基于卷积神经网络与信息熵数据融合策略的裂纹识别算法的制作方法

本发明涉及光伏电池el图像裂纹缺陷识别的技术领域，具体是一种基于卷积神经网络与信息熵数据融合策略的裂纹识别算法。

背景技术：

光伏发电由于其清洁、安全和高效等特点，已经成为世界上最受欢迎的可再生能源之一。光伏发电是指通过使用光伏电池将太阳能转换为电能的过程。然而，由于光伏电池晶体材料的脆弱性，导致在制造、运输和安装的过程中不可避免地造成裂纹缺陷。裂纹的存在会影响光伏电池的发电效率，降低使用寿命，甚至影响到整个光伏系统的安全运行。现阶段针对光伏电池el图像的裂纹自动检测技术不够完善，大多采用人工检测方法。存在耗时、低效、主观和成本高等特点，进而会影响光伏电池片的产品质量。本发明将采用卷积神经网络作为光伏电池el缺陷识别的主要方法，以实现质检自动化，具有重要的价值和意义。

技术实现要素：

针对光伏电池el图像裂纹缺陷识别技术的不足，本发明拟解决的技术问题是，发明一种基于卷积神经网络与信息熵数据融合策略的裂纹识别算法。该算法首先采用近红外相机采集光伏电池el图像，像素为1024×1024；将采集的五分之四的el图像处理为128×128像素的图像块，对图像块做人工标签，包含裂纹与非裂纹标签，构建训练集；将剩余的五分之一el图像作为测试集。构建卷积神经网络，设置合适的参数，将训练集输入卷积神经网络中进行训练，得到模型训练权重。测试时输入像素为1024×1024的el图像，以滑动窗口方式经由神经网络计算输出裂纹的位置并以框标注，计算已标注裂纹的信息熵h值来判断已标注目标属于裂纹的真实性。若为误检则丢弃决策，若裂纹为真实则保留。本方法可以对高分辨率光伏电池el图像进行裂纹缺陷的识别，同时能够采用信息熵数据融合算法去掉误检，提升缺陷识别的准确率，解放了人力，同时保证了光伏电池的生产质量。

为了降低光伏电池el图像的裂纹识别误检率，本发明提供了一种基于卷积神经网络与信息熵数据融合策略的光伏电池el图像的裂纹识别算法，具体步骤如下：

第一步，数据集的制作

1-1图像获取：采用近红外相机获取光伏电池el图像，像素为1024×1024；

1-2图像的分割：在步骤1-1的基础上，选取五分之四的光伏电池el图像，并将它们分割成128×128像素的图像块；

1-3训练集制作：在步骤1-2的基础上，为图像块做人工标签，分为裂纹图像块和非裂纹图像块,得到包含标签的图像块作为训练集；

1-4测试集制作：在步骤1-2的基础上，选取步骤1-1剩余五分之一的光伏电池el图像作为测试集。

第二步，构建用于裂纹识别的卷积神经网络

2-1卷积神经网络的结构：所设计的卷积神经网络主要由多个卷积层、池化层和全连接层组成，卷积层后面接batchnormalization层，相邻的两层之间用relu层连接；

2-2卷积神经网络的训练方法：在步骤2-1的基础上，将训练集输入到卷积神经网络中，采用反向传播算法更新卷积神经网络的参数；

2-3参数初始化：初始化权重值为服从标准差等于0.01的正态分布随机数，初始化偏置项为常数；确定学习率参数lr、批处理参数batch以及训练步数step；

2-4更新参数：在步骤2-3的基础上，将训练集输入到卷积神经网络中，计算中间每一层以及输出层的输出，计算输出与人工标签的损失函数大小；利用损失函数计算出每一层的参数的梯度；再根据学习率和梯度更新每一层的参数。

第三步，测试图像

3-1卷积神经网络裂纹识别：在步骤2-4的基础上，采用滑动窗口的方式测试光伏电池el图像，使用128×128像素的目标框将1024×1024像素的光伏电池el图像中的裂纹区域标注出来；

3-2获取裂纹图像块的group：在步骤3-1的基础上，以测试图像中已标注为裂纹的图像块为中心，分别向上、向下、向左、向右、向左上、向左下、向右上以及向右下移动八个像素以获取八个图像块，与已标注的裂纹图像块组成一个group，滑动方式如图2；

3-3计算信息熵h的值：在步骤3-2的基础上，获取group中每个图像块属于裂纹的概率值，由卷积神经网络给出，计算已标注裂纹的信息熵h的值；

3-4测试结果：在步骤3-3的基础上，按信息熵h的阈值判别式判断卷积神经网络将已标注裂纹图像块定义为裂纹的真实性，若为真则保留，若为假则丢弃。

进一步地，上述步骤2-4中，卷积神经网络的损失函数大小为卷积神经网络的输出与训练集的人工标签的差异，训练卷积神经网络所使用的损失函数为交叉熵损失函数，公式如下：

其中，yi和yi′分别代表第i个图像的标签和输出的预测，m是图像的数量。

进一步地，上述步骤3-3中，信息熵h是对已标注裂纹图像块属于裂纹的真实性的判断，计算公式如下：

其中，p(ccrack|p1,…p9)为一个group中每个图像块属于裂纹的概率值，由卷积神经网络给出。参数t的含义为信息熵的约束值的系数，设定不同的t值可获取不同的h值。测试2278张裂纹图像块和2439非裂纹图像块，通过设定不同的t值计算它们的h值，设t＝4.5时，裂纹与非裂纹的h值可以区分开来，得到图3。

