基于徑向基神經網絡的太陽能電池缺陷檢測

沈凌云，朱 明，陳小云

(1.中國科學院長春光學精密機械與物理研究所，吉林長春 130033；2.中國科學院大學，北京 100049； 3.長春理工大學電子信息工程學院，吉林長春 130022)

基于徑向基神經網絡的太陽能電池缺陷檢測

沈凌云1，2，3，朱 明1*，陳小云1

(1.中國科學院長春光學精密機械與物理研究所，吉林長春 130033；2.中國科學院大學，北京 100049； 3.長春理工大學電子信息工程學院，吉林長春 130022)

為了檢測太陽能電池的缺陷，建立了太陽能電池板的電致發光(EL)圖像與其缺陷類型間的神經網絡預測模型，可以對太陽能電池板不同類型缺陷進行自適應檢測。首先，采用主成分分量分析(PCA)算法對電致發光(EL)圖像訓練樣本集降維；然后，將降維后得到的數據輸入神經網絡預測模型進行學習，對模型的參數進行優化選取；最后，將訓練好的網絡對測試樣本集進行仿真。仿真結果表明：在采用相同的訓練樣本集和測試樣本集條件下，與反向傳播神經網絡(BPNN)相比，徑向基神經網絡(RBFNN)具有全局最優特性，結構簡單，最高識別率達96.25%，計算時間較短，能滿足在線檢測的要求。

缺陷檢測；反向傳播神經網絡；徑向基神經網絡；主成分分析；降維

1 引 言

隨著全世界能源緊缺和日益嚴重的環境污染問題，人們對太陽能這種低碳環保能源的需求越來越大。目前，多晶硅由于具有高的轉換效率，并且材料和工藝制造成本較低，易于產業化，占有了大部分晶體硅太陽能電池市場。多晶硅的薄片被進一步處理后，就形成一個作為太陽能發電系統基本單元的太陽能電池。一組太陽能電池組裝互相連接成一個太陽能電池組件，可以提供大量電力用于各種商業應用。例如，美國AP公司的單晶硅電池組件由36片串聯，其峰值功率為75 W，組件上的蓋板材料為低鐵鋼化玻璃，四周采用鋁合金邊框固定，壽命長約25年，一般用于各類光伏電站。但是，太陽能電池片缺陷的存在會降低轉換效率及使用年限，因此，缺陷的檢測和識別對于生產質量的控制至關重要。

由于晶體硅太陽能電池片的表面缺陷用肉眼不易分辨，所以現在常用電致發光(EL)成像技術來凸顯缺陷。EL技術是目前應用很廣的一種太陽能電池缺陷檢測方法［1］，成像只需要不到1 s的時間，并且使用CCD相機就可以拍攝，在檢測儀器成本和檢測效率方面都優于紅外熱成像(DLIT)、光感生電流(LBIC)、電感生電流(EBIC)等方法［2］。

在光伏產業中，基于機器視覺的缺陷檢測方法主要集中在太陽能硅片和太陽能電池上，采用機器視覺的方法對電致發光成像批量處理能提高檢測速度。德國在太陽能電池組件檢測方面處于領先地位，例如，TSRAVISION公司發明的缺陷檢測系統可以在線檢測太陽能電池的質量，大大減少了電池組件的退貨率，同時提高了組件的質量并降低了生產成本。在國內，基于機器視覺技術的太陽能電池組件缺陷檢測使用還不廣泛，所使用的EL紅外檢測設備多為離線式，只適用于抽檢，做不到缺陷的在線自動識別。

目前，太陽能電池的機器視覺檢測方法已有很多。Du-Ming Tsai對太陽能電池缺陷檢測采用了獨立主成分基圖像重建的方法，識別率達到93.4%，但是由于獨立主成分分析是基于所有階的統計信息，因此其求解過于復雜［3］。姚明海采用一種基于魯棒性的主成分分析方法，識別率接近100%，但是對輸入圖像預處理要求較高［4］。龔芳采用獨立主成分分量和粒子群方法，能很好地區分背景和缺陷，但是沒有進行缺陷類型識別統計［5］。Yih-Chih Chiou等采用區域增長法檢測了微裂、污點、空洞等類型缺陷，總準確率達到99.85%，但是計算時間較長，算法速度較慢［6］。

