光伏电池图像序列的深度学习检测方法

doi:10.3901/JME.2021.08.098

机械工程学报 ›› 2021, Vol. 57 ›› Issue (8): 98-106.doi: 10.3901/JME.2021.08.098

扫码分享

光伏电池图像序列的深度学习检测方法

邓堡元^1,2, 何赟泽^1,2, 王洪金¹, 张宏², 杨渊¹, 马敏敏¹, 牟欣颖¹, 杨瑞珍³

1. 湖南大学电气与信息工程学院长沙 410082;
2. 福建技术师范学院无损检测技术福建省高等学校重点实验室福清 350300;
3. 长沙学院土木学院长沙 410022

收稿日期:2020-02-10 修回日期:2020-09-05 出版日期:2021-04-20 发布日期:2021-06-15
通讯作者: 何赟泽(通信作者)，男，1983年出生，副教授。主要研究方向为红外机器视觉、红外无损检测、电磁无损检测、声发射检测。E-mail：yhe@vip.163.com
作者简介:邓堡元，男，1996年出生，博士研究生。主要研究方向为红外机器视觉、红外检测。E-mail：dengbaoyuan@foxmail.com
基金资助:
福建省自然科学基金（2020J01312）、国家自然科学基金（52077063）、国家自然科学基金委员会与英国皇家学会合作交流（61811530331）、湖南省科技创新计划科技人才专项（2018RS3039）、无损检测技术福建省高校重点实验室（福建技术师范学院）开放基金（S2-KF2012）、机械结构强度与振动国家重点实验室开放基金（SV2019-KF-17）、博士后科学基金（2018M630898）、湖南省自然科学基金面上（2018JJ2458）、长沙市杰出创新青年培养计划（kq1802023）和远东无损检测新技术论坛创新人才支持计划资助项目。

Deep Learning Inspection for Photovoltaic Cell Image Sequence

DENG Baoyuan^1,2, HE Yunze^1,2, WANG Hongjin¹, ZHANG Hong², YANG Yuan¹, MA Minmin¹, MU Xinying¹, YANG Ruizhen³

1. College of Electrical and Information Engineering, Hunan University, Changsha 410082;
2. Fujian Province University Key Laboratory of Nondestructive Testing, Fujian Polytechnic Normal University, Fuqing 350300;
3. College of Civil Engineering, Changsha University, Changsha 410022

Received:2020-02-10 Revised:2020-09-05 Online:2021-04-20 Published:2021-06-15

摘要/Abstract

摘要： 为了实现光伏电池工厂端的智能检测，使用热红外相机采集电致热成像（Electro-thermography， ET）与短波红外相机采集电致发光现象（Electroluminescence， EL）检测光伏电池缺陷。提出一种基于光流法处理光伏电池热流场的热图像序列分析方法，准确找到异常发热源。并与短波红外成像找到的异常发光源融合，建立光伏电池检测数据库。通过深度卷积神经网络，实现对光伏电池内部缺陷与划痕、覆盖、裂纹、缺损等人工缺陷的有效识别。试验结果表明，基于光流的深度学习方法在均方误差、平均梯度、信息熵指标上优于主成分分析（Principal component analysis， PCA）与独立成分分析（Independent component analysis， ICA），并在卷积网络的训练中，能使网络更快地收敛。

关键词: 光伏电池, 无损检测, 图像融合, 深度学习

Abstract: In order to realize intelligent factory inspection of photovoltaic cell, the defects of photovoltaic cell are detected by using thermal infrared camera acquiring electro-thermography(ET) and short-wave infrared camera acquiring electroluminescence(EL). A thermal image sequence analysis method based on optical flow method to deal with the thermal flow field of photovoltaic cells is proposed to find the abnormal heat source accurately. The database of photovoltaic cell detection is established by fusing the abnormal light source found by short-wave infrared imaging. The deep convolution neural network is used to effectively identify the artificial defects and internal defects of photovoltaic cells, such as scratches, covers, cracks and defects. The experimental results show that the deep learning method based on optical flow is superior to principal component analysis(PCA) and independent component analysis(ICA) in mean square error, average gradient and information entropy index, and make the network converge faster in the training of convolution network.

Key words: photovoltaic cell, non-destructive testing, image fusion, deep learning

中图分类号:

TM914

邓堡元, 何赟泽, 王洪金, 张宏, 杨渊, 马敏敏, 牟欣颖, 杨瑞珍. 光伏电池图像序列的深度学习检测方法[J]. 机械工程学报, 2021, 57(8): 98-106.

