陳 杰，侯少攀，崇 鋒，李 江，李 君

（1.國(guó)家電投集團(tuán)青海光伏產(chǎn)業(yè)創(chuàng)新中心有限公司，陜西西安 710061；2.青海黃河智慧能源科技有限公司，青海西寧 810007）

新能源技術(shù)在近些年受到了廣泛的關(guān)注，在新能源領(lǐng)域，太陽能是被認(rèn)可和得到廣泛應(yīng)用的技術(shù)。與傳統(tǒng)能源相比，光伏發(fā)電作為清潔能源，其衛(wèi)生程度較高，對(duì)環(huán)境的污染較小，未來的發(fā)展前景良好。光伏電池組件作為光伏太陽能的核心組件，電池材料的自身可能會(huì)存在缺陷，并且加工電池片時(shí)也可能會(huì)導(dǎo)致電池片受損，如焊片、黑心片、斷柵片等問題，這些缺陷問題不但會(huì)減少光伏組件的發(fā)電效率和使用壽命，而且有可能引起火災(zāi)等不必要的事故。因此，對(duì)光伏組件缺陷診斷的研究越來越重要。

如今檢測(cè)電池組件缺陷的技術(shù)主要有紅外成像技術(shù)、光致發(fā)光技術(shù)、電致發(fā)光成像技術(shù)（EL）、可見光檢測(cè)技術(shù)。電致發(fā)光檢測(cè)的原理是通過直流電源向組件注入正向偏置電流，通過適當(dāng)?shù)男旁氡葋慝@得高質(zhì)量的電致發(fā)光結(jié)果。探測(cè)器會(huì)收集光伏組件有源部分所發(fā)出的特定波長(zhǎng)的發(fā)光輻射。被收集到的電致發(fā)光會(huì)被處理成對(duì)比圖像，揭示出具有不同發(fā)光活性的區(qū)域。所以可根據(jù)EL 圖像判斷電池組件中是否存在人眼無法檢測(cè)到的缺陷。

目前，國(guó)內(nèi)外對(duì)光伏組件故障診斷比較典型的成果有：文獻(xiàn)[1]通過計(jì)算最小外接矩形在光伏電池板所占的比例來判斷是否缺陷，該論文主要用的方法是傳統(tǒng)的圖像處理算法和HSV 空間模型；文獻(xiàn)[2]采用傳統(tǒng)的圖像處理算法，通過模板匹配、圖像金字塔結(jié)構(gòu)、霍夫直線檢測(cè)、干擾直線濾波等算法提取光伏組件，最后使用邊緣檢測(cè)等算法進(jìn)行故障診斷，也取得了不錯(cuò)的診斷效果。使用傳統(tǒng)方法進(jìn)行缺陷識(shí)別準(zhǔn)確率較低，所以文章使用深度學(xué)習(xí)的算法來進(jìn)行缺陷診斷。

1 樣本及樣本預(yù)處理

試驗(yàn)中所使用的樣本來自于BUERHOP-LUTZ C等人公開的數(shù)據(jù)集[3]。該樣本由18個(gè)單晶型模塊和26個(gè)多晶型模塊組成。共計(jì)2 624個(gè)300×300像素的電池組件EL 圖像。這些圖像中的負(fù)樣本由黑心片、黑斑片、短路黑片、明暗片、隱裂片等組成。其代表性特征如圖1所示。

圖1 負(fù)樣本中包含的電池片缺陷

該數(shù)據(jù)集按照缺陷的概率對(duì)圖片進(jìn)行了標(biāo)注，但因其正負(fù)樣本分布不均，數(shù)據(jù)集相對(duì)較少，所以將缺陷概率小于50%的圖片作為無缺陷的正樣本數(shù)據(jù)，將缺陷概率大于50%的圖片作為有缺陷的負(fù)樣本。共計(jì)1809張無缺陷的正樣本圖片，815張有缺陷的負(fù)樣本圖片。并且因?yàn)槠涿糠N故障的樣本較少，無法進(jìn)行多分類，所以本試驗(yàn)將所有故障視為一類，進(jìn)行有故障和無故障分類。

