基于多尺度CNN的光伏组件缺陷识别 周颖.pdf

43 2 Vol. 43, No. 2
第 卷 第 期 有隐秘性，不易检测，使 图像进行训练，自动提取特征，具有较高的抗干扰和泛化能
得缺陷自动检测异常困难。近年来，关于光伏组件缺陷的检 力，适用于不同的图像场景，且能同时检测出多种缺陷。
improved
测与识别有了较大进展。传统的机器视觉检测方法是通过 本文提出一种改进的多尺度卷积神经网络（
multi sacle convolutional neural network IMCNN
对光伏组件进行成像，获取图像数据后，再使用机器视觉算 - ， ）模型，用于光
4
法进行缺陷检测。如文献［ ］利用太赫兹光谱成像技术，经 伏组件的缺陷识别。首先对光伏组件的原始图像进行预处
傅里叶变换后可得到太赫兹辐射电场波的幅频和相位图，通 理，得到适用于实验的小电池板图像，再提取电池板图像多
Softmax
过比较合格光伏组件和待检测光伏组件的幅频和相位图判 个尺度上的特征并进行特征融合，最后通过 分类器
5
断是否存在缺陷；文献［ ］使用光致发光成像技术，用激光照 分类。为解决光伏组件缺陷分类任务中缺陷样本有限的问
SolarGAN
射硅片，可激发硅片中处于基态的电子，一段时间后这些电 题，本文提出一种对光伏组件的小样本进行扩充的
子又回到基态，并发出荧光，根据荧光效应强弱来判断光伏 网