DENG Baoyuan, HE Yunze, WANG Hongjin, ZHANG Hong, YANG Yuan, MA Minmin, MU Xinying, YANG Ruizhen. Deep Learning Inspection for Photovoltaic Cell Image Sequence[J]. Journal of Mechanical Engineering, 2021, 57(8): 98-106.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.2021.08.098

http://www.cjmenet.com.cn/CN/Y2021/V57/I8/98

参考文献

[1] 杨瑞珍，杜博伦，何赟泽. 晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术[J]. 电工技术学报，2018，33(2)：321-330. YANG Ruizhen，DU Bolun，HE Yunze. Infrared radiation defect detection and imaging technique under active electromagnetic induction excitation for crystalline silicon photovoltaic cells[J]. Transactions of China Electrotechnical Society，2018，33(2)：321-330.
[2] BELYAEV A，POLUPAN O，OSTAPENKO S，et al. Resonance ultrasonic vibration diagnostics of elastic stress in full-size silicon wafers[J]. Semiconductorence &; Technology，2006，21(3)：254-260.
[3] HE Y，DU B，HUANG S. Non-contact electromagnetic induction excited infrared thermography for photovoltaic cells and modules inspection[J]. IEEE Transactions on Industrial Informatics，2018，14(12)：5585-5593.
[4] COTFAS D T，COTFAS P A，KAPLANIS S. Methods to determine the dc parameters of solar cells：A critical review[J]. Renewable &; Sustainable Energy Reviews，2013，28(8)：588-596.
[5] COTFAS D T，COTFAS P A，KAPLANIS S. Methods and techniques to determine the dynamic parameters of solar cells：Review[J]. Renewable &; Sustainable Energy Reviews，2016，61：213-221.
[6] HUANG Z，SONG X，ZHONG S，et al. 20.0% efficiency Si nano/microstructures based solar cells with excellent broadband spectral response[J]. Advanced Functional Materials，2016，26(12)：1892-1898.
[7] 陈文志，张凤燕，张然，等. 基于电致发光成像的太阳能电池缺陷检测[J]. 发光学报，2013，34(8)：1028-1034. CHEN Wenzhi，ZHANG Fengyan，ZHANG Ran，et al. Defect detection of solar cells based on electroluminescence imaging[J]. Chinese Journal of Luminescence，2013，34(8)：1028-1034.
[8] CHUNG T Y，WANG C H，CHANG K J，et al. Evaluation of the spatial distribution of series and shunt resistance of a solar cell using dark lock-in thermography[J]. Journal of Applied Physics，2014，115(3)：271-282.
[9] RILAND S，MICARD G，BREITENSTEIN O，et al. Comparison of the recombination velocity at grain boundaries gained by lock-in thermography and light beam induced current measurements[C]//28th European Photovoltaics Solar Energy Conference and Exhibition， 2013：1659-1664.
[10] RIBLAND S，PLETZER T M，WINDGASSEN H，et al. Local thermographic efficiency analysis of multicrystalline and cast-mono silicon solar cells[J]. IEEE Journal of Photovoltaics，2013，3(4)：1192-1199.
[11] KIM D，YOUN J，KIM C. Automatic fault recognition of photovoltaic modules based on statistical analysis of UAV thermography[C/CD]//International Conference on Unmanned Aerial Vehicles in Geomatics，4-7 September 2017，Bonn，Germany，2017.
[12] AGHAEI M，GRIMACCIA F，GONANO C A，et al. Innovative automated control system for PV fields inspection and remote control[J]. IEEE Transactions on Industrial Electronics，2015，62(11)：7287-7296.
[13] NAKANISHI H，FUJIWARA S，TAKAYAMA K，et al. Imaging of a polycrystalline silicon solar cell using a laser terahertz emission microscope[J]. Applied Physics Express，2012，5(11)：2301.
[14] REN W，LIU J，TIAN G Y，et al. Quantitative non-destructive evaluation method for impact damage using eddy current pulsed thermography[J]. Composites Part B：Engineering，2013，54：169-179.
[15] HAUSSECKER H W. Simultaneous estimation of optical flow and heat transport in infrared image sequences [C/CD]//Proceedings of the IEEE Workshop on Computer Vision Beyond the Visible Spectrum：Methods and Applications (Cat No PR00640)，F，2000.
[16] SIMONYAN K，ZISSERMAN A. Two-stream convolutional networks for action recognition in videos [C]//Proceedings of the 27th International Conference on Neural Information Processing Systems，2014：568-576.
[17] WANG L，XIONG Y，WANG Z，et al. Temporal segment networks：Towards good practices for deep action recognition[C]//Proceedings of the European Conference on Computer Vision，2016：20-36.
[18] QIU Z，YAO T，MEI T. Learning spatio-temporal representation with pseudo-3d residual networks[C]//Proceedings of the IEEE International Conference on Computer Vision，2017：5534-5542.
[19] CARREIRA J，ZISSERMAN A. Quo vadis，action recognition? A new model and the kinetics dataset[C/CD]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2017.
[20] FEICHTENHOFER C，FAN H，MALIK J，et al. SlowFast networks for video recognition[C]//International Conference on Computer Vision，2018：6201-6210.

