基于人工智能的光伏电池内部缺陷类别检测方法及系统与流程

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏电池内部缺陷类别检测方法及系统。

背景技术：

光伏电池缺陷是指电池片或者电池组件受到较大的机械或热应力时，可能在电池单元产生肉眼不易察觉的隐性缺陷。电池片产生的电流要依靠“表面的主栅线及垂直于主栅线的细栅线”搜集和导出。当缺陷导致细栅线断裂时，细栅线无法将收集的电流输送到主栅线，将会导致电池片部分甚至全部失效。

有研究显示，组件缺陷严重时，会导致组件功率的损失，但是损失的大小并不确定。线性对组件电性能的影响小，而裂片对组件功率损失非常大，电池板出现混档时会对电池板的发电效率也有很大影响。

发明人在实践中，发现上述现有技术存在以下缺陷：

由于缺陷难以用肉眼可见，一般需要仪器才能探测到，很难人为做出定量判断这种看不到的缺陷，测试仪对缺陷进行检测后，还需要人为观察组件缺陷的类别，来采取相对应的处理方法。

技术实现要素：

为了解决上述技术问题，本发明的目的在于提供基于人工智能的光伏电池内部缺陷类别检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一实施例提供了一种基于人工智能的光伏电池内部缺陷类别检测系统，该系统包括：电池板缺陷感知模块、内部缺陷分析模块与缺陷类别判断模块。

其中，电池板缺陷模块，用于采集电池板图像，获取电池板缺陷区域图像，得到缺陷区域的最小外接矩形。

内部缺陷分析模块，包括面积占比单元、温度离散单元和电池片效率单元。

面积占比单元，用于获取缺陷区域的面积sum和最小外接矩形区域的面积s矩形，得到缺陷区域在最小外接矩形区域的面积占比a。

温度离散单元，用于获取电池板温度t，根据电池板温度的均值d(t)和方差σ(t)得到电池板温度的离散程度v。

电池片效率单元，用于获取最小外接矩形区域的电压值u、电流值i、面积s矩形和光照强度e，得到最小外接矩形区域的发电效率μ。

缺陷类别判断模块，用于根据面积占比a、电池板温度的离散程度v和最小外接矩形区域的发电效率μ所构建的缺陷类别判断函数h，通过判断函数h与预设阈值判断缺陷类别。

第二方面，本发明实施例提供了一种基于人工智能的光伏电池内部缺陷类别检测方法，该方法步骤包括：

采集电池板图像，获取电池板缺陷区域图像，得到缺陷区域的最小外接矩形；获取缺陷区域的面积sum和最小外接矩形区域的面积s矩形，得到缺陷区域在最小外接矩形区域的面积占比a；获取电池板温度t，根据电池板温度的均值d(t)和方差σ(t)得到电池板温度的离散程度v；获取最小外接矩形区域的电压值u、电流值i、面积s矩形和光照强度e，得到最小外接矩形区域的发电效率μ；根据面积占比a、电池板温度的离散程度v和最小外接矩形区域的发电效率μ所构建的缺陷类别判断函数h，通过判断函数h与预设阈值判断缺陷类别。

本发明至少具有如下有益效果：

本发明结合缺陷面积占比、电池板温度分布离散程度和电池板效率构建缺陷类别判断函数，使用类别判断函数能够准确识别电池内部缺陷类型，同时实施者能够根据不同的缺陷类型判断是否需要组件维修，提高工作效率，能够及时采取相应的措施，防止电池板的损坏。

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内部缺陷类别检测系统框图；

图2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内部缺陷类别检测方法流程图；

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内部缺陷类别检测系统的电池板缺陷感知模块示意图；

图4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内部缺陷类别检测系统的内部缺陷分析模块示意图；

图5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内部缺陷类别检测系统的缺陷类别判断模块示意图。

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基于人工智能的光伏电池内部缺陷类别检测方法及系统，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基于人工智能的光伏电池内部缺陷类别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提供的基于人工智能的光伏电池内部缺陷类别检测系统框图。

