基于光伏组件隐裂检测的电池板失效面积预测方法与系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于光伏组件隐裂检测的电池板失效面积预测方法与系统。

背景技术

随着光伏产业的不断发展，光伏组件产品的质量和可靠性受到极大重视。光伏组件的隐裂是光伏电站运行时的一个重大问题，且光伏组件存在隐裂会降低其效率、可靠性和使用寿命，甚至影响光伏系统的稳定性。

目前，本领域的技术人员通过研究光伏电池片隐裂的特征参数，测试光伏组件的性能，从而保证了光伏组件的可靠性和使用寿命。由于光伏组件的隐裂会造成电池板性能出现失效现象，进而会有电池板面积的失效，对于电池板失效面积的计算，通常采用人为目测的方法，但这样容易带来误差较大的数据结果。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于光伏组件隐裂检测的电池板失效面积预测方法与系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测方法，该方法包括以下步骤：

利用图像采集设备采集电池组件图像；

将所述电池组件图像输入第一神经网络，得到电池片的隐裂分割图像和隐裂类型；

对所述隐裂分割图像进行统计和分析，得到电池板的隐裂特征参数，所述隐裂特征参数为隐裂面积和隐裂的平均宽高比；

基于所述隐裂分割图像和所述隐裂类型，得到电池板的隐裂分布图和隐裂类型数量，所述隐裂分布图为隐裂类型空间分布图和隐裂分布区域图；

将所述隐裂特征参数、所述隐裂分布图和所述隐裂类型数量输入第二神经网络，预测电池板的失效面积。

所述电池片的隐裂分割图像和隐裂类型的获取方法，包括：

将所述电池组件图像输入第一支路神经网络得到所述隐裂分割图像；

将所述电池组件图像和所述第一支路神经网络中的电池片隐裂特征图输入第二支路神经网络得到所述隐裂类型。

所述第二神经网络的训练方法，包括：

获取标签数据，所述标签数据为拟合的电池板失效面积；

将所述隐裂类型空间分布图和所述隐裂分布区域图经过联合操作后送入第一全连接网络，得到隐裂分布的特征向量；

将所述隐裂面积、所述隐裂的平均宽高比和所述隐裂类型数量送入第二全连接网络，得到电池板隐裂特征向量；

将所述隐裂分布的特征向量和所述电池板隐裂的特征向量经过联合操作后送入第三全连接网络，预测电池板的失效面积。

所述拟合的电池板失效面积的获取方法为：

其中，S′为拟合的电池板失效面积；E1为正常无隐裂的电池板的发电量；E2为有隐裂的电池板的发电量；S为正常无隐裂电池板的面积。

第二方面，本发明另一个实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测系统，该系统包括：

图像采集单元，用于利用图像采集设备采集电池组件图像；

第一神经网络单元，用于将所述电池组件图像输入第一神经网络，得到电池片的隐裂分割图像和隐裂类型；

参数分析单元，用于对所述隐裂分割图像进行统计和分析，得到电池板的隐裂特征参数，所述隐裂特征参数为隐裂面积和隐裂的平均宽高比；

特征分析单元，用于基于所述隐裂分割图像和所述隐裂类型，得到电池板的隐裂分布图和隐裂类型数量，所述隐裂分布图为隐裂类型空间分布图和隐裂分布区域图；

第二神经网络单元，用于将所述隐裂特征参数、所述隐裂分布图和所述隐裂类型数量输入第二神经网络，预测电池板的失效面积。

所述第一神经网络单元，包括：

第一支路神经网络单元，用于将所述电池组件图像输入第一支路神经网络得到所述隐裂分割图像；

第二支路神经网络单元，用于将所述电池组件图像和和所述第一支路神经网络中的电池片隐裂特征图输入第二支路神经网络得到所述隐裂类型。

所述第二神经网络单元，包括：

拟合单元，用于获取标签数据，所述标签数据为拟合的电池板失效面积；

第一全连接网络单元，用于将所述隐裂类型空间分布图和所述隐裂分布区域图经过联合操作后送入第一全连接网络，得到隐裂分布的特征向量；

第二全连接网络单元，用于将所述隐裂面积、所述隐裂的平均宽高比和所述隐裂类型数量送入第二全连接网络，得到电池板隐裂特征向量；

第三全连接网络单元，用于将所述隐裂分布的特征向量和所述电池板隐裂的特征向量经过联合操作后送入第三全连接网络，预测电池板的失效面积。

所述拟合的电池板失效面积的获取方法为：

其中，S′为拟合的电池板失效面积；E1为正常无隐裂的电池板的发电量；E2为有隐裂的电池板的发电量；S为正常无隐裂电池板的面积。

本发明实施例至少存在以下有益效果：利用双路结构的第一神经网络对电池片进行隐裂检测，进而通过分析隐裂特征，将得到的隐裂特征参数输入第二神经网络，不仅能够为电池板的失效面积预测提供有效的特征，进一步得到严谨的预测数据结果，而且提高了电池板的失效面积预测的严谨性和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的基于光伏组件隐裂检测的电池板失效面积预测方法的流程图；