光伏电池图像序列的深度学习检测方法

Deep Learning Inspection for Photovoltaic Cell Image Sequence

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	雷佳为, 王姝婷, 岳重祥, 林萍, 彭文, 孙杰, 张殿华. 基于深度学习的热轧厚度-活套动态建模[J]. 机械工程学报, 2026, 62(6): 142-153.
[2]	徐扬欢, 王东城, 刘宏民, 党丽莹, 刘云飞, 杨爱民. 基于深度学习的图像板形检测方法研究[J]. 机械工程学报, 2026, 62(6): 185-196.
[3]	原源, 刘秀成, 祁攀, 曹文博, 王峥鸿, 吴斌, 高翔. 基于磁致伸缩SH₀导波传感器换能曲线的表面硬度无损检测方法[J]. 机械工程学报, 2026, 62(6): 228-236.
[4]	李雨露, 李俊峰, 万章艺, 魏正英. 基于YOLO算法的激光粉末床熔融成形层形貌分类识别与成形质量预测研究[J]. 机械工程学报, 2026, 62(3): 218-234.
[5]	王祺, 叶仁传, 马国杰, 马佩珏, 范杰, 杨文龙. 钢材表面缺陷轻量化识别算法研究[J]. 机械工程学报, 2025, 61(8): 18-31.
[6]	姜洪权, 张毛杰, 程虎跃, 高建民, 姚欢, 高富超, 郭晓峰, 贺吉程. 融合动态评片知识AI模型的焊缝缺陷探测技术[J]. 机械工程学报, 2025, 61(6): 24-32.
[7]	秦飞红, 袁懋诞, 祝端阳, 刘晓睿, 李明, 纪轩荣. 基于多层特征融合目标检测网络的超声全聚焦钢板焊缝缺陷自动检测研究[J]. 机械工程学报, 2025, 61(4): 55-66.
[8]	陈其怀, 林添良, 马荣华, 温建和, 缪骋, 任好玲. 基于多模态的履带式挖掘机自动驾驶决策网络[J]. 机械工程学报, 2025, 61(4): 380-388.
[9]	黄思翰, 陈建鹏, 徐哲, 阎艳, 王国新. 基于大语言模型和机器视觉的智能制造系统人机自主协同作业方法[J]. 机械工程学报, 2025, 61(3): 130-141.
[10]	刘翰儒, 陈桂映, 许泽林, 彭世通, 郭嘉楠, 刘伟嵬, 王奉涛. 基于SERepVGG-A2的轻量化卷积神经网络在熔池状态识别中的应用[J]. 机械工程学报, 2025, 61(3): 440-448.
[11]	孙凤山, 范孟豹, 曹丙花, 叶波. 定制化小波基赋能的薄热障涂层太赫兹可解释测厚新方法[J]. 机械工程学报, 2025, 61(24): 12-27.
[12]	赵阳, 王中任, 史铁林, 谭孟, 张文, 李文喜. 基于Swin-IMSA的外圆磨削过程中粗糙度在机预测方法[J]. 机械工程学报, 2025, 61(23): 373-380.
[13]	胡朋, 赵瑞祥, 杨淑言, 段志荣, 解社娟, 陈振茂, 郑阳. 一种基于电磁-声复合检测方法的分时策略研究[J]. 机械工程学报, 2025, 61(2): 1-10.
[14]	张超, 王宏远, 季宏丽, 朱丽晨, 裘进浩. 金属-有机材料层合结构的脱粘损伤识别方法[J]. 机械工程学报, 2025, 61(2): 24-35.
[15]	战庆亮, 刘鑫, 白春锦, 葛耀君. 三维高分辨率流场重构的深度学习方法[J]. 机械工程学报, 2025, 61(16): 338-346.