一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法

一种基于改进yolov5网络的光伏组件el缺陷检测方法
技术领域
1.本发明涉及光伏组件el缺陷检测方法领域，具体是一种基于改进yolovs5网络的光伏组件el缺陷检测方法。


背景技术：

2.一般而言，太阳能光伏组件的认证工作由一系列的标准化测试组成。组件产品只有全部通过所有测试，才能获得认证证书，才可以在相应市场销售。这些测试包括：外观检查、最大功率测试、绝缘耐压测试、湿漏电流测试等。越来越多的研究发现，上述标准中光伏组件最大功率的下降与其电致发光图谱中发现的太阳电池片缺陷有直接关系，因此目前在测试和认证中已经大量引入电致发光测试作为重要辅助手段。但是光伏组件的电致发光测试不同于其他的标准测试，其测试参数容易标准化但测试结果难以评价。因此，光伏组件的电致发光测试标准化过程中，对电池发光图像的缺陷分析、评级、对未来效能的评价等是难点也是目前研究的热点。但到目前为止，几乎所有的光伏组件电致发光测试系统仅能得到组件的电致发光图像，需要借助工程师的个人经验来对结果进行解读，得到的信息包括：组件中缺陷的位置、缺陷的类型、缺陷电池的数量等等。


技术实现要素：

3.本发明的目的是提供一种基于改进yolov5网络的光伏组件el缺陷检测方法，提出了基于yolov5s的串联检测网络，建立了依赖上下流工序的检测模型，不再以单一电池片，而是以组件为检测单位，能够对多种缺陷同时进行高效、准确地检测和定位，实现了复杂el缺陷识别。
4.为了达到上述目的，本发明所采用的技术方案为：一种基于改进yolov5网络的光伏组件el缺陷检测方法，该方法包括以下步骤：步骤（1），通过红外相机采集光伏组件el图像，依据光伏组件el缺陷种类分类标准，对图像样本进行筛选、整理，经过人工预处理后，生成样本集；步骤（2），对样本集进行人工标注，将图像数据转为包含目标位置坐标和种类信息的yolo数据集格式，生成训练集；步骤（3），将步骤（2）中生成的训练集导入改进的yolovs5串联网络中，对模型进行检测训练，得到对应的权重文件；步骤（4），利用训练好的模型对新的光伏组件el图像数据进行预测，标注缺陷的位置和种类，并对其进行统计分析，判断产品的合格等级。
5.进一步的，步骤（1）中，数据集来自实际光伏组件生产线上拍摄的质检图片。由于组件的el图像面积较大，冗余信息较多，用深度学习的方法提取如暗斑、断栅这样的细小目标比较困难；同时，不同缺陷之间面积差别巨大，如暗斑和黑片的面积相差百倍以上，且样本数量不均匀；最后，有的缺陷可以以单个电池片为背景寻找，而有的缺陷，在单个电池片中无法判定，例如黑片会覆盖电池片的背景，混档明暗片的判断需要基于与组件中其他电
池片的比对。所以根据不同种类光伏组件el缺陷所覆盖的区域范围大小，将其划分为两大类，一种是缺陷的观察背景为单个电池片的，定义为a类缺陷，即小目标；另一种是缺陷的判定背景是基于整个光伏组件的，定义为b类缺陷，即大目标。
6.进一步的，步骤（2）中，对于a类缺陷，直接在光伏组件的el图像上进行标注。对于b类缺陷，先作区域分割，再进行标注。对a、b两类缺陷的样本分别按8:1:1划分训练集、测试集、验证集。最后，使用labelimg工具对步骤（1）中整理好的光伏组件el图像数据进行人工标注，包括el缺陷种类c，以及缺陷的位置区域坐标 ，其中（x1，y1），（x2，y2）分别代表图像区域的左上角和右下角坐标，得到对应的yolo格式数据集，作为可供神经网络训练使用的训练集。
7.进一步的，步骤（3）中，采用的yolov5训练网络结构具有以下特征：a.输入端采用了mosaic数据增强的方式，通过随机缩放、随机裁剪、随机排布的方式进行拼接，以提高对小目标的检测能力，针对不同的数据集，会设定初始长长宽的锚框。在训练时，训练网络在初始锚框的基础上输出预测框，进而和真实框groundthruth进行比较，计算两者差距，再反向更新，迭代网络参数，即每次训练时，自适应地计算不同训练集中的最佳锚框值。
8.b.基准网络中设计了focus结构，通过slice操作来对输入图片进行裁剪。例如，原始输入图片大小为512＊512＊3，经过slice和concat操作之后输出一个256＊256＊12的特征映射，接着经过一个通道个数为32的conv层，输出一个256＊256＊32大小的特征映射。
9.进一步的，步骤（4）中，检测网络的具体方法为：根据不同种类光伏组件el缺陷所覆盖的区域范围大小，将其划分为两大类，一种是缺陷的大小区域位于单个电池片内的，定义为a类缺陷，即小目标；另一种是缺陷的区域分布在一整个光伏组件中的，定义为b类缺陷，即大目标。按照上述定义标准将这样本集制作成两个训练集，再输入到yolov5网络中分别训练，得到两个权重文件。在设计检测网络时，我们采取了一种双层网络结构，将两个检测模块串联，分别导入不同的权重文件，用以检测覆盖区域大小差异较大的不同目标，并在串联的两个检测模块之间插入了一个图像分割模块，以此提高对大小差异较大的目标同时检测的能力。
