基于人工智能的光伏电池板隐裂检测方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的光伏电池板隐裂检测方法及系统。

背景技术

光伏电池板产生蜗牛纹是多个因素共同作用下的综合结果，但主要原因是电池隐裂造成的。隐裂是电池片的缺陷。由于晶体结构的自身特性，晶硅电池片十分容易发生破裂。晶体硅组件生产的工艺流程长，许多环节都可能造成电池片隐裂，一般轻微隐裂不会导致电池和组件输出功率下降，但随着隐裂程度的加剧和时间的推移，隐裂对组件衰减的作用会逐渐显现，严重隐裂会导致电池和组件输出功率下降，甚至会引起热斑，直至烧毁组件。

目前，在光伏电池板隐裂的检测方面，大多通过人工使用EL检测仪检测，虽然能够准确的检测出电池板的数量，但费时费力，而且在每次定时检查时，都要重复花费相同的时间和精力。

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人工智能的光伏电池板隐裂检测方法及系统，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人工智能的光伏电池板隐裂检测方法，包括以下步骤：

采集电池板完整表面纹理图像信息，得到电池板图像，所述电池板图像包括栅线的特征信息和蜗牛纹的特征信息；

根据栅线方向切分所述电池板图像，得到多个尺寸等同的子图像，根据栅线垂直方向切分所述子图像，得到多个尺寸等同的子图像单元；

将每个所述子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩；

将所述蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S

获取电池板隐裂数量N的映射模型：

其中，A为所述电池板的面积；T

优选的，深度神经网络包括邻域特征提取网络、栅线判别网络和语义分割网络，所述根据所述子图像单元输出所述蜗牛纹的语义区域遮罩包括以下步骤：

将所述子图像单元经过所述邻域特征提取网络，输出每个所述子图像单元的特征信息，所述特征信息包括空域特征信息和邻域特征信息；

将所述特征信息经过栅线判别网络，判断对应所述子图像单元是否存在栅线；

在所述子图像单元存在栅线时，将所述特征信息经过语义分割网络，得到所述子图像中栅线断裂区域的遮罩；

将所有所述子图像单元的所述栅线断裂区域的遮罩拼接后，获得所述电池板的蜗牛纹的语义区域遮罩。

优选的，图像处理包括以下步骤：

将所述蜗牛纹的语义区域遮罩进行多次高斯下采样后，进行数学形态学处理去除掉带状蜗牛纹，获得第一遮罩图像；

将所述第一遮罩图像进行与所述高斯下采样相同次数的高斯上采样后，进行数学形态学处理去除噪声，获得面状蜗牛纹遮罩；

将所述面状蜗牛纹遮罩进行反相处理后与所述蜗牛纹的语义区域遮罩获取交集，获得交集图像；

将所述交集图像经过数学形态学处理去除噪声，获得带状蜗牛纹遮罩，所述带状蜗牛纹遮罩为包含带状蜗牛纹遮罩信息的图像。

优选的，第一调整系数和第二调整系数是根据多组所述带状蜗牛纹的面积、所述面状蜗牛纹的面积与实际电池板隐裂数量拟合得出；所述实际电池板隐裂数量为电池板实际存在的隐裂数量。