神經網絡具有很強的輸入輸出非線性映射能力，在模式識別領域應用很廣泛，相繼有很多方法應用于缺陷檢測［7-8］。鄧小玲等結合PCA方法將BPNN應用于柑橘黃龍病診斷，能識別出5種癥狀柑橘葉片，識別率達到90%以上［9］。許兆美等結合遺傳算法將BPNN應用于激光銑削層質量預測，預測率達到94%以上［10］。Alexandridis A等采用RBFNN作為分類器，在9個不同的基準數據集上進行評估，結果表明該網絡具有更好的逼近能力與較短的計算時間［11］。神經網絡還有其他很多檢測和分類器的應用，均取得了較好的效果［12-14］。

針對以上問題，本文提出融合主成分分析(PCA)改進反向傳播神經網絡(BPNN)方法和徑向基神經網絡(RBFNN)方法對太陽能電池缺陷電致發光圖像進行處理，主要包括圖像采集、PCA特征提取降維、神經網絡分類訓練、預測輸出等部分。研究結果表明，PCA方法能降低輸入圖像維數，有效地提取圖像特征，簡化神經網絡結構及計算量；RBFNN比BPNN的參數更易于調節，且能獲得更高的識別率及更短的計算時間。

2 本文提出的方法

EL檢測原理與檢測系統在文獻［1］中有詳細的描述。本文采用該文獻中的方法對太陽能電池片的EL圖像進行采集。圖1(a)、(b)、(c)分別表示由CCD采集的一塊大小為125 bits×125 bits的虛焊缺陷圖像、微裂缺陷圖像和斷指缺陷圖像。圖1(d)是無缺陷太陽能電池組圖像，它包含36(6×6)塊大小為125 bits×125 bits的太陽能電池片圖像。

本文提出融合主成分分析(PCA)改進反向傳播神經網絡(BPNN)方法和徑向基神經網絡(RBFNN)方法對太陽能電池缺陷電致發光圖像進行處理，主要包括圖像采集、PCA特征提取降維、神經網絡分類訓練、預測輸出等部分，如圖2所示。

圖1 太陽能電池板EL圖像。(a)虛焊圖像；(b)微裂圖像；(c)斷指圖像；(d)無缺陷圖像。Fig.1 EL images of solar panels.(a)Rosin joint.(b)Microcrack.(c)Gate electrode broken.(d)No defect.

圖2 基于神經網絡的太陽能電池缺陷檢測示意圖Fig.2 Detection of defect on solar panels based on NN

2.1 PCA處理輸入數據

當BPNN和RBFNN的輸入是太陽能電池板缺陷圖像集時，圖像是以向量的形式表示。向量維數太大將不利于網絡的計算。我們采用主成分分量分析(PCA)算法［15］來提取該向量的主要特征分量，既不損失重要信息又能減少網絡的計算量。

PCA是基于協方差矩陣將樣本數據投影到一個新的空間中，那么表示該樣本數據就只需要該樣本數據最大的一個線性無關組的特征值對應的空間坐標即可。將特征值從大到小排列，取較大特征值對應的分量就稱為主成分分量。通過這種由高維數據空間向低維數據空間投影的方法，可以將原始的高維數據壓縮到低維。

假設數據矩陣Xn×p由樣本圖像組成，n是樣本數，p是樣本圖像的大小。若Xn×p的每一行代表一幅樣本圖像，則Xn×p的PCA降維矩陣求解步驟如下：

(1)求Xn×p的平均值。設樣本圖像分別為X1…Xn，則平均值定義如下：

(2)形成一個新矩陣M。從X1…Xn中減去如下所示：

則新矩陣 M=(Φ1Φ2…Φn)，求 M的協方差矩陣：

(3)通過公式(4)、(5)求特征值λ及特征矢量U：

保留k個較大特征矢量形成Y：

PCA降維后的矩陣Y是神經網絡的輸入矩陣。

2.2 創建BPNN模型和RBFNN模型

太陽能電池缺陷種類很多，不同缺陷類型圖像具有不同特征。對太陽能電池缺陷圖像求其主成分分量作為BPNN的輸入，缺陷的分類作為輸出，輸入層有k個神經元(降維后主成分分量個數)，輸出層有1個神經元(缺陷的分類向量)。隱層的節點數可以憑經驗多次實驗確定，也可以設計一個隱含層數目可變的BPNN。通過誤差對比，選擇在給定對比次數內誤差最小所對應的隱含層神經元數目，從而確定BPNN的結構。一般來說，3層BPNN就能以任意的精度逼近任意的連續函數［16］。本論文選擇 3層BPNN，結構為k-m-1，m為隱含層節點數。為了使網絡訓練時不發生“過擬合”現象，設計合理BPNN模型的過程是一個不斷調整參數對比結果的過程。

