太陽能電池片隱裂檢測的深度目標網(wǎng)絡算法研究*

朱佳華，彭興輝，高 劍，吳相東，周書宇

（1.四川長虹電器股份有限公司，四川 綿陽 621000；2.四川輕化工大學機械工程學院，四川 宜賓 644000）

0 引言

目前在工業(yè)生產(chǎn)現(xiàn)場，電池片缺陷一般采用常規(guī)圖像檢測算法進行處理。對于表面缺陷的檢測，其精度能達到工業(yè)要求，但隱裂在實際檢測中識別精度不高且不穩(wěn)定[1]。為了準確檢測電池片隱裂和避免漏檢的發(fā)生，常輔以人工對其進行檢測，但人工檢測易受主觀判斷、環(huán)境因素等的影響，且工作強度大，無法對隱裂進行量化分析，急需研究基于機器視覺檢測的算法革新及優(yōu)化。

相比于當前基于圖像處理和特征分析（Blob Analysis）的檢測方法，圖像處理算法不能準確檢測隱裂，基于深度學習的目標檢測可以有效克服當前電池片隱裂檢測算法存在的不足[2]，是解決隱裂檢測精度低的有效方法[2-3]。以采集到的隱裂數(shù)據(jù)為輸入，對比分析了Faster-RCNN、YOLOv5s、SSD三種目標檢測算法的準確率和mAP，確定采用基于深度學習的目標檢測網(wǎng)絡YOLOv5s作為太陽能缺陷檢測的算法。以YOLOv5s目標檢測網(wǎng)絡為基礎，根據(jù)實際電池片的缺陷和紋理特征以及訓練進程中發(fā)現(xiàn)的問題，分別對YOLOv5s的輸入端，主干網(wǎng)絡，檢測端進行優(yōu)化，并對YOLOv5s優(yōu)化之后的檢測數(shù)據(jù)結果進行驗證與分析。

1 電池片隱裂類型

圖1所示為太陽能電池片的實物，該電池片由細柵線（圖示橫向細紋）和主柵線（圖示縱向5條粗紋）覆蓋，細柵線的作用是收集電荷，主柵線的作用是匯集細柵線中細微電流，最后形成較大電流[4]，柵線被破壞會阻礙電池片收集電流，嚴重影響太陽能發(fā)電系統(tǒng)的效率。

圖1 5柵太陽能電池片F(xiàn)ig.1 Monocrystalline silicon 5 gate solar cells

如圖2所示，隱裂包括條狀隱裂、十字隱裂和邊緣隱裂。條狀隱裂主要呈現(xiàn)為不規(guī)則、無方向的曲線條狀，覆蓋面積較大，會橫跨電池片的大量柵線，甚至是延伸到電池片的邊緣。十字隱裂主要呈現(xiàn)為形狀規(guī)則、無方向的十字交叉狀，覆蓋面積小，會橫跨電池片的少量柵線，會出現(xiàn)在電池片邊緣。邊緣隱裂是三大類隱裂中形狀面積最小的缺陷，主要呈現(xiàn)為規(guī)則、無方向的直線條狀，覆蓋面積最小，會橫跨電池片極少量細柵線，主要出現(xiàn)在邊緣附近。

圖2 電池片隱裂類型Fig.2 Type of battery hidden crack

2 隱裂的樣本采集與圖像處理

2.1 基于光致發(fā)光的樣本采集

隱裂在可見光下無法顯現(xiàn)，使用光致發(fā)光（PL）成像技術可采集到電池片隱裂圖像樣本，其主要的檢測結構如圖3所示。采用線陣近紅外相機和光源采集圖像。光致發(fā)光檢測技術采用的是一種激光照射式發(fā)光檢測技術，利用具備一定能量光子的激光對太陽能電池片表面進行照射，將會產(chǎn)生紅外光線強度較弱的熒光，然后再利用近紅外相機進行光子收集。若電池片內部存在缺陷，則缺陷處收集到的光子數(shù)必定較少，此時相機采集到的圖像對應區(qū)域將會偏暗。根據(jù)圖像的明暗程度，以及出現(xiàn)的位置、大小、形狀等特點來判斷電池片質量的好壞以及缺陷的類型。

圖3 電池片檢測結構示意圖Fig.3 Schematic diagram of battery detection structure

圖4 （a）所示為電池片的實物，圖4（b）所示為光致發(fā)光下成像。由實物圖明顯可以看到電池片表面外觀上的特征，但無法看到電池片內部中的缺陷。圖4（b）是在光致發(fā)光條件下，相機采集的光致發(fā)光圖像，沒有顏色特征，整體呈現(xiàn)灰度特征，但與可見光下成像不同的是，能夠捕捉到電池片內部的缺陷。PL成像不需要接觸電池片，在實現(xiàn)對太陽能電池片內部缺陷檢測的同時，不會對太陽能電池片的質量品質產(chǎn)生任何損失，更利于產(chǎn)品的質量把控。

