基于深度置信网络的电致发光相机图片质量控制

游宏亮 罗俊 黎健生

摘要：文中针对电致发光测量的原理，设计出能高效测量的方法，能实现光伏组件电致发光图像质量的一致性。通过预设施加于光伏组件的电压和红外相机的拍摄参数，得到电致发光图像。应用深度置信网络方法，可由电致发光图像的灰度均值、标准偏差与亮度和对比度生成两个增益因子的非线性映射关系，根据图像本身的均值与标准偏差自动获取增益因子，从而调整相机的拍摄参数。文中提出的方法为光伏组件电致发光图像质量的评估提出了新思路。

关键词：深度置信网络；电致发光；自适应增强

Image Quality Control of Electroluminescent Cameras Based on Deep Belief Network

YOU Hongliang1，2， LUO Jun1，2， LI Jiansheng1，2

（1Fujian Metrology Institute， Fuzhou 350003， Fujian， China）

（2 National PV Industry Measurement and Testing Center， Fuzhou 350003， Fujian， China）

Abstract： Aiming at the principle of electroluminescence measurement， this paper designs a method that can be efficiently measured and can achieve the consistency of electroluminescence image quality of photovoltaic modules. By presetting the voltage applied to the photovoltaic module and the shooting parameters of the infrared camera， an electroluminescent image is obtained. By using the depth confidence network method， the nonlinear mapping relationship between the two gain factors can be generated from the gray level mean， standard deviation， brightness and contrast of the electroluminescent image， and the gain factor can be automatically obtained according to the mean and standard deviation of the image itself， so as to adjust the camera shooting parameters. The method proposed in this paper puts forward new ideas for the evaluation of electroluminescence image quality of photovoltaic modules.

Key Words： Deep belief network; Electroluminescence; Adaptive enhancement

0 前言

在光伏电站组件安装质量检查中，包含EL（电致发光）检测、外观检查、接地连续性检测、技术资料完整性和规范性检查等项目，其中组件安装后的EL（电致发光）检测是评估电站安装质量及性能的最重要依据，如电致发光图像合格率达不到要求，很可能要求电站组件退货，重新安装光伏组件。目前行业中针对光伏电站的EL检测主要靠户外EL测量仪进行。户外EL测试仪主要由定制支架、红外相机、可编程直流源或大容量蓄电池组成。在测试过程中，支架上相机的位置、组件端施加电压和电流设置[1]、相机的拍摄参数都需要在检测过程中不断调节，才能采集到符合要求的EL图片。当检测大型光伏电站时，组件类型及需检测的组件较多，反复调节设备占据了绝大部分工作时间，效率较低，且难以保证电致发光图像明暗一致，不利于电致发光图像缺陷的判定。

文中针对电致发光测量的原理，通过调整影响电致发光成像的测量参数[2]，采用深度置信网络，建立电致发光图像的灰度均值标准偏差与亮度和对比度两个增益因子的非线性映射关系，根据电致发光图像本身的均值与标准偏差自动获取增益因子，[3]从而调整相机的拍摄参数。该方法对于亮度和对比度都较低的电致发光图像增益效果较好，可用于基于动态电致发光图像处理的在线检测系统的预处理。经现场实验，该方法能实现光伏组件电致发光图像质量的一致性。

1 影响参数调整实验

1.1实验准备

影响电致发光成像明暗的测量参数主要是直流源参数（电压、电流）和红外相机参数（曝光时间、感光度）。首先，选定一块光伏组件（开路电压：47.82V、短路电流：9.75A、最大功率：365.0W），按照电致发光成像测试晶體硅光伏组件缺陷的方法，设定相机（尼康相机，型号：D5300，需更换红外滤光片）和直流源参数和，调整相机角度，开启直流源拍摄得到一张符合要求的光伏组件电致发光图像，并作为实验组（电压45V、电流9A、 曝光时间4s、光圈4、感光度1250）。然后，通过更改测量参数设置多个实验对照组，本次实验选取的测量参数有：直流源设定电压、直流源设定电流、红外相机曝光时间、红外相机光圈、红外相机感光度。

1.2 评估方法

直流源参数（电压、电流）分别做以下两组实验：第一组在保持实验组除电压外，其他参数保持不变，将电压从47V到40V依次降低并测试得到电致发光图像（为便于判别，选取光伏组件中间一块电池片作为实验参考图像），具体数据见表1；第二组在保持实验组除电流外，其他参数保持不变，将电流从9A到1A依次降低并测试得到电致发光图像，具体数据见表2。