確定BPNN結構后，就可以對該網絡進行訓練。訓練函數采用Levenberg-Marquardt函數，隱含層神經元傳遞函數為S型正切函數tansig，輸出層神經元函數為純線性函數purelin。調用格式：net= newff(Y，T，［m，1］，｛‘tansig’，‘purelin’｝，‘trainlm’)；Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量。

Matlab自帶4種主要的函數來設計RBFNN：newrbe，newrb，newgrnn，newpnn。本文用相同的訓練樣本集和測試樣本集創建和測試了這4種網絡，其中，用newgrnn創建的網絡識別率最高，因此選用廣義回歸神經網絡newgrnn來創建RBFNN：

(1)隱含層徑向基神經元層數目等于輸入樣本數，其權值等于輸入矩陣向量的轉置，閾值為：

(2)輸出層線性神經元層，以隱含層神經元的輸出作為該層的輸入，權值為輸出矩陣向量T，無閾值向量。

調用格式：net=newgrnn(Y，T，Spread)；Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量，Spread為徑向基函數的擴展速度。

2.3 太陽能電池缺陷的檢測算法

(1)數據映射。取每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓練樣本集和測試樣本集。將樣本集中每張圖片變成矩陣中的一列，形成一個矩陣，采用2.1節中的方法對該矩陣進行PCA降維后的矩陣作為BPNN和RBFNN的輸入。將虛焊、微裂、斷指和無缺陷4種不同類型圖像分別標記為1，2，3，4，作為網絡期望輸出T。

(2)數據歸一化。將輸入輸出矩陣向量歸一化為［-1，1］，利于神經網絡的計算。

(3)分別調用2.2節中創建的BPNN和RBFNN，設置網絡參數，利用訓練樣本集先對網絡訓練，然后將訓練好的網絡對測試樣本集進行仿真，并對仿真結果進行反歸一化。

(4)最后將仿真預測輸出分別和圖像1，2，3，4比較，差值的絕對值小于閾值0.5認為預測正確。閾值是根據網絡的期望輸出選擇的，以能正確區分不同缺陷類型為宜。識別率定義為正確識別的數量和樣本數的比值。

3 實驗內容與結果分析

為了驗證本文方法的有效性，我們通過CCD圖像采集系統采集了1 000張太陽能電池板EL圖片，包括250張虛焊樣本、250張微裂樣本、250張斷指樣本、250張無缺陷樣本，大小為125 bits× 125 bits。我們利用圖片組成的樣本數據集進行了大量的實驗，將每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓練樣本集和測試樣本集。

算法測試硬件平臺為Intel i5 750、主頻2.66 GHz的CPU，4 G內存的PC機，編譯環境為Matlab R2012b。

表1 n=1 000時的PCA-BPNN識別率Table 1 Accuracy of PCA-BPNN

圖3 不同樣本集數下的PCA-BPNN的識別率Fig.3 Accuracy of PCA-BPNN on different number of sample sets

由于樣本圖像數據較大，需采用2.1節中的PCA算法進行降維處理。對樣本圖像集降維后，得到神經網絡的輸入矩陣。但是，隨著樣本數的增加，占有主要信息的主成分維數也在增加。因此，分別采用占有主要信息60%～90%的圖像作為BPNN的輸入，對應的降維后的主成分維數k為BPNN輸入層節點數。由于BPNN的結果每次都不同，所以運行50次，保存識別率最高的網絡。

圖3是在不同樣本集數下的PCA-BPNN的最高識別率。其中，樣本數n=1 000時的PCA-BPNN識別率如表1所示。同時網絡參數設置也列在表1中。隱含層中的最佳節點數是采用經驗公式所得［17］。從圖3和表1中可以看出，當維數降至20維(占主要信息70%)、總樣本數為1 000(測試樣本400)時，4種類型總的最高識別率為93.5%。

