络的训练；
步骤s13：对尺度调整后的红外图像使用滤波算法(均值滤波等)去除人为拍摄过程中产生的噪点。
进一步地，步骤s2具体包括以下步骤：
步骤s21：对步骤s1处理后的图像，通过包括水平翻转、180度旋转、360度旋转在内的方法进行处理；
步骤s22：通过色彩抖动的方式，通过增加和减少全局的灰度来得到新的图像，以对红外图像的数量进行扩充。
进一步地，步骤s3具体包括以下步骤：
步骤s31：建立数据增强网络，包括生成器与鉴别器，其中生成器包括卷积特征提取单元、上采样单元以及样本分辨率过渡处理单元，鉴别器包括卷积特征提取单元；
步骤s32：将步骤s1与步骤s2处理后的新图像作为训练的数据集，避免原始图片在训练过程中出现；
步骤s33：通过高斯随机噪声产生一定维度的随机噪声，将该噪声作为生成器的输入；
步骤s34：在训练的过程中，每个阶段都将生成器与鉴别器进行交替训练(以保证生成器和鉴别器能力同步提升)，训练从小的尺度开始，随着训练过程，生成器和鉴别器同时增长，直至输出所需分辨率的图像为止；其中，训练使用的损失函数为：
式中，d(x)表示鉴别器的输出，pg代表生成器生成图片的数据，pr代表真实数据集中的图片，
较佳的，生成器由若干尺度因子为2的上采样层、若干卷积特征提取单元以及分辨率过渡处理单元组成。卷积特征提取单元由卷积层，激活函数层组成。根据pggan要求，训练过程是分阶段的，每个阶段都要进行生成器和鉴别器的训练。训练从小的尺度开始，初始阶段生成器生成4*4大小的图片数据，提供给鉴别器训练。下个阶段生成器生成8*8大小的图片数据提供给鉴别器训练，以此类推。在分辨率由小到大的过程中，过渡样本的大小通过样本分辨率过渡处理单元处理，其输出为当前阶段生成器输出以及下个阶段生成器输出的线性加权。鉴别器由若干卷积特征提取单元组成，每个单元由卷积层，池化层，激活函数层组成。随着训练过程，生成器和鉴别器同时增长，直至输出所需分辨率的图像为止。
进一步地，步骤s4具体包括以下步骤：
步骤s41：通过高斯随机噪声产生与训练时相同维度的随机噪声，并将其输入到训练好的生成器中，得到生成的红外图片数据；
步骤s42：重复步骤s41多次，得到多个图片数据；
步骤s43：将得到的多个图片数据按照预设条件进行筛选，选择符合显示质量要求的图片作为最后生成的图片数据。
进一步地，步骤s5具体为：根据原始数据集中不同缺陷种类红外图像的比例，将步骤s4中得到的生成的红外图像填充到原始数据集中，使得原始数据集中各个缺陷种类的红外图像在数量上均衡。
进一步地，若各个缺陷种类的红外图像在数量上已均衡，向所有缺陷种类添加相同数量的图片数据以扩充数据集。
与现有技术相比，本发明有以下有益效果：本发明的方法利用原始红外电致发光图像数据集训练pggan后，通过其产生的图片数据对原始数据集进行增强，使得对缺陷类型分类的准确度平均提升了10％左右。该方法可以在一定程度上避免人为采集数据的麻烦。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的生成器的模型图。
图3为本发明实施例的示例结果示意图。其中，a是太阳能电池隐裂缺陷红外电致发光图像，b是太阳能电池裂纹缺陷红外电致发光图像，c是太阳能电池黑斑缺陷红外电致发光图像，d是生成的太阳能电池隐裂缺陷红外电致发光图像，e是生成的太阳能电池裂纹缺陷红外电致发光图像，f是生成的太阳能电池黑斑缺陷红外电致发光图像。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种提高太阳能电池模块缺陷分类准确度的数据增强方法，包括以下步骤：
步骤s1：通过红外相机等设备采集通电情况下太阳能电池组件的红外图像，并将其进行分割，得到多个太阳能电池模块的红外图像，并进行预处理；
步骤s2：对预处理后的图像进行数据增强；
步骤s3：建立数据增强网络，包括生成器和鉴别器，并采用步骤s1与步骤s2处理后的数据集训练该数据增强网络；利用特定分布的随机噪声生成一定分辨率的图片，并与步骤s2给的数据集进行比较，在训练过程中不断的调整数据增强网络的结构，使得输入和输出的分辨率不断提高；
步骤s4：将与训练时相同分布的噪声信号输入至数据增强网络的生成器中，得到生成的图片数据；
步骤s5：将生成的图片数据按照预设的比例填充入原始数据集，得到经过数据增强后的数据集，从而达到丰富原始数据集数量以及平衡原始数据集中不同种类图片比例的目的。
