基于LeNet-5模型的太阳能电池板缺陷识别分类

吴 涛，赖 菲



基于LeNet-5模型的太阳能电池板缺陷识别分类

吴 涛，赖 菲

（西安热工研究院有限公司，陕西 西安 710054）

太阳能电池板是光伏发电组件的核心部件，其质量的优劣直接关系安全发电和发电效率。因此，对太阳能电池板进行缺陷检测具有重要的实际价值。考虑到人工检测的低效性和高成本，本文提出利用在深度学习领域图像分类性能良好的卷积神经网络对太阳能电池板图像进行自动识别分类。利用Tensorflow平台Tensorboard的可视化性能，对经典卷积神经网络LeNet-5模型进行结构改善和超参数的调整，并将改进LeNet-5模型与经典LeNet-5模型和支持向量机的分类结果互相对比，结果表明改进LeNet-5模型的分类效果最优。

太阳能电池板；LeNet-5模型；图像分类；卷积神经网络；超参数；Tensorboard

我国太阳能资源十分丰富且分布广泛，其发电形式具有安全可靠、维护简单、安装方便、持续投资小、规模灵活等特点，随着技术壁垒的不断突破，近年来利用太阳能发电的产业发展迅猛。目前光伏发电是人类利用太阳能的主要途径。据统计，截至2016年底，我国光伏电站累计装机容量67.10 GW，分布式累计装机容量为10.32 GW，全年光伏发电量为662亿kW·h，占我国全年总发电量的1%，其中2016年光伏发电新增装机容量34.54 GW，新增和累计装机容量均为全球第一[1]。

太阳能电池板作为光伏电站将太阳能转化为电能的核心设备，其质量好坏直接影响光能转化效率及其可用寿命。虽然电池板在出厂时已经进行过质量检测，但由于太阳能光伏电站一般处于环境比较恶劣的地区，如戈壁、半固定沙漠、盐碱地等地，而且光伏组件长期暴露在室外，受风、雨、雪、覆冰等不良天气影响，热斑、隐裂、断栅、线路松动及导带松动等故障时有发生[2-3]。这对光伏电站的发电效率造成很大影响，甚至引发安全事故。太阳能电池板表面缺陷很可能造成使用中的电气故障，但由于电池表面缺陷的细微性和隐秘性，人眼难以分辨这种表面缺陷。所以专家和学者们提出了很多检测电池板表面缺陷的方法，目前常用检测方法有电致发光成像、光致发光成像、锁相热、光传输、电子散斑干涉技术和声学显微镜扫描技术等。

也有学者提出了一些采用计算机图像分类的方法。如赵慧阳[4]采用机器视觉理论对太阳能电池板的表面缺陷问题做了相关的研究工作，人为选取特征参数分类检测具体缺陷，对缺角和裂纹的识别率均达到90%以上，对断栅的识别率达75%。但是识别过程较为繁琐，如获取图像时需要先布置好均匀的环形光源，而且人为选取的特征参数如果不完整或有差错，将会严重影响分类结果[5]；冯博[6]根据渗透算法和张量投票算法，充分利用裂纹本身的性质，采用一种局部并行的探测手段检测图像中的细微裂纹，该方法误检漏检率小，算法参数少，但需要布置相应的检测设备，这在海上光伏或者地形较为复杂的地区很难实施，且运行时间方差较大，最长时间为20 s。

近些年深度学习在图像处理中发展起来的卷积神经网络引起专家学者们的广泛关注，由于其具有显著的识别效果，无需对图像做前期复杂的预处理，现已成功应用于手写字符识别[7]、人脸识别[8]、车牌号识别[9]、人眼检测[10]、行人检测[11]等领域，如Pierre Sermanet等将卷积神经网络应用于街牌号识别，准确率达到95.10%[12]。鉴于电致发光（EL）检测技术不断发展，并已经在光伏组件的产品检测、户外实证、长期可靠性、电站检测等方面得到广泛应用[13-14]，本文利用卷积神经网络对电致发光成像的光伏电池板进行识别分类。由于光伏电池图像较难获取，如果所分类别较多，每个类别图像数量就会减少，这样网络将得不到充分学习，会显著影响分类效果[15]，所以本文仅针对最常出现的缺陷——裂纹进行识别分类。