在相同的訓練樣本集和測試樣本集上，采用與BPNN同樣的輸入和輸出，在不同樣本集數下，PCA-RBFNN的最高識別率如圖4所示。其中，樣本數n=1 000時的PCA-RBFNN識別率如表2所示。參數Spread的設置也列在表2中，首先設定Spread為1，然后以10倍的間隔速度遞減。從圖4和表2中可以看出，樣本數為1 000(測試樣本400)時，PCA維數降到15(占主要信息65%)，總的最高識別率為96.25%。

表2 n=1 000時的PCA-RBFNN識別率Table 2 Accuracy of PCA-RBFNN

圖4 不同樣本集數下的PCA-RBFNN的識別率Fig.4 Accuracy of PCA-RBFNN on different number of sample sets

兩種網絡的測試樣本集最高識別率對比分別如圖5和表3所示。圖5(a)、(b)分別為采用PCA-BPNN與PCA-RBFNN方法時測試樣本集中的4種缺陷樣本圖像的期望值與預測值。表3列出了兩種方法的具體識別結果。從表3可以看出，兩種方法對虛焊缺陷識別率均較高，分別為99%和100%；微裂缺陷識別率較低，分別為89%和92%。這是因為虛焊缺陷面積較大，顏色較深具有顯著特點；而微裂缺陷面積較小，與背景對比不強烈，導致錯誤分類。

圖5 n=1 000(測試集為400)時，PCA-BPNN(a)與PCA-RBFNN(b)的識別率。Fig.5 Accuracy of PCA-BPNN(a)and PCA-RBFNN(b) on n=1 000 samples set

表3 PCA-BPNN和PCA-RBFNN識別率的對比Table 3 Comparison between PCA-BPNN and PCA-RBFNN

采用本文提出的BPNN和RBFNN方法處理一幅750×750大小的圖像大約分別需要1.8 s和0.1 s，PCA降維的時間大約為0.02 s。將上述兩種方法與FCM［18］及ICA［3］方法進行比較，結果如表4所示。可以看出，RBFNN方法具有較高的識別率和較短的計算時間，更適合于在線檢測。

表4 4種方法識別率及計算時間比較Table 4 Accuracy and computational time of fourmethods

4 結 論

根據現代太陽能電池板高質量的要求，提出了表面缺陷的PCA-RBFNN檢測方法，并與PCABPNN在網絡構建、參數設置、識別結果及計算時間方面進行了對比。結果表明，RBFNN具有較高的識別率和較短的計算時間，更適宜在線檢測。BPNN和RBFNN隨著樣本數的增加其識別率也會相應增加，所以樣本數據庫的完善會提高神經網絡識別率。

［1］Fuyuki T，Kitiyanan A.Photographic diagnosis of crystalline silicon solar cells utilizing electroluminescence［J］.Appl. Phys.A，2009，96:189-196.

［2］Li Y H，Pan M，Pang A S.The application of electroluminescence imaging to detection the hidden defects in silicon solar cells［J］.Chin.J.Lumin.(發光學報)，2011，32(4):378-382(in Chinese).

［3］TsaiDM，Wu SC，Chiu W Y.Automatic visual inspection of solarmodules using independent componentanalysis［C］// Proceedings of The 14th Asia Pacific Industrial Engineering and Management Science Conference，Cebu:IEEE，2013.

［4］Yao M H，Li J，Wang X B.Solar cells surface defects detection using RPCA method［J］.Chin.J.Comput.(計算機學報)，2013，36(9):1943-1952(in Chinese).

［5］Gong F，Zhang XW，Sun H.Detection system for solarmodule surface defects based on constrained ICA model and PSO method［J］.Acta Optica Sinica(光學學報)，2012，32(4):1-9(in Chinese).

［6］Chiou Y C，Liu J Z，Liang Y T.Micro crack detection of multi-crystalline silicon solar wafer using machine vision techniques［J］.Sens.Rev.，2011，31:154-165.

［7］Jin J，Zhang ZG，Wang Z，etal.Temperature errors compensation for digital closed-loop fiber optic gyroscope using RBF neural networks［J］.Opt.Precision Eng.(光學精密工程)，2008，16(2):235-240(in Chinese).