圖4 電池片圖像采集Fig.4 Imaging contrast

2.2 隱裂的圖像處理

通過光致發(fā)光采集到電池片圖像數(shù)據(jù)之后，需進一步做預處理工作。在工業(yè)現(xiàn)場太陽能電池片在傳送帶上不斷輸送，采集到的圖像存在一些背景的干擾以及由于傳輸不穩(wěn)定導致電池片出現(xiàn)跑片的情況，因此在做隱裂檢測之前，需要對圖像進行預處理操作。主要實現(xiàn)過程：通過利用邊界相關運算建立仿射變換模型，自適應求得圖像的配準參數(shù)，自動實現(xiàn)太陽能電池片圖像的平移、旋轉和縮放，固定太陽能電池片在圖像中的位置。

由于隱裂位置可能出現(xiàn)在電池片各個位置，導致提取到的主柵區(qū)域和非主柵區(qū)域隱裂是不一樣的。為了合并缺陷檢測結果，且不具備重復性，需要提取主柵特征，在缺陷檢測之前必須提取主柵區(qū)域。主柵區(qū)域與鄰域灰度差值在40左右，對預處理之后的圖進行均值濾波和灰度腐蝕，可確定主柵區(qū)數(shù)目為4。因主柵區(qū)的位置僅會在大概10個像素點內的幅度進行左右波動，電池片圖像中主柵位置基本不變。通過給點的坐標，選擇鄰近的插值方法，防止ROI在不垂直或水平的時候里面的等距線經(jīng)過不完整的像素，最終得到定位主柵區(qū)域的ROI。

在提取到主柵特征之后，將缺陷區(qū)域劃分為非主柵區(qū)域缺陷和主柵區(qū)域缺陷，缺陷在非主柵區(qū)域時，需要對圖像進行特征提取，本文采用均值濾波、灰度腐蝕、動態(tài)閾值分割、開運算和閉運算，以不斷縮小圖像定義域的方式對圖像進行提取處理[5]。主柵區(qū)域缺陷需在非主柵區(qū)域缺陷圖像提取的基礎上再增加一次閉運算，閉合斷開的隱裂。

3 基于深度學習的隱裂檢測算法

由于常規(guī)圖像算法不能準確檢測隱裂，提出采用深度學習的目標檢測算法進行隱裂檢測。以準確率、檢測時長為指標，對比分析了Faster-RCNN、SSD和YOLOv5s三種目標檢測算法，發(fā)現(xiàn)YOLOv5s綜合性能較優(yōu)。由于YOLOv5s的精度和速度存在可以改進空間，故對YOLOv5s輸入端的Mosaic和自適應縮放模塊、主干部分的Focus結構以及預測端的非極大值抑制模塊進行優(yōu)化。

3.1 深度學習算法的選取

以800張十字隱裂為訓練樣本，300張為測試樣本，對Faster-RCNN、SSD和YOLOv5s網(wǎng)絡進行訓練數(shù)據(jù)對比，其訓練指標結果如表1所示。

表1 三種目標檢測算法檢測對比Tab.1 Comparison of three target detection algorithms

從表1可知，3種目標檢測網(wǎng)絡均取得了不錯的檢測結果。其中Faster-RCNN的mAP達到96.23%，雖然滿足對精度的要求，但參數(shù)量過于龐大，計算復雜，且單張圖像檢測時間過長，不利于實現(xiàn)實時的工業(yè)缺陷檢測；SSD的mAP達到了93.30%，參數(shù)量仍過于龐大，且單張圖像檢測時間達到0.35 s沒能滿足工業(yè)現(xiàn)場檢測低于0.2 s的要求；YOLOv5s的單張圖像檢測時間為0.01 s，參數(shù)量只有27.8 MB，大約僅占SSD和Faster-RCNN參數(shù)量的1/4。并且在小目標缺陷的檢測中，YOLOv5s檢測情況較好，能識別的最小隱裂尺寸為15×17。由于YOLOv5s在輸入到網(wǎng)絡結構之前，通過隨機縮放、隨機裁剪、隨機排布的方式進行拼接，增強了對小目標的檢測效果，對本研究的缺陷檢測有著更好的適配性，但檢測準確率需進一步提高，需對YOLOv5s算法模型進行優(yōu)化[6]。