1 经典LeNet-5模型结构

LeNet-5模型是Yann LeCun[16]提出的一种经典的卷积神经网络，最初用于手写体数字识别，非常适合进行图像特征提取。本文将LeNet-5模型应用于太阳能电池板缺陷识别，识别输出只有两类：有裂纹的电池板和无裂纹的电池板。LeNet-5模型网络结构如图1所示，除去输入层，LeNet-5模型共有7层，包含卷积、下采样（池化）和全连接3种类型，输入层为像素32×32（将原始图像压缩）的图像。

图1 LeNet-5网络结构

1.1 卷积层

卷积运算主要利用3个思想来帮助改进机器学习系统：稀疏交互、参数共享、等变表示。稀疏交互通过设置核的大小远小于输入的大小来实现，如此不仅可以减少模型的存储需求，还能提高统计效率；参数共享是指在一个模型的多个函数中使用相同的参数，这样可以明显降低模型的存储需求；等变表示是指一旦某个函数输入改变，输出也将以同样的方式改变，这样可以在处理时间序列或图像时方便很多。卷积层得到的特征图为每个卷积核通过“滑动窗口”的方式提取出输入数据不同位置的特征[17]。也可以理解为输入图像与卷积核卷积运算之后再加一个偏置，然后通过激活函数激活得到卷积层的特征图。卷积公式为

1.2 下采样层

下采样使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出，最常用的下采样方法为最大池化(max-pooling)和平均池化(mean-pooling)，可以对上一层网络取相邻区域的最大值或平均值，下采样公式为

以下采样层S2为例，S2包含6个特征图，每个特征图的每个神经元以C1层中2×2的局部邻域为输入，采样步长为2，因此S2层每个特征图的大小都是C1层中的1/4，下采样过程如图3所示。

图3 下采样过程示意

S2层特征图的尺寸为14×14，总共需要训练的参数有(1+1)×6=12个，连接参数有6×((2×2)+1)× (14×14)=5 880个。

2 改进LeNet-5模型

单个光伏电池板图像像素较大(120×120)，即每个图像包含的信息量很大，而光伏电池板缺陷本身的特征信息不明显，且分类数目较少，如果继续用经典LeNet-5模型，会导致网络的学习能力不足而产生欠拟合，分类效果差。故改进时首先增加了网络容量，增强网络的学习能力，将原来的7层增加为10层，增加了1层卷积层、1层最大池化层和 1层全连接层，且在卷积层和池化层的特征图及全连接层的节点数目作了相应的改变，结构参数对比见表1和表2。除此之外，网络的超参数也做了相应的改变，并在全连接层加入了dropout，有效减小了由于图像数目较少造成的过拟合程度。该网络最大迭代步数设为350，批次样本大小设为14，正则化系数设置为0.002，学习率设为0.000 8，dropout设为0.7。

3 Tensorboard可视化调试

当设计的网络较复杂，为了方便调试参数以及调整网络结构，需要将计算图可视化，以便改善网络结构、调整超参数等来提升网络的满意度。Tensorboard是Tensorflow提供的一个可视化工具，能够有效地展示Tensorflow在运行过程中计算图和各种指标随运行时间或迭代步数变化的趋势和分布。

表1 经典LeNet-5模型连接参数

Tab.1 The connection parameters of the classical Lenet-5 model

表2 改进LeNet-5模型连接参数

Tab.2 The connection parameters of the improved LeNet-5 model

Tensorboard通过读取Tensorflow的时间文件运行，利用其可视化性能，可得到改进LeNet-5模型结构及其细节。打开Tenorboard后，可以读取程序运行信息，并以图表的方式展现出来。如标量图(Scalars)可以展示需要展示的信息（准确率、交叉熵损失、学习率、每一层权重和偏置的最大最小值及方差和平均值随着迭代步数的变化），从重要参数的变化趋势可以得到每一层网络的训练情况，并对相应的参数做出调整。图4为网络中部分节点值随迭代步数变化的标量图，图中阴影为Smoothing（平滑）之前的曲线。图4a)为准确率随着迭代步数的变化曲线，可以直接找出网络开始收敛的步数；图4b)为第1层网络中权重最大值随迭代步数的变化曲线，可以发现权重最大值随迭代步数的增加而增大；图4c)为第1层权重最小值随迭代步数变化，可以看出权重最小值随迭代步数逐渐减小；图4d)为第1层权重方差随迭代步数变化，权重方差随迭代步数逐渐增大；神经元之间的参数差异越来越大，说明在该层网络运行良好，因为理想情况下每个神经元都应该去关注不同的特征，每个参数也应有所不同。