對(duì)于數(shù)據(jù)集樣本不足和分布不均的情況，為避免產(chǎn)生過擬合的現(xiàn)象。文章對(duì)訓(xùn)練集圖像采用圖像增強(qiáng)技術(shù)來擴(kuò)充樣本數(shù)，有3種方法：①將原本的訓(xùn)練集水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)；②將原始的訓(xùn)練集隨機(jī)進(jìn)行角度翻轉(zhuǎn)；③通過改變?cè)紙D像的亮度、對(duì)比度和飽和度來擴(kuò)充樣本數(shù)。并且使用圖像去噪的技術(shù)，降低圖像的噪聲以避免無關(guān)因素的干擾。因該網(wǎng)絡(luò)結(jié)構(gòu)的輸入需使用三通道的圖像，所以最后對(duì)其進(jìn)行單通道向三通道的轉(zhuǎn)換。

軟件環(huán)境為Windows 64 位系統(tǒng)，使用的編程語言為Python，采用的深度學(xué)習(xí)框架為Pytorch，CUDA 版本為11.4。

在樣本不足的情況下，通常采用80%的樣本為訓(xùn)練集，20%的樣本為測(cè)試集，經(jīng)過計(jì)算選用2276張樣本圖像為訓(xùn)練集，348張樣本圖像為測(cè)試集。

2 基于ResNet的缺陷診斷網(wǎng)絡(luò)

隨著神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，越來越多的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)涌現(xiàn)，如今較為主流且常見的卷積神經(jīng)網(wǎng)絡(luò)模型主要有AlexNet、VGGNet、GoogleNet 和ResNet。盡管當(dāng)網(wǎng)絡(luò)的深度越來越深，圖像的特征會(huì)提取的越來越細(xì)致，圖像識(shí)別的效果會(huì)越來越好。但如AlexNet、VGGNet、GoogleNe，隨著其網(wǎng)絡(luò)深度一味的增加會(huì)出現(xiàn)梯度消失和梯度爆炸等問題，影響網(wǎng)絡(luò)模型的訓(xùn)練。ResNet 網(wǎng)絡(luò)出現(xiàn)于2015年，并且在2015年ImageNet 的分類任務(wù)上取得了第一名的成績(jī)，ResNet網(wǎng)絡(luò)能夠有效解決網(wǎng)絡(luò)過深所產(chǎn)生的梯度消失問題，原因是其擁有殘差結(jié)構(gòu)。并且ResNet 網(wǎng)絡(luò)不僅引入了殘差結(jié)構(gòu)，還引入了堆疊式殘差結(jié)構(gòu)，堆疊式殘差結(jié)構(gòu)可有效提高網(wǎng)絡(luò)的性能和效果。殘差模塊由多個(gè)小尺度的kernel 組成。并且ResNet 網(wǎng)絡(luò)整個(gè)特征提取部分都是使用全卷積的，這可大幅提高計(jì)算的速度。

ResNet 引入了殘差模塊從而解決了網(wǎng)絡(luò)退化，如圖2所示，其主要分為兩條路。右邊的路將輸入原封不動(dòng)的傳到輸出，左邊的路是3層神經(jīng)網(wǎng)絡(luò)，無需擬合復(fù)雜的底層映射，只需擬合殘差，殘差模塊最壞的結(jié)果是輸入與輸出相等。但殘差只會(huì)比恒等映射模型更好，最后將殘差與恒等映射相加，再使用非線性激活函數(shù)。而傳統(tǒng)的線性結(jié)構(gòu)難以擬合“恒等映射”。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)

2.1 遷移學(xué)習(xí)

在數(shù)據(jù)集有限的情況下，無法有效訓(xùn)練網(wǎng)絡(luò)模型中的參數(shù)，所以采用遷移學(xué)習(xí)是最好的選擇。遷移學(xué)習(xí)的本質(zhì)是將一個(gè)領(lǐng)域的知識(shí)遷移至目標(biāo)領(lǐng)域，這樣目標(biāo)領(lǐng)域可取得很好的學(xué)習(xí)效果[4]。簡(jiǎn)單的來說就是運(yùn)用已有的知識(shí)來學(xué)習(xí)新的知識(shí)，核心是找到已有知識(shí)和新知識(shí)間的相似性。遷移學(xué)習(xí)在面對(duì)一些基本的規(guī)則時(shí)，模型無需重新學(xué)習(xí)，這極大降低了時(shí)間成本并且還能有效提高測(cè)試集的準(zhǔn)確率。文章所使用的遷移學(xué)習(xí)模型是在ImageNet[5]上訓(xùn)練的，ImageNet 數(shù)據(jù)集包含了120萬張圖片，使用此訓(xùn)練集上預(yù)訓(xùn)練好的模型，可有效地在不同分類任務(wù)上使用[6-7]。本研究使用在ImageNet 上訓(xùn)練好的ResNet 模型來對(duì)光伏故障進(jìn)行診斷。