与现有技术相比，本发明的有益效果是：

本发明进行光伏电池el图像裂纹识别采用的是卷积神经网络，该网络输入为包含人工标签的图像块，经过卷积神经网络计算之后输出裂纹所在位置并使用标记框标注。针对卷积神经网络获得的裂纹区域的识别结果真实性进行判断。获取已标注裂纹区域的group，计算信息熵h值，根据h的阈值判断裂纹的真实性，若为假性裂纹则丢弃。对比传统的缺陷检测方法，本发明算法对传统的卷积神经网络解决裂纹缺陷检测方法进行了改进，提出了结合信息熵的数据融合策略，可以降低检测中产生的误检，以此实现对光伏电池el图像的裂纹识别准确率的提升。本发明算法应用性强，识别准确度高。

附图说明

图1为本发明的算法流程图。

图2为本发明针对已标注裂纹目标获取group的示意图。

图3为本发明针对裂纹与非裂纹目标的信息熵h值的散点分布图。(a)裂纹的h值分布图，(b)非裂纹的h值分布图。其中t＝4.5。

具体实施方式

以下结合附图和实施实例对本发明作进一步说明。

本发明型设计的光伏电池el图像的裂纹识别算法主要应用于工业现场，该算法充分适应现场情况，具体步骤是：

第一步，数据集的制作

1-1图像获取：采用近红外相机获取光伏电池el图像，像素为1024×1024；

1-2图像的分割：在步骤1-1的基础上，选取五分之四的光伏电池el图像，并将它们分割成128×128像素的图像块；

1-3训练集制作：在步骤1-2的基础上，为图像块做人工标签，分为裂纹图像块和非裂纹图像块,得到包含标签的图像块作为训练集；

1-4测试集制作：在步骤1-2的基础上，选取步骤1-1剩余五分之一的光伏电池el图像作为测试集。

第二步，构建用于裂纹识别的卷积神经网络

2-1卷积神经网络的结构：所设计的卷积神经网络主要由多个卷积层、池化层和全连接层组成，卷积层后面接batchnormalization层，相邻的两层之间用relu层连接；

2-2卷积神经网络的训练方法：在步骤2-1的基础上，将训练集输入到卷积神经网络中，采用反向传播算法更新卷积神经网络的参数；

2-3参数初始化：初始化权重值为服从标准差等于0.01的正态分布随机数，初始化偏置项为常数；确定学习率参数lr、批处理参数batch以及训练步数step；

2-4更新参数：在步骤2-3的基础上，将训练集输入到卷积神经网络中，计算中间每一层以及输出层的输出，计算输出与人工标签的损失函数大小；利用损失函数计算出每一层的参数的梯度；再根据学习率和梯度更新每一层的参数。

第三步，测试图像

3-1卷积神经网络裂纹识别：在步骤2-4的基础上，采用滑动窗口的方式测试光伏电池el图像，使用128×128像素的目标框将1024×1024像素的光伏电池el图像中的裂纹区域标注出来；

3-2获取裂纹图像块的group：在步骤3-1的基础上，以测试图像中已标注为裂纹的图像块为中心，分别向上、向下、向左、向右、向左上、向左下、向右上以及向右下移动八个像素以获取八个图像块，与已标注的裂纹图像块组成一个group，滑动方式如图2；

3-3计算信息熵h的值：在步骤3-2的基础上，获取group中每个图像块属于裂纹的概率值，由卷积神经网络给出，计算已标注裂纹的信息熵h的值；

3-4测试结果：在步骤3-3的基础上，按信息熵h的阈值判别式判断卷积神经网络将已标注裂纹图像块定义为裂纹的真实性，若为真则保留，若为假则丢弃。

本发明型方法的进一步特征在于所述光伏电池el图像像素分辨率为1024×1024，且背景、裂纹形态有明显的差异。

本发明型方法的进一步特征在于卷积神经网络的设计，输入后接卷积层，卷积层采用卷积核大小kernel＝3，步长stride＝1，边缘填充为零；池化层的核大小包含kernel＝3和kernel＝2，步长stride＝1，边缘填充为零，本网络设计中卷积层和池化层的数量不相等。

本发明型方法的进一步特征在于卷积神经网络的设计，相邻的两层之间用batchnormalization层，输入层把输入的batch图片数据x1…m转化为bn(x1…m)，有公式如下。

其中e[xi]是均值，var[xi]是方差估计值，∈是为保证数值稳定添加到方差中的一个常数。为了确保归一化之后输出表示的内容不发生变化，引入参数γ和β，其与原始模型参数一起学习并恢复从原始网络学习的特征的分布，公式如下。

β^(k)＝e[x^(k)]

bn层的前向传播过程，输出为：

本发明型方法的进一步特征在于所述信息熵的阈值，t＝4.5时，裂纹与非裂纹的h值可以很好的分离开来，且产生阈值θ＝-1.5，公式如下。

本发明型方法的进一步特征在于所述图像的性能评估，本发明采用精度precision，召回率recall，f-measure衡量性能，它们的定义分别为如下：

其中tp表示真阳性，即标记为有缺陷的图像被正确识别；fp表示假阳性，即标记为良好的图像被错误地识别为有缺陷；fn表示假阴性，即标记为有缺陷的图像被错误的识别为无缺陷。

本发明型未述及之处均适用于现有技术。