图4 部分节点值随迭代步数变化的标量图

4 光伏电池板缺陷识别实验

4.1 实验平台及方法

本次实验软件平台为python，图像样本由莱克斯公司提供，共有220张，其中缺陷样本有140张，打乱顺序后随机抽出20张作为测试集。部分实验图像样本如图5所示。

图5 部分实验数据

图5中a)、b)、c)为有隐裂的光伏电池板图像，d)为完好的光伏电池板图像。采用经典LeNet-5模型、改进LeNet-5模型和径向基核函数（RBF）的支持向量机（SVM）进行光伏电池板缺陷分类。

4.2 实验结果

图6为经典LeNet-5模型和改进LeNet-5模型进行光伏电池板缺陷分类时准确率与交叉熵损失对比。为防止过拟合，在2个深度网络中均加入l2正则化，并在改进LeNet-5模型的全连接层加入了dropout，虽然波动更频繁，但过拟合现象有所减小。

图6 LeNet-5模型改进前后准确率与交叉熵损失对比

由图6可见：采用经典LeNet-5模型分类时，在迭代步数约为180时开始收敛，训练集准确率趋 于1，交叉熵损失趋于0.06，而测试集准确率趋于0.80，交叉熵损失趋于0.59，说明存在过拟合现象；采用改进LeNet-5模型分类时，迭代步数也在约为180时开始收敛，训练集准确率趋于0.99，交叉熵损失趋于0.04，而测试集准确率趋于0.90，交叉熵损失趋于0.49，分类效果明显优于经典LeNet-5模型；采用RBF的SVM进行光伏电池板缺陷分类时，发现该算法将所有测试集归为一类，分类准确率仅为58.3%，分类效果远不如经典LeNet-5模型。

5 结 语

本文将经典LeNet-5模型用于光伏电池板缺陷识别，由于光伏电池板图像数据有限，单张图像包含的像素较多且分类数目少，经典LeNet-5模型的网络容量和超参数并不适于电池板缺陷识别。借助Tensorboard可视化性能，调试网络结构和超参数后得到改进LeNet-5模型，并将其用于光伏电池板缺陷识别，得到的分类效果与经典LeNet-5模型和SVM的识别效果进行比较，发现改进LeNet-5模型准确率和交叉熵损失均最优。

本次光伏电池板图像样本数量较少，分类类别也较少。如果能得到更多的图像样本，可以设置更多的分类类别，如隐裂、断栅、黑心和热斑等，而且准确率也将能得到进一步的提升。

［1］人民日报. 我国光伏装机容量世界第一[J]. 创新时代, 2017(3): 99. DOI:10.3969/j.issn.1674-6538.2017.03.042. People’s Daily. China’s PV installed capacity is the biggest in the world[J]. Innovation Time, 2017(3): 99. DOI:10.3969/j.issn.1674-6538.2017.03.042.

［2］ 王晗. 多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 上海: 上海交通大学, 2014: 3-11.

WANG Han. Polysilicon solar wafer surface defect detection and the design and development of software inspection system[D]. Shanghai: Shanghai Jiao Tong University, 2014: 3-11.

［3］ 王楠. 基于视觉的硅太阳能电池检测方法的研究[D]. 保定: 河北农业大学, 2014: 11-18.

WANG Nan. Research of silicon solar cell based on visual detection method[D]. Baoding: Agricultural University of Hebei, 2014: 11-18.

［4］ 赵慧阳. 基于机器视觉的太阳能电池片表面缺陷检测的研究[D]. 秦皇岛: 燕山大学, 2011: 11-57.

ZHAO Huiyang. Research on surface defect inspection of solar cell based on machine vision[D]. Qinhuangdao: Yanshan University, 2011: 11-57.

［5］ 李梦园. 深度学习算法在表面缺陷识别中的应用研究[D]. 杭州: 浙江工业大学, 2015: 1-2.

LI Mengyuan. Research and application of deep learning algorithm in suface defect recognition[D]. Hangzhou: Zhejiang University of Technology, 2015: 1-2.

［6］ 冯博. 太阳能电池片表面裂纹检测算法的研究与实现[D]. 长春: 吉林大学, 2014: 32-50.