由于光伏组件自身阻抗，若直流源设定电压较低，输入电流也会随之降低，电致发光图像也会明显变暗。但根据实验数据显示，在电致发光图像符合标准要求的范围内，电压从47V降到45V中的电致发光图像灰度值并无明显变化，且电压降到44V后图像明显变暗且不符合标准要求。所以在实际测量中，直流源设定电压只能在一小段区域内且接近光伏组件最大功率，故直流源设定电压不作为影响电致发光成像明暗的重要测量参数。

在上述实验中发现，在电压保持不变，电流持续降低，在9A到1A这段范围内，电致发光图像灰度值都在70左右，对测试结果影响较小，但要注意当电流降到1A时，电致发光图像灰度值急剧降低，所以在实际测量中电流需保持在一定范围内，一般设置不小于0.6倍的光伏组件短路电流。故直流源设定电流也不作为影响电致发光成像明暗的重要测量参数。

红外相机参数（曝光时间、感光度）分别做以下两组实验：第一组在保持实验组除曝光时间外，其他参数保持不变，将曝光时间从10s到1s依次降低并测试得到电致发光图像，见表3；第二组在保持实验组除感光度外，其他参数保持不变，将感光度从3200到640依次降低并测试得到电致发光图像，见表4。

曝光时间是让光线落在相机图像传感器上的时间。曝光时间越长，就越能曝光传感器为像素充电以使其更亮。在上述实验中发现，在第一组实验中随着曝光时间不断下降，电致发光图像灰度值也随之下降，数值下降明显且降幅相近。从图1中可以直观地看到，数据整体近似一条直线，规律明显，故曝光时间可以作为影响电致发光成像明暗的重要测量参数。相机在拍摄运动物体时，曝光时间长会导致运动的物体产生拖影，在户外测量时，由于相机是固定在三脚架或其他支架上，曝光时间过长微风扰动或测量人员手抖容易造成画面模糊，影响电致发光图像缺陷判断。根据户外实测经验，曝光时间需控制在10s以内。

感光度（ISO）是反映相机的底片对于光的灵敏程度，光的灵敏程度越高，成像效果就越亮。由于主要成像亮度在光伏组件上，感光度越高，图像的亮度也会随之提高。在上述实验中发现，在第三组实验中随着感光度不断下降，电致发光图像灰度值也随之下降，数值下降明显且降幅相近。从图2中可以直观地看到，数据整体近似一条直线，规律明显，故感光度可以作为影响电致发光成像明暗的重要测量参数。在实际测量中，感光度若设置过高，反而会将电致发光图像缺陷覆盖，反而会影响数据的准确性，导致判断失误。根据户外实测经验，感光度需控制在2500以内。

从上述实验中可以看出，曝光时间和感光度对电致发光的成像质量影响较大。文中由电致发光图像的灰度均值、标准偏差与亮度和对比度生成两个增益因子的非线性映射关系，根据电致发光图像的均值与标准偏差自动获取增益因子，从而调整相机的曝光时间和感光度的增益因子。

2 自适应图像灰度、均值调整算法

将图像的灰度均值和标准偏差作为深度置信网络的输入，曝光时间和感光度的增益因子作为深度置信网络的输出，建立一个深度置信网络（Deep Belief Networks，DBN）其基本结构如图3所示。

在训练过程中，以重置的误差函数作为新的目标函数，对RBM进行重复训练；在微调过程中，利用带标签的训练样本训练分类器，将已经调整好的参数作为微调的初始值，使用随机梯度下降法，通过最大化对数似然函数学习得到模型中的参数，由此学习到模型中较精致的特征。[4]

3 总结

3.1 实验实施

实验硬件环境为：实验采用尼康D5300相机，光圈大小自动控制，工作电压为5V。光伏组件电（选取与2.1中电参数不一致的光伏组件）性能参数：开路电压：48.66V、短路电流：9.53A、最大功率：368.0W。

通过随机更改试选取200张采集的电致发光图像，得出图像的灰度均值和标准偏差，再归一化，设定为深度置信网络的输入向量。通过对图像的人工辅助增益，确定增益因子A和B的大小，再归一化后作为深度置信网络的目标向量。表5为部分实验数据。