图2为本发明一个实施例所提供的基于光伏组件隐裂检测的电池板失效面积预测方法的步骤流程图；

图3为本发明一个实施例所提供的关于电池板样式的示意图；

图4为本发明一个实施例所提供的关于电池板样式中电池片的窗口大小的示意图；

图5为本发明一个实施例所提供的关于电池板的失效面积预测方法的流程图；

图6为本发明另一个实施例所提供的基于光伏组件隐裂检测的电池板失效面积预测系统的结构框图；

图7为本发明一个实施例所提供的关于第一神经网络单元的结构框图；

图8为本发明一个实施例所提供的关于第二神经网络单元的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光伏组件隐裂检测的电池板失效面积预测方法与系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于光伏组件隐裂检测的电池板失效面积预测方法与系统的具体方案。

参照附图1和附图2，本发明实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测方法，该方法包括以下步骤：

步骤S001，利用图像采集设备采集电池组件图像。

步骤S002,将电池组件图像输入第一神经网络，得到电池片的隐裂分割图像和隐裂类型。

步骤S003,对隐裂分割图像进行统计和分析，得到电池板的隐裂特征参数，隐裂特征参数为隐裂面积和隐裂的平均宽高比。

步骤S004，基于隐裂分割图像和隐裂类型，得到电池板的隐裂分布图和隐裂类型数量，隐裂分布图为隐裂类型空间分布图和隐裂分布区域图。

步骤S005，将隐裂特征参数、隐裂分布图和隐裂类型数量输入第二神经网络，预测电池板的失效面积。

进一步地，步骤S001中，本发明实施例通过电致发光测试仪中的红外相机拍摄电池组件图像。

需要说明的是，电致发光(EL)是物质在一定的电场作用下被相应的电能所激发而产生的发光现象。

当发光时，通过红外相机采集电池组件图像，红外相机应具备较高的空间分辨率，以提高后续隐裂检测的准确性。

进一步地，步骤S002中，第一神经网络包括采用编码器-解码器结构的第一支路神经网络和采用编码器-全连接结构的第二支路神经网络，通过训练这两支路神经网络，分别获取电池片的隐裂分割图像和隐裂类型。

其中，第一支路神经网络的具体训练过程如下：

1)将采集的电池组件图像经过归一化处理，即将图像矩阵变成[0，1]之间的浮点数，以便模型更好地收敛。

2)第一支路神经网络对电池组件图像中隐裂的线条进行标注，得到两类标签数据，分别为正常和隐裂，依次用数字0和1代替，并经过one-hot编码。

3)将归一化的的图像和标签数据输入电池片隐裂检测编码器进行特征提取，得到电池片隐裂特征图；将电池片隐裂特征图输入电池片隐裂检测解码器进行上采样并实施像素级分类，输出电池片的隐裂分割图像的概率值。

4)将电池片隐裂分割图像的概率值经过argmax操作得到电池片的隐裂分割图像。

5)第一支路神经网络中的损失函数采用交叉熵损失函数。

第二支路神经网络的具体训练过程如下：

1)将采集的电池组件图像经过归一化处理，即将图像矩阵变成[0，1]之间的浮点数，以便模型更好地收敛。

2)第二支路神经网络的标签数据为电池片的隐裂类型，共有七个类别，分别为正常、树状裂纹、综合型裂纹、斜裂纹、平行于栅线、垂直于栅线、贯穿整个电池片的裂纹，依次用数字0-6代替，并经过one-hot编码。

3)将归一化的图像和标签数据输入电池片隐裂类型分类编码器进行特征提取，得到电池片隐裂特征图；将由电池片隐裂类型分类编码器和电池片隐裂检测编码器分别得到的电池片隐裂特征图进行联合操作(Concatenate)，并经过压平操作(Flatten)，变为一维向量送入全连接层，全连接层起到将特征映射到样本标记空间的作用，则输出电池片隐裂类型的概率值。