［8］Zeng L，He H J，Zhang ZB.Comparison inspection between ICT images&CADmodelbased on edge extracting by neural networks［J］.Opt.Precision Eng.(光學精密工程)，2011，19(10):2533-2540(in Chinese).

［9］Deng X L，Cheng K，Wu W B.Detection of citrus huanglongbing based on principal componentanalysis and back propagation neural network［J］.Acta Photon.Sinica(光子學報)，2014，43(4):1-7(in Chinese).

［10］Xu ZM，Zhou JZ，Huang S，et al.Quality prediction of lasermilling based on optimized back propagation networks by genetic algorithms［J］.Chin.J.Lasers(中國激光)，2013，40(6):1-8(in Chinese).

［11］Alexandridis A，Chondrodima E.Amedical diagnostic tool based on radialbasis function classifiers and evolutionary simulated annealing［J］.J.Biomed.Inform.，2014，49(1):61-72

［12］Lu C，Zhu Z，Gu X.An intelligent system for lung cancer diagnosis using a new genetic algorithm based feature selection method［J］.J.Med.Syst.，2014，38(9):97-105

［13］Tong D L，Schierz A C.Hybrid genetic algorithm-neural network:Feature extraction for unpreprocessed microarray data［J］.Artif.Intell.Med.，2011，53(1):47-56.

［14］Babu G S，Suresh S.Sequential projection-based metacognitive learning in a radial basis function network for classification problems［J］.IEEE Trans.Neur.Network Learning Syst.，2013，24(2):194-206.

［15］Ghosh-Dastidar S，Adeli H，Dadmehr N.Principal component analysis-enhanced cosine radial basis function neural network for robust epilepsy and seizure detection［J］.IEEE Trans.Biomed.Eng.，2008，55(2):512-518.

［16］Cybenko G.Approximation by superpositions of a sigmoidal function［J］.Mathematicsof Control，Signals，and Systems，1989，2(4):303-314.

［17］Xia KW，Li C B，Shen JY.An optimizational algorithm on the number of hidden layermodels in feed-forward neural network［J］.Comput.Sci.，2005，32(10):143-145.

［18］Li G N，Tan Q C，Zhang K，et al.Solar cells defect detection in electroluminescence images［J］.Chin.J.Lumin.(發光學報)，2013，34(10):1400-1407(in Chinese).

Solar Panels Defect Detection Based on Radial Basis Function Neural Network

SHEN Ling-yun1，2，3，ZHU Ming1*，CHEN Xiao-yun1
(1.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China；2.University of Chinese Academy of Sciences，Beijing 100049，China；3.School of Electronics and Information Engineering，Changchun University of Science and Technology，Changchun 130022，China) *Corresponding Author，E-mail：zhu-mingca@163.com

In order to detect the defect on solar panels and improve the conversion efficiency，two neural network modelswere established between solar panels electroluminescence(EL)images and defect types，which can detect different types of defects on solar panels adaptively.Firstly，the dimensions of EL images training samples set were reduced by using principal component analysis (PCA).Then，EL images training samples set after dimension reduction was put into the neural networks for training.Finally，the testing samples setwas simulated by the trained network through choosing the best parameters.Compared with BPNN，RBFNN has the advantages of global optimization characteristics and simple structure，which leads to the highest accuracy rate of 96.25%and shorter computational time.The experiment results show that RBFNN can meet the requirements of online detection.

defect detection；back propagation neural network(BPNN)；radial basis function neural network (RBFNN)；principal component analysis(PCA)；dimension reduction

國家自然科學基金(61203242)；中國科學院二期創新工程基金(C50T0P2)資助項目

TP394.1；TH691.9

A

10.3788/fgxb20153601.0099

book=105,ebook=108

1000-7032(2015)01-0099-07

2014-08-22；

2014-10-19

沈凌云(1979-)，女，湖北鐘祥人，博士研究生，2007年于長春理工大學獲得碩士學位，主要從事機器視覺、視頻圖像處理及應用等方面的研究。E-mail：shenshly@gmail.com

朱明(1964-)，男，江西南昌人，研究員，博士生導師，1991年于中國科學院長春光學精密機械研究所獲得碩士學位，主要從事數字圖像處理、光電成像計算、電視跟蹤和自動目標識別技術等方面的研究。E-mail：zhu-mingca@163.com