[發明專利]一種基于全卷積神經網絡的光伏組件圖片切割方法

在審

• 申請號: 202110266872.2
• 申請日: 2021-03-11
• 公開（公告）號: CN112686915A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 張越超;羅長志
• 申請（專利權）人: 聚時科技（江蘇）有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 湖北天領艾匹律師事務所 42252
• 代理人: 楊建軍

本發明公開了一種基于全卷積神經網絡的光伏組件圖片切割方法，涉及計算機視覺技術領域。該方法包括：首先，構建全卷積網絡，然后，在劃分與預處理好的數據集上優化網絡；其次將預處理后的光伏電池板圖像輸入到訓練好的全卷積神經網絡，獲得若干個與電池片單元對應的圖像掩碼，構成第一掩碼圖像；通過形態學腐蝕算法對第一掩碼中粘連的單元進行分離，獲得第二掩碼圖像；檢測第二掩碼圖像中缺失的掩碼的區域，并利用與電池片單元大小和形狀完全相同的圖像掩碼對該區域進行補全，獲得第三掩碼圖像；將第三掩碼圖像與光伏電池板圖像進行疊加，獲得電池片單元的分割圖像。與現有技術相比，本發明具有精度高、可靠性強和魯棒性好等優點。

技術領域

本發明涉及計算機視覺技術領域，尤其是一種基于全卷積神經網絡的光伏組件圖片切割方法。

背景技術

光伏組件作為太陽能發電系統的核心部分，近年來受到了越來越廣泛的關注。由于生產工序和制作工藝復雜，光伏組件中容易產生缺角、隱裂、虛焊和斷柵等多種缺陷，這些缺陷會影響光伏組件發電效率和使用壽命。因此需要在生產過程中及時檢測出光伏組件中的缺陷。然而在自動化檢測缺陷的過程中，光伏組件圖片通常由數以千萬計的像素構成，而缺陷有時僅占據圖像中極小的一部分，直接對其進行檢測非常困難。目前普遍做法是將組件圖片拆分成多個單元，對每個單元分別進行處缺陷檢測，然后再將各單元的檢測結果進行匯總，從而達到更加精確的檢測效果。

目前通常的圖片拆分方式包括平均切割法和圖像檢測法；

平均切割法，對光伏組件圖像進行平均切割，獲得若干個更小的圖片單元，然后對圖片單元中的圖像進行預測。該方法雖然操作簡單，但為后續的缺陷檢測增加了難度，以光伏組件中的分叉隱裂為例，由于缺陷位置和大小的隨機性，得到的圖片單元中可能只包含了缺陷的一部分，從而使其失去了該類別缺陷的特征。另外，光伏組件的電池區域外通常還會有多余的非功能區域，該區域通常以黑邊形式呈現，黑邊會對切圖造成影響，影響檢測結果的準確性；

圖像檢測法，采用傳統圖像處理中的邊緣檢測和直線檢測等方法來提取光伏組件中的每個電池片單元，但這種方法也存在局限性，只能對規則清晰、外觀變化很小的光伏組件進行有效切割，而實際工業檢測場景中，成像質量和機臺的穩定性往往沒法得到有效的保障，從而易造成過分割或欠分割問題，使電池片單元失去完整性，檢測結果的可靠性低。

發明內容

（一）要解決的技術問題

本發明的目的是提供一種基于全卷積神經網絡的光伏組件圖片切割方法，解決圖像像素量級大，難以直接檢測缺陷，以及在提取電池片單元時存在的魯棒性差的問題。

（二）發明內容

為了解決上述技術問題，本發明提供了一種基于全卷積神經網絡的光伏組件圖片切割方法，精度高，可靠性強，魯棒性好。具體包括以下步驟：

步驟一：構造圖像數據集；首先獲取若干張光伏電池板樣本圖像以及光伏電池板樣本圖像對應的標簽，并將其劃分為訓練集和測試集；

步驟二：圖像預處理；求取數據集的均值 μ和標準差σ，然后對圖像進行歸一化；

步驟三：全卷積網絡的搭建；

步驟四：端到端訓練全卷積網絡；在訓練過程中，利用交叉熵作為網絡的損失函數來計算網絡的誤差，然后采用隨機梯度下降法不斷更新網絡參數來獲得最優網絡；

步驟五：掩碼圖像獲取，包括掩碼生成模塊、掩碼分離模塊和掩碼補全模塊；

步驟六：生成圖像切割單元；將掩碼圖像與電池板圖像進行疊加，得到圖像切割的電池片單元。

其中步驟三，包括以下過程：

（1）首先構建結構設定單元包括編碼和解碼兩個路徑；

（2）然后網絡訓練參數的設定包括全卷積神經網絡的層數、通道數和卷積核大小，以及訓練全卷積神經網絡時所用的最小批次值、最大迭代次數以及學習率等超參數的設定。

其中步驟五，包括以下步驟：