10.与现有技术相比，本发明的有益效果在于：本发明采用了基于yolov5的光伏组件el缺陷检测方法，提出了改进的串联检测网络结构，实现了对复杂el缺陷的识别，能够检测出多种缺陷种类，同时将检测的对象从单个电池片扩大到包含多个电池片的光伏组件，大大提高了检测效率，对智能检测系统在工业现场的实时应用提供了可能性。
附图说明
11.图1：本发明提出的基于yolov5的光伏组件el缺陷检测方法流程图。
12.图2：样本分割示意图。
13.图3：缺陷分类图表。
14.图4：检测网络的串联结构示意图。
15.图5：检测效果展示图。
具体实施方式
16.下面结合附图对本发明的具体实施方式进行详细的说明。
17.如图1所示，基于改进yolov5网络的光伏组件el缺陷检测方法流程图，包括以下步骤：步骤（1）：数据集采集和处理：通过红外相机采集光伏组件el图像，依据光伏组件el缺陷种类分类标准，对图像样本进行筛选、整理，经过人工预处理后，生成样本集。具体方法是：先依据光伏组件el图片样本中包含的缺陷种类不同进行初步人工筛选，对包含局部小目标的样本进行区域分割处理，如图2所示，起到数据增强的效果，然后整理成样本集。；步骤（2）：样本标注；对于a类缺陷中的黑片，直接在光伏组件的el图像上进行标注，总共98个样本。对于b类缺陷，相机拍摄的光伏组件el图像尺寸为5328*3137像素，将组件el图像，用两种尺寸的滑窗进行截取，截取到尺寸为248*505（黄框）和753*1008（红框）两种尺寸（如图2），一张光伏组件的el图片可以截取为126张248*505的小块图像和21张753*1008的小块图像。清洗掉其中没有缺陷的图像，剩下的进行手动标注。与原图样本相比，网络更能够轻松捕获小图像中的缺陷特征。最后，得到457个248*505像素的样本和492个753*1008像素的样本，每类缺陷的样本数量并不均衡。这两类样本背景有很大的区别，六片电池片组成的样本中包含了电池片之间的缝隙，加入这类样本可以使模型具有更强的区分背景的能力。对a、b两类缺陷的样本分别按8:1:1划分训练集、测试集、验证集。对样本集进行人工标注，将图像数据转为包含目标位置坐标和种类信息的yolo数据集格式，生成训练集。具体步骤是：使用labelimg工具对测试集进行标注，得到对应的yolo格式数据集，作为可供神经网络训练使用的训练集。
18.步骤（3）：yolov5网络训练模型；a.输入端采用了mosaic数据增强的方式，通过随机缩放、随机裁剪、随机排布的方式进行拼接，以提高对小目标的检测能力，针对不同的数据集，会设定初始长长宽的锚框。在训练时，训练网络在初始锚框的基础上输出预测框，进而和真实框groundthruth进行比较，计算两者差距，再反向更新，迭代网络参数，即每次训练时，自适应地计算不同训练集中的最佳锚框值。
19.b.基准网络中设计了focus结构，通过slice操作来对输入图片进行裁剪。例如，原始输入图片大小为512＊512＊3，经过slice和concat操作之后输出一个256＊256＊12的特征映射，接着经过一个通道个数为32的conv层，输出一个256＊256＊32大小的特征映射。
20.步骤（4）：检测模型；利用训练好的模型对新的光伏组件el图像数据进行预测，标注缺陷的位置和种类，并对其进行统计分析，判断产品的合格等级。检测网络的具体方法为：根据不同种类光伏组件el缺陷所覆盖的区域范围大小，将其划分为两大类，一种是缺陷的大小区域位于单个电池片内的，定义为a类缺陷，即小目标；另一种是缺陷的区域分布在一整个光伏组件中的，定义为b类缺陷，即大目标。按照上述定义标准将这样本集制作成两个训练集，再输入到yolov5网络中分别训练，得到两个权重文件。在设计检测网络时，我们采取了一种双层网络结构，将两个检测模块串联，分别导入不同的权重文件，用以检测覆盖区域大小差异较大的
不同目标，并在串联的两个检测模块之间插入了一个图像分割模块，以此提高对大小差异较大的目标同时检测的能力。检测流程如图4所示，待检测图片为完整的光伏组件el图像，输入检测系统后，先经过第一层检测模块，标记出a类缺陷，然后经过分割，再传入第二层检测模块，标记处b类缺陷，最后还原，输出完整的检测结果。综上所述，为实现检测的准确性和实时性，并将人工从繁杂的检测工作中解放出来，提出了一种基于yolov5s网络的串联检测模型。该方法经过实验测试，检测的准确性、速度、类别都满足工业生产需求，尤其是满足了目前质检环节中组件检测的现状，证明本发明的方法具有一定优势。
21.最后应说明的是：上面的实施案例仅仅是对该技术方案的详细阐明，而非对其限制；尽管参照该具体实施案例对本发明的技术方案进行了说明，本领域的普通技术人员应当表示理解；其依然可以对该实施案例的方案进行修改，或者针对于其中部分进行同等替换；该修改或者替换行为，并不能使其本质脱离本发明所提出的技术方案的范围，均应包含于本发明的权利要求和说明书的范围之中。