在本发明实施例中，基于人工智能的光伏电池板内部缺陷类别检测系统包括电池板缺陷感知模块100、内部缺陷分析模块200与缺陷类别判断模块300。

其中，电池板缺陷模块用于采集电池板图像，获取电池板缺陷区域图像，得到缺陷区域的最小外接矩形。

具体地，如图3所示，通过电子散斑干涉技术检测电池板内部，电子散斑干涉是以激光散斑作为被测物场变化信息的载体，利用被测物体在受激光照射后产生干涉散斑场的相关条纹来检测双光束波前后之间的相位变化。之后结合ccd红外相机采集激光散斑照射后的电池板图像，输入到结构为编码器-解码器(encoder-decoder)的电池板缺陷感知网络中，输入的电池板图像首先通过电池板缺陷感知网络的encoder进行特征提取，输出特征图(featuremap)，缺陷感知decoder对中间特征进行上采样得到与原图大小相同的缺陷区域语义图像，即获得了电池板的缺陷语义图像，得到电池板的缺陷语义图像中，缺陷区域图像像素为1，其余部分像素为0，通过后处理获取缺陷区域的最小外接矩形区域。

具体地，电池板缺陷感知网络的训练过程为：

将ccd红外相机采集的电池板散斑图像作为语义感知网络的输入，然后制作标签数据，为了更好地感知电池板内部的缺陷，将电池板内部缺陷区域像素标注为1，电池板其他像素标注为0。电池板红外图像数据和标注完成的标签数据输入语义感知网络中进行训练，训练所使用损失函数为交叉熵损失函数，缺陷感知encoder对图像进行特征提取，输出为featuremap，缺陷感知decoder对中间特征进行上采样得到与原图大小相同的缺陷区域语义图像，即获得了电池板的缺陷区域语义图像。

内部缺陷分析模块，包括面积占比单元2100、温度离散单元2200和电池片效率单元2300。

如图4，面积占比单元，用于获取缺陷区域的面积sum和最小外接矩形区域的面积s矩形，得到缺陷区域在最小外接矩形区域的面积占比a。

具体地，获取到缺陷区域语义图像后，由于缺陷区域图像的像素设为了1，所以能够很好地得到图像中缺陷区域的面积sum，即图像中像素值为1的像素值的和为缺陷区域的面积sum，而缺陷区域的最小外接矩形区域的面积s矩形也容易获得，这样就能得到缺陷区域在其最小外接矩形区域中的面积占比a为：

通过面积占比a能够粗略估计：当缺陷区域的面积占比小的时候，表示电池板内部出现线状隐裂缺陷的可能性大；当缺陷区域的面积占比大的时候，说明电池板内部出现黑片缺陷的可能性大。

温度离散单元，用于获取电池板温度t，根据电池板温度的均值d(t)和方差σ(t)得到电池板温度的离散程度v。

具体地，通过安装在电池板四个角的温度传感器来获取电池板的温度，得到电池板温度的均值d(t)以及电池板温度的方差σ(t)，得到电池板温度的离散程度v为：

式(2)中，k为由实施者自行设定的常数值，取值范围为[1，5]，本发明实施例中，k＝1，t为电池板的温度，均值d(t)与方差σ(t)分别为：

其中，i表示电池板的四个角，ti为电池板第i个角的传感器测得的温度。

通过缺陷电池板的温度分布函数能够粗略估计：当电池板温度的离散程度t较大时，电池板内部出现混档缺陷的可能性大；当电池板温度的离散程度v较小时，电池板内部出现黑片缺陷和线状隐裂缺陷的可能性大。

电池片效率单元，用于获取最小外接矩形区域的电压值u、电流值i、面积s矩形和光照强度e，得到最小外接矩形区域的发电效率μ。

具体地，通过电池片电压电流传感器获取缺陷区域的最小外接矩形区域的电压值u和电流值i，利用光强传感器用于获取缺陷区域最小外接矩形区域的光照强度e，由于最小外接矩形区域的面积s矩形已经获得，那么能得到缺陷区域的最小外接矩形区域电池的效率μ为：

当电池板内部出现黑片缺陷时，会严重影响电池板的缺陷部分的发电效率，此时由于这部分电池板为黑片缺陷区域，所以电池板的黑片缺陷区域就变为了负载，对外不再输出功率，反而成为了耗电元件，因此出现黑片缺陷的电池板区域的发电效率为小于或者等于0的。由式(3)可以粗略估计，当存在缺陷区域的最小外接矩形区域的电池效率μ的值小于或者等于0时，表示该区域的电池板内部出现了黑片缺陷。