第二方面，本发明另一个实施例提供了一种基于人工智能的光伏电池板隐裂检测系统，该系统包括：

图像采集模块，用于采集电池板完整表面纹理图像信息，得到电池板图像，所述电池板图像包括焊带、栅线蜗牛纹的特征信息；

图像切分模块，用于根据栅线方向切分所述电池板图像，得到多个尺寸等同的子图像；根据栅线垂直方向切分所述子图像，得到多个尺寸等同得子图像单元；

神经网络模块，用于将每个所述子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩；

图像处理模块，用于将所述蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S

映射模型计算模块，用于获取电池片隐裂数量N的映射模型：

其中，A为所述电池板的面积；T

优选的，神经网络模块包括：

邻域特征提取网络单元，用于将所述子图像单元经过所述邻域特征提取网络，输出每个所述子图像单元的特征信息，所述特征信息包括空域特征信息和邻域特征信息；

栅线判别网络单元，用于将所述特征信息经过栅线判别网络，判断对应所述子图像单元是否存在栅线；

语义分割网络单元，用于在所述子图像单元存在栅线时，将其所述特征信息经过语义分割网络，得到所述子图像单元中栅线断裂区域的遮罩；

元素拼接单元，用于将所有所述子图像单元的所述栅线断裂区域的遮罩拼接后，获得所述电池板的蜗牛纹的语义区域遮罩。

优选的，图像处理模块包括：

预处理单元，用于将所述蜗牛纹的语义区域遮罩进行多次高斯下采样后，进行数学形态学处理去除掉带状蜗牛纹，获得第一遮罩图像；

面状蜗牛纹获取单元，用于将所述第一遮罩图像进行与所述高斯下采样相同次数的高斯上采样后，进行数学形态学处理去除噪声，获得面状蜗牛纹遮罩；

交集获取单元，用于将所述面状蜗牛纹遮罩进行反相处理后与所述蜗牛纹的语义区域遮罩获取交集，获得交集图像；

带状蜗牛纹获取单元，用于将所述交集图像经过数学形态学处理去除噪声，获得带状蜗牛纹遮罩，所述带状蜗牛纹遮罩为包含带状蜗牛纹遮罩信息的图像。

优选的，映射模型计算模块中的第一调整系数和第二调整系数是根据多组所述带状蜗牛纹的面积、所述面状蜗牛纹的面积与实际电池板隐裂数量拟合得出；所述实际电池板隐裂数量为电池板实际存在的隐裂数量。

本发明至少具有如下有益效果：

本发明通过将电池板图像切分多个尺寸等同得子图像单元，利用深度神经网络得到子图像单元中的栅线断裂区域的遮罩信息，经图像拼接后获得蜗牛纹的语义区域遮罩；然后将蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩；最后根据带状蜗牛纹遮罩的面积、面状蜗牛纹遮罩的面积和电池板实际存在的隐裂数量经过多次拟合后获取电池片隐裂数量的映射模型。该模型映射出了电池板蜗牛纹和环境因素与隐裂数量的关系，实现了电池板蜗牛纹以及温度和湿度对隐裂数量的映射，缩短了对整个检测光伏电站隐裂检测的时间，提高了检测效率。

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一种基于人工智能的光伏电池板隐裂检测方法流程图；

图2为本发明一个实施例所提供一种基于人工智能的光伏电池板隐裂检测方法中深度神经网络的示意图；

图3为本发明一个实施例所提供的一种基于人工智能的光伏电池板隐裂检测系统结构图。

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人工智能的光伏电池板隐裂检测方法及系统，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人工智能的光伏电池板隐裂检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例所提供的一种基于人工智能的光伏电池板隐裂检测方法流程图。图2示出了本发明一个实施例所提供一种基于人工智能的光伏电池板隐裂检测方法中深度神经网络的示意图。

一种基于人工智能的光伏电池板隐裂检测方法，其流程如图1所示，包括如下步骤：

步骤1：采集电池板完整表面纹理图像信息，得到电池板图像，电池板图像包括栅线的特征信息和蜗牛纹的特征信息；

步骤2：根据栅线方向切分电池板图像，得到多个尺寸等同的子图像，根据栅线垂直方向切分子图像，得到多个尺寸等同的子图像单元；

步骤3：将每个子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩；

步骤4：将蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S

步骤5：获取电池板隐裂数量N的映射模型：

其中，A为电池板的面积；T

综上所述，本发明实施例提供了一种基于人工智能的光伏电池板隐裂检测方法，该方法通过将电池板图像切分多个尺寸等同得子图像单元，利用深度神经网络得到子图像单元中的栅线断裂区域的遮罩信息，经图像拼接后获得蜗牛纹的语义区域遮罩；然后将蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩；最后根据带状蜗牛纹遮罩的面积、面状蜗牛纹遮罩的面积和电池板实际存在的隐裂数量经过多次拟合后获取电池片隐裂数量的映射模型。该模型映射出了电池板蜗牛纹和环境因素与隐裂数量的关系，实现了电池板蜗牛纹以及温度和湿度对隐裂数量的映射，缩短了对整个检测光伏电站隐裂检测的时间，提高了检测效率。

