[发明专利]一种基于全卷积神经网络的光伏组件图片切割方法

说明书

本发明公开了一种基于全卷积神经网络的光伏组件图片切割方法，涉及计算机视觉技术领域。该方法包括：首先，构建全卷积网络，然后，在划分与预处理好的数据集上优化网络；其次将预处理后的光伏电池板图像输入到训练好的全卷积神经网络，获得若干个与电池片单元对应的图像掩码，构成第一掩码图像；通过形态学腐蚀算法对第一掩码中粘连的单元进行分离，获得第二掩码图像；检测第二掩码图像中缺失的掩码的区域，并利用与电池片单元大小和形状完全相同的图像掩码对该区域进行补全，获得第三掩码图像；将第三掩码图像与光伏电池板图像进行叠加，获得电池片单元的分割图像。与现有技术相比，本发明具有精度高、可靠性强和鲁棒性好等优点。

技术领域

本发明涉及计算机视觉技术领域，尤其是一种基于全卷积神经网络的光伏组件图片切割方法。

背景技术

光伏组件作为太阳能发电系统的核心部分，近年来受到了越来越广泛的关注。由于生产工序和制作工艺复杂，光伏组件中容易产生缺角、隐裂、虚焊和断栅等多种缺陷，这些缺陷会影响光伏组件发电效率和使用寿命。因此需要在生产过程中及时检测出光伏组件中的缺陷。然而在自动化检测缺陷的过程中，光伏组件图片通常由数以千万计的像素构成，而缺陷有时仅占据图像中极小的一部分，直接对其进行检测非常困难。目前普遍做法是将组件图片拆分成多个单元，对每个单元分别进行处缺陷检测，然后再将各单元的检测结果进行汇总，从而达到更加精确的检测效果。

目前通常的图片拆分方式包括平均切割法和图像检测法；

平均切割法，对光伏组件图像进行平均切割，获得若干个更小的图片单元，然后对图片单元中的图像进行预测。该方法虽然操作简单，但为后续的缺陷检测增加了难度，以光伏组件中的分叉隐裂为例，由于缺陷位置和大小的随机性，得到的图片单元中可能只包含了缺陷的一部分，从而使其失去了该类别缺陷的特征。另外，光伏组件的电池区域外通常还会有多余的非功能区域，该区域通常以黑边形式呈现，黑边会对切图造成影响，影响检测结果的准确性；

图像检测法，采用传统图像处理中的边缘检测和直线检测等方法来提取光伏组件中的每个电池片单元，但这种方法也存在局限性，只能对规则清晰、外观变化很小的光伏组件进行有效切割，而实际工业检测场景中，成像质量和机台的稳定性往往没法得到有效的保障，从而易造成过分割或欠分割问题，使电池片单元失去完整性，检测结果的可靠性低。

发明内容

（一）要解决的技术问题

本发明的目的是提供一种基于全卷积神经网络的光伏组件图片切割方法，解决图像像素量级大，难以直接检测缺陷，以及在提取电池片单元时存在的鲁棒性差的问题。

（二）发明内容

为了解决上述技术问题，本发明提供了一种基于全卷积神经网络的光伏组件图片切割方法，精度高，可靠性强，鲁棒性好。具体包括以下步骤：

步骤一：构造图像数据集；首先获取若干张光伏电池板样本图像以及光伏电池板样本图像对应的标签，并将其划分为训练集和测试集；

步骤二：图像预处理；求取数据集的均值 μ和标准差σ，然后对图像进行归一化；

步骤三：全卷积网络的搭建；

步骤四：端到端训练全卷积网络；在训练过程中，利用交叉熵作为网络的损失函数来计算网络的误差，然后采用随机梯度下降法不断更新网络参数来获得最优网络；

步骤五：掩码图像获取，包括掩码生成模块、掩码分离模块和掩码补全模块；

步骤六：生成图像切割单元；将掩码图像与电池板图像进行叠加，得到图像切割的电池片单元。

其中步骤三，包括以下过程：

（1）首先构建结构设定单元包括编码和解码两个路径；

（2）然后网络训练参数的设定包括全卷积神经网络的层数、通道数和卷积核大小，以及训练全卷积神经网络时所用的最小批次值、最大迭代次数以及学习率等超参数的设定。

其中步骤五，包括以下步骤：