缺陷类别判断模块，用于根据面积占比a、电池板温度的离散程度v和最小外接矩形区域的发电效率μ所构建的缺陷类别判断函数h，通过判断函数h与预设阈值判断缺陷类别。

如图5，结合式(1)、式(2)和式(3)，根据面积占比a、电池板温度的离散程度v和电池板效率μ与各缺陷类型发生的可能性的关系，即每一项参数对缺陷类型的重要程度进行非线性映射，构建缺陷类别判定函数h：

式(4)中，a为实施者设置的常数，取值范围为[1，10]，本发明实施例中，a＝5。

本发明实施例中，通过大量实验数据获得预设阈值m，预设阈值m为大于0的常数，m的取值范围为[1，20]，在本发明实施例中，m取值为10。对比判定函数h与预设阈值m：当判定函数h的值小于预设阈值m，以及判定函数h的值还小于或者等于0，则判断电池板内部出现了黑片缺陷；当判定函数h的值小于预设阈值m时，以及判定函数h的值大于0时，判断电池板内部出现了混档缺陷；当判定函数h的值大于预设阈值m时，判断电池板内部出现了线状隐裂缺陷。

综上所述，本系统通过对发生缺陷的区域以及缺陷区域的最小外接矩形区域进行分析，根据缺陷区域在其最小外接矩形区域的面积比、缺陷区域最小外接矩形区域的发电效率和电池板温度的离散情况，构建了缺陷类别判定函数，通过缺陷类别判断函数综合这三种因素对缺陷类别进行检测，提高了检测准确率。而且能够根据不同的缺陷类别判断是否需要更换组件，提高了工作效率。

基于与上述系统/方法相同的发明构思，本发明另一实施例还提供了基于人工智能的光伏电池内部缺陷类别检测方法流程图。

请参阅图2，其示出了本发明另一实施例提供的基于人工智能的光伏电池内部缺陷类别检测方法流程图。

步骤s1，采集电池板图像，获取电池板缺陷区域图像，得到缺陷区域的最小外接矩形。

具体地，使用电子散斑干涉技术检测电池板的内部情况，使用红外相机采集激光散斑照射后的电池板图像，获得电池板散斑图像，经过语义分割后得到电池板内部缺陷语义图像，缺陷区域图像像素为1，其余部分像素为0，对缺陷区域图像经过后处理获取缺陷区域的最小外接矩形框区域。

步骤s2，获取缺陷区域在其最小外接矩形区域的面积占比。

具体地，在得到缺陷区域语义图像后，对缺陷区域像素进行累加，得到缺陷区域像素值之和sum，即获得了缺陷区域面积sum，获取缺陷区域最小外接矩形的面积s矩形，获得缺陷区域在整个外接矩形中的面积占比a为：

步骤s3，获取电池板温度，得到电池板温度的离散程度。

通过温度传感器获取电池板的温度，通过电池板的温度获得电池板温度的均值d(t)与方差σ(t)，通过均值d(t)与方差σ(t)的比值得到电池板温度的离散程度v为：

式(2)中，k为预设常数，取值范围为[1，5]，k＝1。

步骤s4，获取最小外接矩形区域的发电效率。

利用电池片电压电流传感器获取缺陷区域的最小外接矩形区域的电压值u、电流值i，再利用光强传感器获取最小外接矩形区域的光照强度e，获取到了缺陷区域的最小外接矩形区域的发电效率μ为：

步骤s5，构建缺陷类别判断函数，判断缺陷类别。

结合式(1)、式(2)和式(3)，即根据步骤s2获取的缺陷区域在整个曲线区域的最小外接矩形区域的面积占比a、电池板温度的离散程度v和缺陷区域的最小外接矩形区域的发电效率μ，构建缺陷类别判断函数h为：

式(4)中，a为根据实验数据人为设置的常数，取值范围为[1，10]，本发明实施例中a＝5。

当获得判断函数h后，将判断函数h与预设阈值m进行比较，其中预设阈值m为大于0的常数，m的取值范围为[1，20]，在本发明实施例中，m＝10。当判断函数h的值小于预设阈值m，而且还小于或者等于0时，判断电池板内部出现了黑片缺陷；当判断函数h的值小于预设阈值m，且大于0时，判断电池板内部出现了混档缺陷；当判断函数h的值大于预设阈值m，判断电池板内部出现了线状隐裂缺陷。

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。