具体的，在本实施例步骤1中，利用线扫描相机获取光伏电池板表面的纹理图像。具体的，利用清扫机器人搭载线扫描相机，相机正对电池板表面，机器人沿一排电池板匀速移动，获得电池板表面的纹理图像。其中，光伏电池板表面的纹理包括纵横交错的焊带、细长且密集排列的栅线、污渍和蜗牛纹等。蜗牛纹在视觉特征上表现为白色栅线的部分连续断裂或变色。

需要说明的是，本实施例中采用的线扫描相机每次采样只采集一列像素，相机通过沿着物体表面移动多次采样即可获得多列图像数据，最后相机将多列像素拼接为一副完整的电池板表面纹理图像数据并输出，输出的图像与电池板表面的宽高比一致。当线扫描相机无法一次采集完物体整个表面的纹理图像时，需要采集物体表面的多个部分，然后将获得的图像拼接在一起，获得完成的物体表面图像，在本实施例中，采用关键点匹配的方法进行拼接，由于图像拼接为公知常识，不做叙述。

具体的，在本实施例步骤2中，根据栅线是竖直或横向的排列方向，将电池板图像切分为多个尺寸相同的子图像。在本实施例中，子图像的高度与电池板图像相同，宽度为栅线宽度的两倍，每个子图像都包含一条栅线的特征信息。

然后按照栅线垂直方向切分子图像，得到多个尺寸等同的子图像单元。在本实施中，这些子图像单元的宽与子图像的宽相同，子图像单元的高度为其宽度的两倍。

优选的，在本实施列步骤3中，如图2所示，深度神经网络包括邻域特征提取网络、栅线判别网络和语义分割网络，其根据子图像单元输出蜗牛纹的语义区域遮罩如下：

步骤3.1：将子图像单元经过邻域特征提取网络，输出每个子图像单元的特征信息，如图2所示，Image

具体的，该网络包括第三编码器(3DConvEncoder)，其使用3D卷积对输入子图像单元进行提取特征，这些特征包含了每个子图像的空域特征和邻域特征，最终第三编码器输出的是与输入等长的特征信息。

步骤3.2：将特征信息经过栅线判别网络，判断对应子图像单元是否存在栅线。

具体的，由于输入的子图像单元中可能不包含栅线，因此第三编码器需要能识别出没有栅线的特征。本实施例利用栅线判别网络识别有没有栅线，具体的，如图2所示，该栅线判别网络将第三编码器输出的特征信息经过多层特征融合后，然后经过第二编码器(Encoder2)和全连接层(fully connected layers，FC)判定子图像单元中是否包含栅线信息。

步骤3.3：在子图像单元存在栅线时，将其特征信息经过语义分割网络，得到子图像单元中栅线断裂区域的遮罩。

具体的，将步骤3.1中所获得的子图像单元的特征信息通过第一编码器(Encoder)的下采样获得栅线断裂区域特征，该特征经过第一解码器(Decoder)上采样获得栅线断裂区域的遮罩信息，需要说明的是，子图像单元中的栅线没有断裂区域时输出的语义区域遮罩的像素值为零。

步骤3.4：将所有子图像单元的栅线断裂区域的遮罩拼接后，获得整块电池板的蜗牛纹的语义区域遮罩。

其中，在本实施例中，深度神经网络的具体训练方法如下：

标注数据集，数据集的输入数据为图像序列，这个图象序列可能包含栅线，也可能不包括栅线。包括栅线时，栅线可能有断裂。标签数据为有无栅线、栅线断裂的语义区域，网络输出数据是有无栅线和栅线断裂的语义区域。