FENG Bo. Research and implementation of crack detection algorithm on the surface of solar cell[D]. Changchun: Jilin University, 2014: 32-50.

［7］ LAUER F, SUEN C Y, BLOCH G. A trainable feature extractor for handwritten digit recognition[J]. Pattern Recognition, 2007, 40(6): 1816-1824.

［8］ LAWRENCE S, GILES C L, TSOI A C, et al. Face recognition: a convolutional neural-network approach[J]. IEEE Transactions on Neural Networks, 1997, 8(1): 98-113.

［9］ 赵志宏, 杨绍普, 马增强. 基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 系统仿真学报, 2010, 22(3): 638-641.

ZHAO Zhihong, YANG Shaopu, MA Zengqiang. License plate character recognition based on convolutional neural network LeNet-5[J]. Journal of System Simulation, 2010, 22(3): 638-641.

［10］ TIVIVE F H C, BOUZERDOWN A. An eye feature detector based on convolutional neural network[C]// Eighth International Symposium on Signal Processing and ITS Applications. [S. l.]: IEEE, 2006: 90-93.

［11］ SZARVAS M, YOSHIZAWA A, YAMAMOTO M, et al. Pedestrian detection with convolutional neural networks[C]//Intelligent Vehicles Symposium, 2005 Proceedings. [S. l.]: IEEE, 2005: 224-229.

［12］ SERMANET P, CHINTALA S, LECUN Y. Convo- lutional neural networks applied to house numbers digit classification[C]//Pattern Recognition (ICPR), 21st International Conference on IEEE. [S. l.]: IEEE, 2012: 3288-3291.

［13］ 林剑春, 杨爱军, 沈熠辉. 电致发光缺陷检测仪的成像性能评估[J]. 光学精密工程, 2017, 25(6): 1418-1424.

LIN Jianchun, YANG Aijun, SHEN Yihui. Evaluation of imaging performance for electroluminescence defect detector[J]. Optics and Precision Engineering, 2017, 25(6): 1418-1424.

［14］ 施光辉, 崔亚楠, 刘小娇, 等. 电致发光(EL)在光伏电池组件缺陷检测中的应用[J]. 云南师范大学学报(自然科学版), 2016, 36(2): 17-21.

SHI Guanghui, CUI Yanan, LIU Xiaojiao, et al. Electrolumninscent application in defects detection of photovoltaic-module[J]. Journal of Yunnan Normal University (Natural Sciences Edition), 2016, 36(2): 17-21.

［15］ LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436.

［16］ LÉCUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

［17］ 杨振杰. 基于CNN的交通标志识别方法研究[D]. 天津: 天津工业大学, 2017: 13-15.

YANG Zhenjie. Research on traffic sign recognition method based on CNN[D]. Tianjin: Tianjin Polytechnic University, 2017: 13-15.

Identification and classification of defects in solar cells based on LeNet-5 model

WU Tao, LAI Fei

(Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China)

The solar cell, as the core component of photovoltaic power generation module, its quality directly relates to security and efficiency of power generation. So the defect detection of solar cells plays a very important significant role. Taking into account the inefficiencies and high costs of manual detection, this paper proposes to use the convolutional neural network with good image classification performance in the deep learning field to automatically identify and classify the cell. Based on the visualization performance of Tensorboard on Tensorflow platform, the structure of the classical LeNet-5 model is improved and the hyper parameters are adjusted. Moreover, the classification results of the improved LeNet-5 model are compared with that of the classical LeNet-5 model and support vector machine. The results show that the classification effect of the improved LeNet-5 model is the optimal.

solar panel, LeNet-5 model, image classification, convolutional neural network, hyper parameter, Tensorboard

TP391.4

A

10.19666/j.rlfd.201807147

吴涛, 赖菲. 基于LeNet-5模型的太阳能电池板缺陷识别分类[J]. 热力发电, 2019, 48(3): 120-125. WU Tao, LAI Fei. Identification and classification of defects in solar cells based on LeNet-5 model[J]. Thermal Power Generation, 2019, 48(3): 120-125.

:10.3969/j.issn.1674-6538.2017.03.042.

2018-07-30

吴涛(1993—)，男，硕士研究生，主要研究方向为深度学习在发电领域中的应用，249942815@qq.com。

（责任编辑 杜亚勤）