[發明專利]一種少樣本條件下太陽能電池片缺陷分類檢測方法

在審

• 申請號: 202010546126.4
• 申請日: 2020-06-16
• 公開（公告）號: CN111860592A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 許楨英;田莉
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種少樣本條件下太陽能電池片缺陷分類檢測方法，其特征在于：具體步驟包括：

步驟1，設計新型的深度多小波自動編碼器，以學習太陽能電池片缺陷圖像的重要特征；

步驟2，運用參數傳遞原理，基于多重相似性度量構建目標域與各個源域的多重相似性關系；

步驟3，根據目標域分類器與相關源域分類器對目標域無標記樣本具有相似決策值的平滑性假設，定義一種多源域遷移流形正則項；借助已學習的源域分類器來學習一個適用于目標域的分類器；

步驟4，利用設計出的太陽能電池片缺陷目標分類器對太陽能電池片缺陷圖像目標域樣本進行分類檢測。

2.根據權利要求1所述的一種少樣本條件下太陽能電池片缺陷分類檢測方法，其特征在于：所述自動編碼器由編碼器和解碼器構成，是構建深度學習網絡解決各種任務的有效基礎模型，自動編碼器通過編碼器對所獲得的太陽能電池片圖像特征進行表示，通過解碼器提取出原始數據的主要特征。

3.根據權利要求2所述的一種少樣本條件下太陽能電池片缺陷分類檢測方法，其特征在于：編碼器獲取輸入的特征表示，而解碼器是從真實表示中恢復輸入數據，編碼器壓縮降維過程的變換公式以及解碼器特征提取過程的變換公式分別如下：

其中，x∈R^N是維數為N的特征輸入；h∈R^M是維數為M的特征表示；z∈R^N是輸出；w⁽¹⁾∈R^M×N和w⁽²⁾∈R^(N×M)是編碼器和解碼器的權重；b⁽¹⁾∈R^M和b⁽²⁾∈R^N是相應的偏差；s_g和s_f分別代表編碼器和解碼器的非線性變化函數。

4.根據權利要求3所述的一種少樣本條件下太陽能電池片缺陷分類檢測方法，其特征在于：s_g選擇Sigmoid激活函數，為了使輸出更接近輸入，需要更新模型參數以最小化其損失函數，對于一個輸入樣本，損失函數可以表示為：

其中，M為自動編碼器的輸入特征維數；N為自動編碼器的輸出特征維數；x_i、z_i分別為向量x和z中的第i維元素；r為稀疏懲罰因子；μ為稀疏參數；為M維輸出特征中的第j維特征的稀疏參數。

5.根據權利要求1所述的一種少樣本條件下太陽能電池片缺陷分類檢測方法，其特征在于：所述步驟1中深度多小波自動編碼器由多個多小波自編碼器組成；多小波自動編碼器比例縮放函數及具有相應偏導數的顯式形式定義如下：

以及：

其中，分別為Plonka、Strela設計的多小波比例縮放函數解析公式的輸出；t為特征輸入；

根據多小波比例縮放函數(3)、(4)，輸出可計算為：

其中，為多小波縮放函數對隱藏單元j進行輸出變換的輸出，；和分別為和的輸出部分；x_i為輸入樣本x的第i個維數元素；τ為重建特征輸入；W_ij表示連接隱藏單元j和輸入單元i的權重；a_j、c_j為隱藏單元第j個節點的網絡參數；U_ij-1和U_ij-2分別表示使用和連接隱藏單元j和輸出單元i的權值；

在計算出和輸出部分后，通過s_f變換得到最終的重建輸出，該變換取決于輸入數據的特定歸一化范圍，具體歸一化范圍設為[-1,1]，為了使輸出接近輸入，由于其映射范圍而選擇了Tanh，Tanh為雙曲正切函數：

其中z_i表示重構向量z中的第i個維度元素，多小波自編碼器模型的損失函數中也加入了一個權重衰減項，以避免過擬合，定義為：

其中，δ為權重衰減系數，通過最小化損失函數，對多小波自動編碼器模型的權值參數進行如下更新：

其中，η為學習率。