将数据集的80％作为训练集，余下20％做测试集，使用交叉熵损失函数和随机梯度下降算法更新网络。

由于光伏电池板中的蜗牛纹的复杂难以标注，很难获得大量有蜗牛纹标注的数据集，本实施提供一种数据集的获取方式：

(1)利用线扫描相机获取没有蜗牛纹的电池板表面纹理图像。这些图像容易采集，因此可以大量获取。由于这些图像上没有蜗牛纹，因此栅线在视觉上是连续的、没有断裂和变色的。

(2)对于步骤(1)所采集的图像，由于栅线是竖直或横向排列，因此根据栅线方向将图像切分为多个尺寸等同的测试子图像，其高度与步骤(1)中所获得的图像相同，测试子图像的宽度为栅线宽度的两倍，每个测试子图像都可会包含一条完整的栅线。

(3)将测试子图像根据栅线垂直方向切分为多个测试子图像单元，该测试子图像单元的宽为测试子图像的宽，该测试子图像单元的高度为其宽度的两倍。

(4)将测试子图像切分为多个测试子图像单元的序列，对这些测试子图像序列做如下处理：

1)随机选取部分测试子图像，将测试子图像填充为背景纹理图像，然后对填充的纹理做随机的亮度变化和色相的轻微变化。需要说明的是，为避免锐利的填充边缘，需要利用和测试子图像尺寸等同的遮罩，将遮罩边缘模糊，然后利用该遮罩去填充背景纹理图像。遮罩要有轻微的灰度变化，模拟出透明效果。随机选取测试子图像时，即要有间隔的选取，也要有连续的选取。

2)随机选取单个测试子图像，随机生成一个遮罩，遮罩的宽度和测试子图像的宽度相同，遮罩的高度小于测试子图像的高度，将遮罩边缘模糊，用该遮罩填充背景纹理图像。

3)随机选取某个测试子图像，随机生成一个遮罩，遮罩的宽度和测试子图像相同高度小于测试子图像，将遮罩内的栅线随机旋转45度、90度、-45度。对旋转的栅线做适当的膨胀以扩大栅线的尺寸。

完成步骤(1)至步骤(5)处理后，可以模拟出栅线的断裂效果，表现出蜗牛纹的局部视觉特征。对于一个测试子图像，可以获得多个测试断裂图像，每个图像仍然是一个图像序列，这些图像表示不同的栅线断裂情况，利用其遮罩信息标注数据，构建出栅线断裂的数据集。

需要说明的是，对于光伏电池板的背景纹理图像，这些背景纹理图像是没有栅线和焊带的纹理信息，只有电池片的颜色纹理和其他纹理信息，如污渍。由于所有电池板的背景纹理图像几乎都是一样的，因此可以随机的从数据集的光伏电池板表面纹理图像中采样获得。

需要说明的是，深度神经网络中的编码器和解码器有多种实现方式，包括沙漏网络Hourglass、Mask-RCNN和deeplabv3等网络结构。在本实施例中，邻域特征提取网络的第三编码器采用resnet50网络结构，只是将resnet50网络中的2D卷积用3D卷积替换；语义分割网络的编码器-解码器结构采用deeplabv3网络结构；栅线判别网络的第二编码器-全连接层结构采用resnet50网络结构。

具体的，在本实施例步骤4中，图像处理的方式如下：

将蜗牛纹的语义区域遮罩进行两次高斯下采样，使带状蜗牛纹变得更细。然后将下采样后的图像进行开运算，去除掉带状蜗牛纹，获得第一遮罩图像。

将第一遮罩图像进行两次高斯上采样，恢复到蜗牛纹的语义区域遮罩原图像大小。然后将下采样后的图像进行闭运算处理，去除掉孤立的白色噪点，获得面状蜗牛纹遮罩，该图像去除掉了带状蜗牛纹，只剩下面状蜗牛纹的遮罩。