3.2 YOLOv5s模型優(yōu)化

在使用YOLOv5s期間，發(fā)現(xiàn)YOLOv5s對隱裂檢測準確率較低，仍有提升空間，故對YOLOv5s輸入端的Mosaic和自適應縮放模塊、主干部分的Focus結構以及預測端的非極大值抑制模塊進行優(yōu)化。

（1）輸入端自適應縮放優(yōu)化

在YOLOv5s中，圖片長和寬若不一致，需將原始圖片統(tǒng)一縮放到一個標準的尺寸，在送入主干網(wǎng)絡和預測網(wǎng)絡中去。輸入端在模型訓練和推理的時候，為了加快訓練和推理模型的速度，YOLOv5s使用了自適應圖片縮放，通過預測數(shù)據(jù)的長寬與Resize尺寸得到縮放系數(shù)，并選擇小的縮放系數(shù)進行Resize，如果原圖長寬不一致，較大的一方會縮放過多導致黑邊的出現(xiàn)，對多余的黑邊進行填充以提高目標檢測推理速度，隱裂圖像數(shù)據(jù)尺寸經(jīng)過預處理裁減后為765×768，長寬比幾乎一致，通過縮放系數(shù)得到此時僅多出厚度為3個像素的邊框，采用上述填充操作反而會降低推理速度，因此簡化此步驟僅保留Resize功能。相關操作具體如圖5所示。

圖5 輸入端優(yōu)化Fig.5 Improvement of reasoning module

（2）主干部分優(yōu)化

原始YOLOv5s分為4個模塊，分別是輸入部分、主干網(wǎng)絡、頸部網(wǎng)絡以及預測端。主干網(wǎng)絡第一層為Focus結構，以640×640大小，通道數(shù)為3的輸入圖像為例，將其傳入Focus結構，再經(jīng)過一個1×1大小通道數(shù)為32的卷積操作，最終變成320×320×32的特征圖，減少了計算量，其實現(xiàn)過程如圖6所示。

圖6 Focus結構Fig.6 Focus structure

DenseBlock是DenseNet網(wǎng)絡的核心模塊。DenseNet是一種具有緊密連接性質的卷積神經(jīng)網(wǎng)絡。其具體的連接方式可以表示為式（1）～（2）。

式中：Xl-1為l-1層的殘差網(wǎng)絡；Hl為對殘差網(wǎng)絡進行非線性變換。

式（1）中殘差網(wǎng)絡l層的輸出是l-1層的輸出加上對l-1層輸出的非線性變換，只是對值進行相加，不改變通道數(shù)。由式（2）可知DenseNet網(wǎng)絡是先將l-1層的輸出特征圖進行拼接之后，再進行非線性變換，即做通道間的堆積，而不是對值相加。所以不同層的特征圖尺寸要保持相同的大小，這樣做明顯限制了下采樣的運行。為了進行下采樣，以便提取更多尺度的特征，DenseNet網(wǎng)絡被細分為一個個更輕量型的DenseBlock模塊。

DenseBlock結構如圖7所示，可見，除了輸入端，其包含4個模塊，每個模塊均為4層。以圖中多層網(wǎng)絡X0作為輸入，每一層先通過Hi進行非線性變換，即依次進行歸一化，激活函數(shù)以及卷積操作之后再傳遞至后續(xù)網(wǎng)絡。不同于卷積特征圖的級聯(lián)操作，該模塊會將輸入特征圖中的任意兩層直接相連，所有之前層的特征圖作為獨立的輸入，而本層的特征圖同樣會作為輸入傳遞給后續(xù)層。這樣做緩解了梯度消失的問題，可以代替切片操作對輸入圖像實施降維，進行特征提取的操作。

圖7 Dense Block模塊結構Fig.7 Dense Block module structure

（3）預測部分優(yōu)化

在目標檢測模型的推理預測結尾部分，存在著待檢測目標框重疊的現(xiàn)象，而重疊的框中可能是一些無用的重復圖像信息，也可能是一些有效的待檢測信息被遮蓋住，但無論是哪一種結果，都需要將重疊部分分開，NMS（非極大值抑制）是目標檢測算法中用來處理該問題的模塊。NMS算法具體過程：首先，設定一個篩除的閾值，將所有重疊框的重疊部分按照分數(shù)進行排序，將得分最高的檢測框與其他框不斷地進行對比，若其余的檢測框與該框的交并比超過了預先設定的閾值，NMS會使檢測框得分強制歸零，但是這可能會造成目標漏檢，降低檢測精度，故此需要進行一定優(yōu)化優(yōu)化[7]。

