一种基于神经网络的太阳能电池片缺陷检测方法与流程

本发明属于图像数据处理，尤其涉及一种基于神经网络的太阳能电池片缺陷检测方法。

背景技术：

1、光伏电池片的使用过程中，表面可能会存在多种缺陷，导致发电效率降低。比如太阳能电池片表面可能会存在划痕，这些划痕会导致光线的散射和反射，降低光能利用率；太阳能电池片表面可能会存在一些颗粒污染，如尘埃、污垢等，这些颗粒物会遮挡阳光，导致光能利用率降低；太阳能电池片表面可能会被氧化，形成一层氧化物，这层氧化物会降低太阳能电池片的导电性能和光能利用率；太阳能电池片表面可能会存在裂纹，这些裂纹会导致太阳能电池片的机械强度降低，同时也会影响光能利用率。

2、为了提高太阳能电池片的发电效率，需要检测表面的缺陷，并对缺陷采取相应措施来减少表面缺陷，提高太阳能电池片的性能和发电效率。

3、目前对电池片表面缺陷的检测包括人工检查和图像检测等方法，人工检查效率不高，图像检测方法成本低，但检测效果还不够理想，特别是对于很细小的划痕和结点，使用现有的图像增强算法，容易将这些细小划痕和结点消除掉，那么造成后续在神经网络中进行缺陷的识别和分类中出错。

技术实现思路

1、有鉴于此，本申请对retinex算法进行改进，通过计算引导滤波窗口内的混乱度，并根据混乱度的大小对图像进行不同程度的平滑，提高小缺陷目标的识别度，再将提取的小缺陷目标的特征输入神经网络中进行训练学习，对小目标缺陷进行分类，以便进行后续处理。

2、为实现上述目的，本申请公开的基于神经网络的太阳能电池片缺陷检测方法，包括以下步骤：

3、使用相机采集太阳能电池片的rgb图像；

4、将rgb图像转换为hsv颜色空间；

5、检测图像中的栅线，根据栅线将图像分割为多个子图像；

6、对子图像使用改进的retinex算法进行图像增强，提取缺陷目标图像；

7、将缺陷目标图像输入pp-yolo神经网络进行训练，识别缺陷的类别；

8、训练结束后，将实际的电池片图像输入训练后的pp-yolo神经网络，识别缺陷类别。

9、更进一步地，所述改进的retinex算法是将retinex算法中人眼对实际景物的感知图像i作为待滤波图像p，进行引导滤波，滤波窗口大小为m×n，经过滤波后的像素如下：

10、

11、其中，i是引导图像，q是滤波后的图像，gi是第i个像素的灰度值，gmax是滤波窗口内所有像素中的灰度最大值，ξ是滤波窗口内的混乱度。

12、更进一步地，计算滤波窗口内的混乱度ξ如下：

13、

14、其中，是当像素q与像素p之间相位一致性大小相同时，像素q与像素p之间的梯度，是当像素q与像素p之间相位一致性大小不同时，像素q与像素p之间的梯度。

15、更进一步地，所述将rgb图像转换为hsv颜色空间，包括：

16、h通道分量h：

17、

18、s通道分量s：

19、

20、v通道分量v：v＝tmax

21、其中，r是rgb空间中红色分量值，g是rgb空间中绿色分量值，b是rgb空间中蓝色分量值，tmax是rgb空间中红色、绿色、蓝色分量中的最大值，tmin是rgb空间中红、绿、蓝分量中的最小值。

22、更进一步地，所述pp-yolo神经网络包括特征提取网络、特征融合网络和检测头，加载训练好的模型权重；

23、所述特征提取网络对输入图像进行特征提取，提取多个尺度的特征；然后利用特征融合网络进行多个尺度的特征融合；最后用检测头对三个不同尺度的特征图进行预测，预测出太阳能电池片图像中缺陷类别。

24、更进一步地，多个尺度的特征包括长宽比、面积和边缘特征。

25、更进一步地，在特征提取网络的卷积层使用以下的激活函数：

26、

27、x为自变量。

28、与现有技术相比，本发明的有益效果如下：

29、采用一种改进的retinex滤波增强算法，结合图像混乱度，根据图像纹理的变化程度进行不同程度的平衡，提高了小缺陷目标的识别能力。

技术特征：

1.一种基于神经网络的太阳能电池片缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述改进的retinex算法是将retinex算法中人眼对实际景物的感知图像i作为待滤波图像p，进行引导滤波，滤波窗口大小为m×n，经过滤波后的像素如下：

3.根据权利要求2所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，滤波窗口内的混乱度ξ如下计算：

4.根据权利要求3所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述将rgb图像转换为hsv颜色空间，包括：

5.根据权利要求4所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述pp-yolo神经网络包括特征提取网络、特征融合网络和检测头，加载训练好的模型权重；

6.根据权利要求5所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，多个尺度的特征包括长宽比、面积和边缘特征。

7.根据权利要求6所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，在特征提取网络的卷积层使用以下的激活函数：

技术总结本发明属于图像处理技术领域，公开了一种基于神经网络的太阳能电池片缺陷检测方法，包括以下步骤：使用相机采集太阳能电池片的RGB图像；将RGB图像转换为HSV颜色空间；检测图像中的栅线，根据栅线将图像分割为多个子图像；对子图像使用改进的Retinex算法进行图像增强，提取缺陷目标图像；将缺陷目标图像输入PP‑YOLO神经网络进行训练，识别缺陷的类别；训练结束后，将实际的电池片图像输入训练后的PP‑YOLO神经网络，识别缺陷类别。本申请采用一种改进的Retinex滤波增强算法，根据图像纹理的变化程度进行不同程度的平衡，提高了小缺陷目标的识别能力。技术研发人员：王培栋,王俊,王雪,曹斌受保护的技术使用者：江苏智慧工场技术研究院有限公司技术研发日：技术公布日：2024/9/2