[發明專利]一種提高太陽能電池模塊缺陷分類準確度的數據增強方法

在審

• 申請號: 201911341151.2
• 申請日: 2019-12-23
• 公開（公告）號: CN111047584A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 鄭茜穎;羅征;程樹英;翁道臣;林培杰;陳志聰
• 申請（專利權）人: 福州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06T5/20;G06T3/60;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，包括以下步驟：

步驟S1：采集通電情況下太陽能電池組件的紅外圖像，并將其進行分割，得到多個太陽能電池模塊的紅外圖像，并進行預處理；

步驟S2：對預處理后的圖像進行數據增強；

步驟S3：建立數據增強網絡，包括生成器和鑒別器，并采用步驟S1與步驟S2處理后的數據集訓練該數據增強網絡；

步驟S4：將與訓練時相同分布的噪聲信號輸入至數據增強網絡的生成器中，得到生成的圖片數據；

步驟S5：將生成的圖片數據按照預設的比例填充入原始數據集，得到經過數據增強后的數據集。

2.根據權利要求1所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，步驟S1具體為：

步驟S11：按照太陽能電池模塊的邊界對太陽能電池組件的紅外圖像進行分割，得到多個太陽能電池模塊的紅外圖像；

步驟S12：對步驟S11得到的紅外圖像進行尺度調整，將所有紅外圖像都調整到同一預設的分辨率，便于后續網絡的訓練；

步驟S13：對尺度調整后的紅外圖像使用濾波算法去除人為拍攝過程中產生的噪點。

3.根據權利要求1所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，步驟S2具體包括以下步驟：

步驟S21：對步驟S1處理后的圖像，通過包括水平翻轉、180度旋轉、360度旋轉在內的方法進行處理；

步驟S22：通過色彩抖動的方式，通過增加和減少全局的灰度來得到新的圖像，以對紅外圖像的數量進行擴充。

4.根據權利要求1所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，步驟S3具體包括以下步驟：

步驟S31：建立數據增強網絡，包括生成器與鑒別器，其中生成器包括卷積特征提取單元、上采樣單元以及樣本分辨率過渡處理單元，鑒別器包括卷積特征提取單元；

步驟S32：將步驟S1與步驟S2處理后的新圖像作為訓練的數據集，避免原始圖片在訓練過程中出現；

步驟S33：通過高斯隨機噪聲產生一定維度的隨機噪聲，將該噪聲作為生成器的輸入；

步驟S34：在訓練的過程中，每個階段都將生成器與鑒別器進行交替訓練，訓練從小的尺度開始，隨著訓練過程，生成器和鑒別器同時增長，直至輸出所需分辨率的圖像為止；其中，訓練使用的損失函數為：

式中，D(x)表示鑒別器的輸出，P_g代表生成器生成圖片的數據，P_r代表真實數據集中的圖片，表示生成圖片數據和真實數據集中圖片數據的部分抽樣，E表示計算平均值，▽_x表示計算梯度。

5.根據權利要求1所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，步驟S4具體包括以下步驟：

步驟S41：通過高斯隨機噪聲產生與訓練時相同維度的隨機噪聲，并將其輸入到訓練好的生成器中，得到生成的紅外圖片數據；

步驟S42：重復步驟S41多次，得到多個圖片數據；

步驟S43：將得到的多個圖片數據按照預設條件進行篩選，選擇符合顯示質量要求的圖片作為最后生成的圖片數據。

6.根據權利要求1所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，步驟S5具體為：根據原始數據集中不同缺陷種類紅外圖像的比例，將步驟S4中得到的生成的紅外圖像填充到原始數據集中，使得原始數據集中各個缺陷種類的紅外圖像在數量上均衡。

7.根據權利要求6所述的一種提高太陽能電池模塊缺陷分類準確度的數據增強方法，其特征在于，若各個缺陷種類的紅外圖像在數量上已均衡，向所有缺陷種類添加相同數量的圖片數據以擴充數據集。