基于深度置信网络的太阳能光伏面板缺陷检测方法

刘忠德，陈智云，周俊杰，杨祖球，石浩然

(国家电投江西电力有限公司，江西 南昌 330096)

作者简介：刘忠德（1964—），男，教授级高工，硕士，主要研究方向为电力系统及自动化， liuzd@tom.com.

摘要：针对传统太阳能光伏面板缺陷检测方法存在检测效率低以及准确率低的问题，提出一种融合纹理特征和颜色特征的太阳能光伏面板缺陷深度学习检测模型，使用深度置信网络模型对缺陷样本进行学习、训练，引入图像纹理特征及颜色特征改进缺陷识别过程，并采用最大似然法和自适应时刻估计法对深度置信网络的参数进行优化。实验结果表明，用所提算法进行太阳能光伏面板缺陷检测的识别准确率高达99.42%，比傅里叶重构技术提高了3.15%，有效提高了面板缺陷检测的准确率，为太阳能光伏面板缺陷检测提供了新的方法。

关键词：深度置信网络；颜色特征；纹理特征；缺陷检测；光伏面板

中图分类号：TP391.4      文献标识码：A      文章编号：2095-509X(2021)05-0061-04

太阳能光伏面板是将太阳能转化为电能的光伏发电组件的核心组成部件，其质量的好坏直接影响发电效率和发电安全。光伏面板表面缺陷具有隐蔽性，极容易漏检，若不及时发现并解决将会产生一连串的影响，甚至造成电路板短路，产生安全隐患，亦或发生安全事故^［1］。传统的太阳能光伏面板缺陷检测主要采用人工目视检测，存在检测质量和检测效率低的不足，同时检测成本高并且检测重复性差^［2］。随着图像分析技术和机器视觉技术等研究的逐渐深入和完善，运用机器视觉技术进行表面缺陷检测越来越多。文献^［3］将傅里叶重构技术应用于太阳能电池片缺陷检测，运用深度学习对裂痕、刮擦和缺角等表面缺陷进行检测，研究结果表明，与鲁棒主成分分析相比，基于深度学习的太阳能电池片表面缺陷检测对断片的识别率达到78%，对缺角和隐裂的识别率达到了89%，但识别算法的过程较为复杂，运行较为耗时，误检率较高。

本文借鉴前人经验，结合近年来广泛应用于图像识别技术的深度学习算法-深度置信网络(deep belief Network，DBN)，通过对缺陷样本进行学习、训练，引入图像纹理特征及颜色特征提升算法的缺陷识别率，并采用粒子群优化算法对深度置信网络的参数进行优化，不但可以有效提高缺陷的识别精度，而且可以降低算法的复杂性，减少运行时间。