在本实施例中，步骤s1具体为：
步骤s11：按照太阳能电池模块的边界对太阳能电池组件的红外图像进行分割，得到多个太阳能电池模块的红外图像；
步骤s12：对步骤s11得到的红外图像进行尺度调整，将所有红外图像都调整到同一预设的分辨率，便于后续网络的训练；本实施例取256*256，本次实验中包含四个缺陷类别的图像，共有360张；
步骤s13：对尺度调整后的红外图像使用滤波算法(均值滤波等)去除人为拍摄过程中产生的噪点。
在本实施例中，步骤s2具体包括以下步骤：
步骤s21：对步骤s1处理后的图像，通过包括水平翻转、180度旋转、360度旋转在内的方法进行处理；
步骤s22：通过色彩抖动的方式，通过增加和减少全局的灰度来得到新的图像，以对红外图像的数量进行扩充。最终经过初步数据增强的包含四个缺陷类别的图像共有3744张；
在本实施例中，步骤s3具体包括以下步骤：
步骤s31：建立数据增强网络，包括生成器与鉴别器，其中生成器包括卷积特征提取单元、上采样单元以及样本分辨率过渡处理单元，鉴别器包括卷积特征提取单元；
步骤s32：将步骤s1与步骤s2处理后的新图像作为训练的数据集，避免原始图片在训练过程中出现；
步骤s33：通过高斯随机噪声产生480维度的随机噪声，将该噪声作为生成器的输入；
步骤s34：在训练的过程中，每个阶段都将生成器与鉴别器进行交替训练(以保证生成器和鉴别器能力同步提升)，训练从小的尺度开始，随着训练过程，生成器和鉴别器同时增长，直至输出所需分辨率的图像为止；每个训练阶段迭代8次，然后进入下一阶段，扩大生成图片的维度，直至输出256*256大小的图片，训练的学习率设置为0.0002。
其中，训练使用的损失函数为：
式中，d(x)表示鉴别器的输出，pg代表生成器生成图片的数据，pr代表真实数据集中的图片，
较佳的，如图2所示，生成器由若干尺度因子为2的上采样层、若干卷积特征提取单元以及分辨率过渡处理单元组成。卷积特征提取单元由卷积层，激活函数层组成。根据pggan要求，训练过程是分阶段的，每个阶段都要进行生成器和鉴别器的训练。训练从小的尺度开始，初始阶段生成器生成4*4大小的图片数据，提供给鉴别器训练。下个阶段生成器生成8*8大小的图片数据提供给鉴别器训练，以此类推。
在训练初期，生成器由单层上采样层以及单个卷积单元组成，而随着训练阶段的进行，生成器会增加一个上采样层用于提升分辨率，而同时增加一个卷积单元。随着训练的进行，其产生的图片分辨率由4*4一直提升到256*256。
鉴别器网络增长类似，与生成器相反，通过增长卷积网络提取特征，将数据维度降低。
在分辨率由小到大的过程中，过渡样本的大小通过样本分辨率过渡处理单元处理，其输出为当前阶段生成器输出以及下个阶段生成器输出的线性加权。鉴别器由若干卷积特征提取单元组成，每个单元由卷积层，池化层，激活函数层组成。随着训练过程，生成器和鉴别器同时增长，直至输出256*256分辨率的图像为止。
在本实施例中，步骤s4具体包括以下步骤：
步骤s41：通过高斯随机噪声产生480维的随机噪声，并将其输入到训练好的生成器中，得到生成的红外图片数据；
步骤s42：重复步骤s41多次，得到一万张图片数据；
步骤s43：将得到的多个图片数据按照预设条件进行筛选，选择符合显示质量要求的图片作为最后生成的图片数据。
在本实施例中，步骤s5具体为：根据原始数据集中不同缺陷种类红外图像的比例，将步骤s4中得到的生成的红外图像填充到原始数据集中，使得原始数据集中各个缺陷种类的红外图像在数量上均衡。
在本实施例中，若各个缺陷种类的红外图像在数量上已均衡，向所有缺陷种类添加相同数量的图片数据以扩充数据集。
较佳的，图3为采用本实施例的数据增强网络的生产器生成的图片与原始图片。
较佳的，本实施例的方法通过实验验证和结果分析后表明，利用原始红外电致发光图像数据集训练pggan后，通过其产生的图片数据对原始数据集进行增强，在alexnet上对缺陷类型分类的准确度提升了14％，在squeezenet上对缺陷分类准确度提升了10％，在resnet上由于原始准确度已较高，缺陷分类准确度提升了5％左右。该方法可以在一定程度上避免人为采集数据的麻烦。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！