将面状蜗牛纹遮罩进行反相处理后与蜗牛纹的语义区域遮罩经过乘法运算，获得交集图像。

将交集图像进行开运算去除掉孤立白色噪点。然后进行闭运算，去除掉带状蜗牛纹上的黑色噪点和不粘连的区域，获得带状蜗牛纹遮罩。该遮罩只包含带状蜗牛纹遮罩信息的图像。

根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S

具体的，在本实施例步骤5中，获取电池片隐裂数量N的映射模型：

获取电池片隐裂数量N的映射模型：

其中，A为电池板的面积；T

其中，第一调整系数和第二调整系数为多组带状蜗牛纹和面状蜗牛纹的面积和实际电池板隐裂数量拟合出的调整系数。拟合方法有多种，包括最小二乘法、RANSAC、全连接神经网络等，本实施例采用最小二乘法拟合第一调整系数α和第二调整系数β。

具体的，在本实施例中，温度对隐裂数量的影响程度T

其中，T

当实时的环境温度T越大，T

具体的，在本实施例中，湿度对隐裂数量的影响程度H

其中，H

当实时的环境湿度H越大，H

获得数学模型后，便可以利用蜗牛纹来预测隐裂电池片的数量，不需要使用EL去人工检测隐裂。

需要说明的是，实时温度和实时湿度的获取可以通过温度计、湿度计或者温度传感器和湿度传感器获取，本实施例使用常规的传感器获取实时温度和实时湿度。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的光伏电池板隐裂检测系统。

请参阅图3，该光伏电池板隐裂检测系统100包括图像采集模块101、图像切分模块102、神经网络模块103、图像处理模块104和映射模型计算模块105。

具体的，图像采集模块用于采集电池板完整表面纹理图像信息，得到电池板图像，电池板图像包括焊带、栅线蜗牛纹的特征信。图像切分模块用于根据栅线方向切分电池板图像，得到多个尺寸等同的子图像；根据栅线垂直方向切分子图像，得到多个尺寸等同得子图像单元。神经网络模块用于将每个子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩。图像处理模块用于将蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S

其中，A为电池板的面积；T

进一步的，神经网络模块包括邻域特征提取网络单元、栅线判别网络单元、语义分割网络单元、元素拼接单元。

具体的，邻域特征提取网络单元用于将子图像单元经过邻域特征提取网络，输出每个子图像单元的特征信息，特征信息包括空域特征信息和领域特征信息。栅线判别网络单元用于将特征信息经过栅线判别网络，判断对应子图像单元是否存在栅线。语义分割网络单元用于在子图像单元存在栅线时，将其特征信息经过语义分割网络，得到子图像单元中栅线断裂区域的遮罩。元素拼接单元用于将所有子图像单元的栅线断裂区域的遮罩拼接后，获得电池板的蜗牛纹的语义区域遮罩。

进一步的，图像处理模块包括：预处理单元、面状蜗牛纹获取单元、交集获取单元、带状蜗牛纹获取单元。

具体的，预处理单元用于将蜗牛纹的语义区域遮罩进行多次高斯下采样后，进行数学形态学处理去除掉带状蜗牛纹，获得第一遮罩图像。面状蜗牛纹获取单元用于将第一遮罩图像进行与高斯下采样相同次数的高斯上采样后，进行数学形态学处理去除噪声，获得面状蜗牛纹遮罩。交集获取单元用于将面状蜗牛纹遮罩进行反相处理后与蜗牛纹的语义区域遮罩获取交集，获得交集图像。带状蜗牛纹获取单元用于将交集图像经过数学形态学处理去除噪声，获得带状蜗牛纹遮罩，带状蜗牛纹遮罩为包含带状蜗牛纹遮罩信息的图像。

进一步的，映射模型计算模块中的第一调整系数和第二调整系数是根据多组带状蜗牛纹的面积、面状蜗牛纹的面积与实际电池板隐裂数量拟合得出；实际电池板隐裂数量为电池板实际存在的隐裂数量。

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。