4)全连接层中最后的分类函数采用softmax函数。

5)将电池片隐裂类型的概率值经过argmax操作得到电池片的隐裂类型。

6)第二支路神经网络中的损失函数采用交叉熵损失函数。

对于特征的提取有很多方式，本发明实施例为了兼顾效率，优先选择跳级连接结构的编码器-解码器。实施者也可以采用其他的编码器种类，或套用ICNet，Deeplab等语义分割网络来提取特征。由于EfficientNet图像分类网络以较小的计算代价获得了优秀的性能，故本发明实施例对于电池片缺陷类型分类编码器优先选择套用EfficientNet图像分类网络来进行特征提取。

需要说明的是，(1)参照附图3和附图4，图3为电池板样式，图4为电池片的窗口大小。对于第一神经网络的输入图像，该输入图像基于切片图像，方便分析每个电池片的隐裂类型，且该电池片的窗口大小可依据电池板样式来决定。

(2)第一神经网络中，第一支路神经网络可以对第二支路神经网络起到辅助训练、加速收敛的作用,即第二支路神经网络中的全连接层接收的电池片隐裂特征图是由电池片隐裂类型分类编码器和电池片隐裂检测编码器联合产生的，故电池片隐裂检测编码器的训练受到两个项的监督，因此电池片隐裂检测编码器产生的电池片隐裂特征图会更有利于全连接层的训练。

进一步地，步骤S003中，对电池片的隐裂分割图像进行分析和统计，得到电池板的隐裂面积和隐裂的平均宽高比，具体过程如下：

1)对隐裂分割图像进行隐裂面积的统计，将隐裂分割图像中像素值为1的总个数作为电池片隐裂面积，最终相加所有电池片的隐裂面积，得到电池板的隐裂面积。

2)对隐裂分割图像进行连通域分析，得到隐裂的连通域。

3)当连通域为一个时，得到该连通域的外接矩形，获取该外接矩形的宽高比，并将其作为电池片隐裂的宽高比；当连通域为多个时，由于每个连通域实际为点的集合，所以通过获取多个连通域点集合的外接矩形得到该外接矩形的宽高比，将其作为电池片隐裂的宽高比。

4)将所有电池片隐裂的宽高比相加，然后与电池片的整体个数相除，得到电池板隐裂的平均宽高比。

进一步地，步骤S004中，根据电池片的隐裂分割图像和隐裂类型，得到电池片的隐裂分布图和隐裂类型数量，具体过程如下：

1)由于输入第一神经网络的是基于切片图像的图像，所以可以得到每个切片图像的隐裂类型，基于每个切片图像的隐裂类型，可以形成整张电池板的隐裂类型空间分布图。

2)通常不同的隐裂在电池片的分布不同，如垂直裂纹型隐裂旨在组件边缘处发生。参照附图4，在图4的中心处设立正方形ROI区域，边长为窗口大小的60％，统计隐裂分割图像中连通区域处在ROI区域的面积，当连通区域面积中有大于M的面积比列处在ROI区域时，认定该电池片隐裂分布在边缘处，此窗口图像的像素值设置为1，反之，认定该电池片的隐裂分布在内部区域，像素值设置为0，且M为经验值，设置为0.3。

3)根据2)可以得到每个窗口图像的隐裂分布，基于每个电池片的窗口图像的隐裂分布，形成整张电池板的隐裂分布区域图。

4)隐裂类型数量则通过统计每个电池片的隐裂类型，得到每个隐裂类型的数量。

进一步地，参照附图5，步骤S005中，将上述得到的隐裂类型空间分布图、隐裂分布区域图、电池板的隐裂面积、隐裂的平均宽高比和隐裂类型数量输入第二神经网络进行训练，预测电池板的失效面积，具体过程如下：

1)获取标签数据，即电池板的失效面积S′。

在保证光照强度相同的情况下，通过太阳模拟器模拟在单位时间内正常无隐裂电池板的发电量E1和有各种隐裂类型分布的电池板的发电量E2，将发电量E2和发电量E1相除得到发电量比，然后利用实测的正常无隐裂电池板面积S，通过下述公式得到电池板的失效面积S′：

2)第二神经网络采用双路结构进行训练，且第二神经网络包括第一分支神经网络和第二分支神经网络。

第一分支神经网络的具体训练过程如下：

将隐裂类型空间分布图和隐裂分布区域图进行Concatenate操作，得到一个二通道且同大小的图像，然后将其图像输入图像特征提取编码器进行特征提取，得到特征图，将特征图Flatten操作展平为一维张量，送入第一全连接网络，得到隐裂分布的特征向量[B，128]，其中B代表Batch size。

第二分支神经网络的具体训练过程如下：

将隐裂特征参数和隐裂类型数量送入第二全连接网络，得到电池板隐裂的特征向量[B，256]，且隐裂特征参数和隐裂类型数量的形状为[B，9]，其中9代表一个电池板的隐裂面积、一个电池板的平均宽高比和一个电池板中七种不同隐裂类型的隐裂类型数量。