4 目標檢測網(wǎng)絡優(yōu)化性能檢測分析

4.1 模型訓練設備配置

Pytorch具有簡潔易上手、速度快和易調試等優(yōu)點，同時其對NIVIDIAGPU優(yōu)化良好，可以方便地實現(xiàn)將數(shù)據(jù)送入GPU緩存的操作。PyCharm編譯器是調試方便且承載Python集成開發(fā)環(huán)境（Integrated Development Environment，IDE）[8]。綜上考慮，選用Pycharm編譯器、Pytorch深度學習框架和NIVIDIA GTX2080Ti GPU，作為電池片缺陷檢測網(wǎng)絡訓練過程的運行環(huán)境[9]。檢測所使用服務器配置和軟件環(huán)境配置如表2所示。

表2 檢測配置Tab.2 Experimental configuration

4.2 隱裂數(shù)據(jù)準備

本研究采用的太陽能電池片數(shù)據(jù)集采集于某公司電池片生產(chǎn)現(xiàn)場，主要研究對象是隱裂片，真實數(shù)據(jù)樣本共3600張，其中邊緣隱裂1200張、十字隱裂1300張、條狀隱裂1100張，稱為數(shù)據(jù)集CRA。結合數(shù)據(jù)量較少的邊緣隱裂和條狀隱裂劃分為多個數(shù)據(jù)子集，按一定比例劃分出訓練集和測試集。詳情如表3所示。

表3 數(shù)據(jù)集圖像信息Tab.3 Data set image information

深度學習檢測網(wǎng)絡的數(shù)據(jù)樣本需經(jīng)過標注才可成為訓練數(shù)據(jù)，由于labelImg軟件具有速度快，操作方便的優(yōu)點，本研究選用其作為數(shù)據(jù)標注軟件。

4.3 YOLOv5s優(yōu)化前后分析

以CRA1A為真實缺陷數(shù)據(jù)輸入為訓練集，以CRA2A為測試集，迭代次數(shù)為4000，測試真實數(shù)據(jù)下YOLOv5s網(wǎng)絡優(yōu)化前后缺陷檢測指標對比情況。為估算與對比優(yōu)化前后YOLOv5s模型的具體表現(xiàn)，采用CRA1A數(shù)據(jù)集作為訓練集，CRA2A數(shù)據(jù)集作為測試集，迭代次數(shù)為4000，進行訓練及檢測推理。同時按表3的數(shù)據(jù)集按上述方法分別進行訓練并完成測試，訓練結果如表4所示。

表4 目標檢測網(wǎng)絡對比分析Tab.4 Experimental comparison of target detection networks

其中Precision表示正確檢測出缺陷的數(shù)目與目標缺陷總數(shù)的比值，mAP@0.5表示訓練過程平均準確率，Time表示使用訓練完成的檢測模型檢測測試集所耗費的總時長。從表結果可以看出，優(yōu)化前后YOLOv5s的Precision和mAP@0.5相比精度明顯提高，故說明基于輸入端、主干端的YOLOv5s優(yōu)化在明顯提高檢測精度的情況下，檢測速度可滿足現(xiàn)場在線檢測的需求[10-12]。既滿足了輸入端輕量化的目標，同時精度得到了很好的提高，滿足了現(xiàn)場檢測的需求。

5 結束語

根據(jù)電池片生產(chǎn)現(xiàn)場出現(xiàn)的隱裂檢測情況，采用深度學習中的目標檢測算法進行隱裂檢測。經(jīng)過對比Faster-RCNN、SSD和YOLOv5s三種目標檢測網(wǎng)絡，確定了選取YOLOv5s目標檢測網(wǎng)絡作為隱裂檢測模型。為進一步提高模型的檢測精度和控制推理速度，完成了YOLOv5s輸入端、主干網(wǎng)絡和預測端的優(yōu)化工作，結果表明優(yōu)化后的YOLOv5s訓練精度提高了3.3%，檢測速度控制在0.06 s以內。根據(jù)采集到的3種隱裂數(shù)據(jù)量，在缺陷數(shù)據(jù)較充足時，直接采用優(yōu)化后的YOLOv5s進行缺陷檢測，其精度和速度能滿足工業(yè)生產(chǎn)現(xiàn)場需求。結果表明：相比圖像檢測算法，目標檢測算法檢測太陽能電池片隱裂更加穩(wěn)定、精度更高且時間更短。可較好地解決工業(yè)現(xiàn)場電池片隱裂檢測問題，同時該方法可為相關領域的內部缺陷檢測提供可行的解決方案。