1.一种提高太阳能电池模块缺陷分类准确度的数据增强方法,其特征在于,包括以下步骤:
步骤s1: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;
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。
2.根据权利要求1所述的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,其特征在于,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去除人为拍摄过程中产生的噪点。
3.根据权利要求1所述的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,其特征在于,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。
4.根据权利要求1所述的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,其特征在于,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,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,
5.根据权利要求1所述的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,其特征在于,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。
6.根据权利要求1所述的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,其特征在于,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。
7.根据权利要求6所述的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,其特征在于,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。