3)将隐裂分布的特征向量和电池板隐裂的特征向量进行Concatenate操作，即特征向量[B，128]和特征向量[B，256]Concatenate操作后形成特征向量[B，384]，然后送入第三全连接网络，得到电池板的失效面积。

4)第二神经网络中的损失函数采用回归型损失函数，如均方差损失函数等。

需要说明的是，第一全连接网络和第二全连接网络起到特征映射到高维空间的作用，第三全连接网络起到特征映射到样本标记空间的作用。

综上所述，本发明实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测方法，该方法通过对相机拍摄的电池组件图像通过第一神经网络，得到电池片的隐裂分割图像和隐裂类型，对电池片的隐裂分割图像和隐裂类型进行特征分析和统计，得到电池板的隐裂特征参数、隐裂分布图和隐裂类型数量，进一步通过第二神经网络，预测电池板的失效面积。利用双路结构神经网络进行隐裂特征分析和电池板失效面积的预测，一方面能够自动分析隐裂特征，得到准确的数据结果，另一方面利用得到的隐裂特征参数和隐裂分布图，能够为预测电池板的失效面积提供有效的特征。这样的方法避免了耗时耗力，提高了电池板的失效面积预测的严谨性和效率。

基于与上述方法相同的发明构思，本发明实施例还提供了一种基于光伏组件隐裂检测的电池板失效面积预测系统。

参照附图6，本发明实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测系统。该系统包括：图像采集单元10、第一神经网络单元20、参数分析单元30、特征分析单元40和第二神经网络单元50。

图像采集单元10用于利用红外相机采集电池组件图像；第一神经网络单元20用于将所述电池组件图像输入第一神经网络，得到电池片的隐裂分割图像和隐裂类型；参数分析单元30用于对隐裂分割图像进行统计和分析，得到电池板的隐裂特征参数，隐裂特征参数为隐裂面积和隐裂的平均宽高比；特征分析单元40用于基于隐裂分割图像和隐裂类型，得到电池板的隐裂分布图和隐裂类型数量，隐裂分布图为隐裂类型空间分布图和隐裂分布区域图；第二神经网络单元50用于将隐裂特征参数、隐裂分布图和隐裂类型数量输入第二神经网络，预测电池板的失效面积。

进一步地，参照附图7，第一神经网络单元20包括第一支路神经网络单元21和第二支路神经网络单元22。

第一支路神经网络单元21用于将电池组件图像输入第一支路神经网络得到隐裂分割图像；第二支路神经网络单元22用于将电池组件图像和和第一支路神经网络中的电池片隐裂特征图输入第二支路神经网络得到隐裂类型。

进一步地，参照附图8，第二神经网络单元50包括拟合单元51、第一全连接网络52、第二全连接网络53和第三全连接网络54。

拟合单元51用于获取标签数据，标签数据为拟合的电池板失效面积；第一全连接网络单元52用于将隐裂类型空间分布图和隐裂分布区域图经过联合操作后送入第一全连接网络，得到隐裂分布的特征向量；第二全连接网络单元53用于将隐裂面积、隐裂的平均宽高比和隐裂类型数量送入第二全连接网络，得到电池板隐裂特征向量；第三全连接网络单元54用于将隐裂分布的特征向量和电池板隐裂的特征向量经过联合操作后送入第三全连接网络，预测电池板的失效面积。

进一步地，拟合的电池板失效面积的获取方法为：

其中，S′为拟合的电池板失效面积；E1为正常无隐裂的电池板的发电量；E2为有隐裂的电池板的发电量；S为正常无隐裂电池板的面积。

综上所述，本发明实施例提供了一种基于光伏组件隐裂检测的电池板失效面积预测系统，该系统包括图像采集单元10、第一神经网络单元20、参数分析单元30、特征分析单元40和第二神经网络单元50。将相机拍摄的电池组件图像输入第一神经网络单元20得到隐裂分割图像和隐裂类型，进一步将其输入参数分析单元30和特征分析单元40得到电池板的隐裂特征参数、隐裂分布图和隐裂类型数量，将电池板的隐裂特征参数、隐裂分布图和隐裂类型数量输入第二神经网络单元50，预测电池板的失效面积。利用双路结构神经网络进行隐裂特征分析和电池板失效面积的预测，一方面能够自动分析隐裂特征，得到准确的数据结果，另一方面利用得到的隐裂特征参数和隐裂分布图，能够为预测电池板的失效面积提供有效的特征。这样的系统避免了耗时耗力，提高了电池板的失效面积预测的严谨性和效率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。