利用python深度置信网络，采用上述步骤中计算的输入向量和目标向量作为深度置信网络的输入和输出，训练时设定可视层为 3、4、5和6层，隐含层的结点为 4、8、12、16。使用十折交叉验证法共做了10次交叉验证，通过数据集划分为10份，轮流将其中9份作为训练数据，剩余的1份作为测试数据。训练集用于网络模型的构建、参数调整和训练。[4]最终得到较合适参数：深度置信网络模型的层数为4，每层节点数为8，迭代次数为20。

对模型进行训练，如图3所示，当训练进行到迭代次数为20时满足低于停止训练阈值条件，均方误差为0.0047，表明模型结果较为理想。

3.2 实验分析

选20张电致发光图像对深度置信网络的映射关系进行验证，并对训练结果进行分析。

为了验证该算法的有效性，将训练好的深度置信网络用于增益TFDS系统采集的图像，并与直方图均衡化的结果进行比较，将视觉效果、嫡和直方图相结合对增益后的图像质量进行评价。

实验采用了10幅图像来验证深度置信网络对图像增益的有效性，实验结果如表6所示。其中，p1和p2为图像增益前后的嫡；t为运行时间。图像嫡作为图像信息的度量，可以较好地评价图像的对比度和清晰度。从表6可以看出，增益后的电致发光图像质量较前有了很大的改善。[5]

图4实验为对低亮度、低对比度图像的自适应增益结果，自适应前的原电致发光图像的m和σ分别为22.34和19.45，p2为3.88。肉眼可见：原电致发图像的亮度和对比度都较低，会对图片细节判断造成影响。

利用深度置信网絡进行仿真得到增益因子A和B分别为3.56和3.8，运算时间为57.44ms。增益后电致发图像的p2为5.64。均衡化后的直方图较为平坦，从而使熵值接近最大值。虽然从均衡化后的直方图中能看出均衡化造成的灰度级缺失，但从均衡化后的图像可以看出，亮度和对比度有显著提高。

图5的实验为对高亮度、高对比度的电致发图像进行的自适应增益结果。自适应前的原电致发光图像的m和σ分别为52.18和66.42。肉眼可见：原电致发图像的亮度和对比度都较高，图片细节被遮盖，无法对图片进行正常判断。

经深度置信网络仿真后得出增益因子A、B分别为2.57和2.67，运算时间为46.7ms。增益前后图像熵分别为5.23和5.68。从均衡化后的图像可以看出，除去曝光过强的部分，图像的其它部分都较为清晰，亮度和对比度有显著提高，从均衡化后的直方图中可以看出，图像的灰度分布较为均匀，范围较广。

4 结论

文中提出了能实现光伏组件电致发光图像质量的一致性的方法，通过选择影响电致发光成像明暗的主要测量参数：直流源参数（电压、电流）和红外相机参数（曝光时间、光圈、感光度），从设置的多个实验对照组数据判断选择出影响电致发光成像明暗的重要测量参数：曝光时间和感光度；再根据这两个参数和对应的灰度值采用深度置信网络算法训练，使得网络具有联想能力和预估能力，能实现光伏组件电致发光图像的灰度值一致性。暗室和夜晚情况下的光伏组件电致发光测量，使用该方法且能保证测试图像的一致性，对后续图像的判别更具准确性，对光伏组件合格率与光伏电站安装质量的评估更具有说服力。文中提出的方法为光伏组件电致发光图像质量的评估提出了新思路。

参考文献

[1]电致发光成像测试晶体硅光伏组件缺陷的方法：TCPIA 0009-2019[S].

[2]陈文志，张凤燕，张然，李超.基于电致发光成像的太阳能电池缺陷检测[J].发光学报，2013，08：1028-1034.

[3]谭海曙，周富强，熊瑛，李学夔.基于神经网络的图像亮度和对比度自适应增强[J].光电子·激光.2010-12-15：1881-1882.

[4]张善文，张传雷，丁军.基于改进深度置信网络的大棚冬枣病虫害预测模型[J].农业工程学报， 2017（19）：203.

[5]谭海曙，周富强，熊瑛，李学夔.基于神经网络的图像亮度和对比度自适应增强[J].光电子·激光.2010-12-15：1883.