2.2 空間與通道注意力機(jī)制

注意力機(jī)制是一種模仿人類視覺和認(rèn)知系統(tǒng)的方法，主要是使神經(jīng)網(wǎng)絡(luò)在處理輸入的數(shù)據(jù)時(shí)集中注意于相關(guān)的部分，并且弱化其他區(qū)域的信息，從而能夠有效提高模型的性能和泛化能力[8]。CBAM 注意機(jī)制是將空間注意力機(jī)制和通道注意力機(jī)制相結(jié)合，如圖3所示。空間注意力機(jī)制的目的是為讓模型更集中在空間形狀更重要的特征上，使得模型加強(qiáng)及減弱空間某些位置的特征，具體模型架構(gòu)如圖4所示，其主要對(duì)輸入圖像使用MaxPool 和AvgPool 聚合空間特征信息，得到特征圖，并通過7×7的kernel 進(jìn)行卷積計(jì)算后，通過Sigmoid 函數(shù)激活，得到空間注意力特征。

圖3 CBAM注意機(jī)制

圖4 空間注意力機(jī)制

式中，σ為Sigmoid激活函數(shù)。

在卷積中，一般會(huì)有多個(gè)通道的特征輸出，有些通道的特征對(duì)最終的目標(biāo)影響更大，通道注意力模塊如圖5所示，其為每個(gè)通道分配一個(gè)權(quán)重值，并調(diào)整不同通道間的特征，其主要通過最大池化和平均池化獲取圖像的特征描述符，通道注意力特征圖Mc（F）表達(dá)式為：

圖5 通道注意力機(jī)制

式中，MLP為多層感知機(jī)，σ為Sigmoid激活函數(shù)，W0和W1分別為權(quán)重，為平均池化運(yùn)算，為最大池化運(yùn)算。

為有效提取到EL 圖像中的紋理、細(xì)節(jié)和輪廓特征，本研究在ResNet34的基礎(chǔ)上加入卷積注意力模塊，結(jié)果如圖6所示，準(zhǔn)確率為80.7%。

圖6 分類準(zhǔn)確率與損失率

3 試驗(yàn)及分析

3.1 梯度下降算法

在訓(xùn)練的過程中，每次的正向傳播都會(huì)得到輸出值和真實(shí)值的損失值，這個(gè)損失值越小，表示模型越好。梯度下降算法就是用來幫助尋找最小的損失值，從而可反推出在損失值最小的情況下所對(duì)應(yīng)的權(quán)值w和偏置項(xiàng)b，以達(dá)到使模型優(yōu)化的效果。

如今較為主流的梯度下降算法主要有SGD 和Adam 算法。SGD 算法保持一個(gè)單一的學(xué)習(xí)速率（稱為alpha），其用于所有的權(quán)重更新，并且在訓(xùn)練的過程中學(xué)習(xí)速率不會(huì)發(fā)生改變。每一個(gè)網(wǎng)絡(luò)權(quán)重都保持著一個(gè)相同的學(xué)習(xí)速率，隨著學(xué)習(xí)的展開而單獨(dú)進(jìn)行調(diào)整。King ma 和LeiBa 這兩位學(xué)者于2014 年12月，提出了Adam 優(yōu)化器[9]，Adam 結(jié)合了AdaGrad和RMSprop 兩種優(yōu)化算法的優(yōu)點(diǎn)。對(duì)梯度的一階矩估計(jì)和二階矩估計(jì)進(jìn)行綜合的考慮，計(jì)算出更新步長(zhǎng)。Adam 算法中的修正偏差步驟可極大地緩解算法初期冷啟動(dòng)的問題。Adam 算法的內(nèi)容如下。

Require：學(xué)習(xí)率ε，衰減速率ρ，動(dòng)量系數(shù)μ，初始參數(shù)θ。小常數(shù)σ，用于被小數(shù)除時(shí)的數(shù)值穩(wěn)定。初始化累計(jì)變量r=0，v=0。

當(dāng)停止標(biāo)準(zhǔn)未滿足時(shí)：

這兩種梯度下降算法的損失率隨著訓(xùn)練輪數(shù)變化的曲線如圖7所示。在訓(xùn)練階段，Adam 的損失率一直小于SGD。從這里可看出，在訓(xùn)練時(shí)使用Adam具有更好的效果。

圖7 不同梯度下降算法的Loss

3.2 不同Dropout概率下測(cè)試集的準(zhǔn)確率

當(dāng)在數(shù)據(jù)集有限的情況下，模型可能會(huì)出現(xiàn)過分?jǐn)M合的現(xiàn)象從而導(dǎo)致無法準(zhǔn)確地預(yù)測(cè)訓(xùn)練數(shù)據(jù)或真實(shí)數(shù)據(jù)，這種現(xiàn)象就是過擬合。雖然神經(jīng)網(wǎng)絡(luò)憑借其大量的神經(jīng)元和龐大的網(wǎng)絡(luò)結(jié)構(gòu)在分類等計(jì)算機(jī)視覺任務(wù)上表現(xiàn)的非常出色，但過大規(guī)模的網(wǎng)絡(luò)也產(chǎn)生了過擬合的問題，當(dāng)訓(xùn)練數(shù)據(jù)有限的情況下，網(wǎng)絡(luò)會(huì)缺乏應(yīng)有的泛化性。Nitish Srivastava 等人針對(duì)這一現(xiàn)象，提出了使用Dropout 的方法[10]。

Dropout 的含義是在深度網(wǎng)絡(luò)的訓(xùn)練中，以一定的概率使神經(jīng)元節(jié)點(diǎn)隨機(jī)失活。因?yàn)镈ropout 的隨機(jī)失活使得每次訓(xùn)練小批量的數(shù)據(jù)時(shí)，都相當(dāng)于每次的迭代都在訓(xùn)練不同的網(wǎng)絡(luò)。簡(jiǎn)單的來說，Dropout 就是隨機(jī)抑制神經(jīng)元的前向和反向的傳播[11]。

沒有使用Dropout 時(shí)：

使用Dropout 時(shí)：

圖8是當(dāng)其它條件相同，僅Dropout 不同時(shí)，該模型對(duì)測(cè)試集識(shí)別的準(zhǔn)確率。從圖8 中可得出，當(dāng)Dropout 為0.3時(shí)，測(cè)試集識(shí)別的準(zhǔn)確率最高。在樣本數(shù)據(jù)有限的條件下，神經(jīng)網(wǎng)絡(luò)的參數(shù)較多，Dropout過小會(huì)出現(xiàn)過擬合的現(xiàn)象。當(dāng)Dropout 概率過大時(shí)在神經(jīng)網(wǎng)絡(luò)的全連接層網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)量較少，并不能很好地?cái)M合數(shù)據(jù)，會(huì)使得缺陷識(shí)別的效果不好。所以選擇一個(gè)合適的Dropout 概率對(duì)減小過擬合的影響有非常重要的意義。

圖8 不同Dropout時(shí)測(cè)試集的準(zhǔn)確率

3.3 試驗(yàn)結(jié)果分析

試驗(yàn)訓(xùn)練參數(shù)見表1。

表1 訓(xùn)練參數(shù)

試驗(yàn)設(shè)置的初始學(xué)習(xí)率為0.005，訓(xùn)練迭代120次，在第85次時(shí)，模型在測(cè)試集上的準(zhǔn)確率最高為84.4%。模型訓(xùn)練過程的損失和準(zhǔn)確率曲線如圖9所示。

圖9 分類準(zhǔn)確率與損失率

因本次試驗(yàn)的各類故障樣本不足，無法實(shí)現(xiàn)多分類。下一步的研究將先增加數(shù)據(jù)集的樣本數(shù)，在樣本數(shù)充足的情況下訓(xùn)練神經(jīng)網(wǎng)絡(luò)，從而可實(shí)現(xiàn)多分類。

4 結(jié)束語

文章提出使用殘差網(wǎng)絡(luò)對(duì)太陽能電池組件的電致發(fā)光進(jìn)行圖像的缺陷識(shí)別，其能夠有效提取故障電池片的特征，進(jìn)行正確的分類，對(duì)光伏電站的運(yùn)維具有重要意義。在2 624張樣本上，使用加入CBAM的ResNet34 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過對(duì)其Dropout 和隨機(jī)下降梯度算法的調(diào)整，在測(cè)試集上的準(zhǔn)確率可達(dá)到84.4%，未進(jìn)行調(diào)整的模型準(zhǔn)確率為75%，準(zhǔn)確率提高了9.4%。另外因種類的數(shù)據(jù)集較少，不能實(shí)現(xiàn)多分類，下一步將繼續(xù)拍攝基于電致發(fā)光的光伏組件故障圖片，以便在實(shí)際的應(yīng)用中實(shí)現(xiàn)電池片組件的缺陷識(shí)別。