基于深度置信網絡的電致發光相機圖片質量控制

游宏亮 羅俊 黎健生

摘要：文中針對電致發光測量的原理，設計出能高效測量的方法，能實現光伏組件電致發光圖像質量的一致性。通過預設施加于光伏組件的電壓和紅外相機的拍攝參數，得到電致發光圖像。應用深度置信網絡方法，可由電致發光圖像的灰度均值、標準偏差與亮度和對比度生成兩個增益因子的非線性映射關系，根據圖像本身的均值與標準偏差自動獲取增益因子，從而調整相機的拍攝參數。文中提出的方法為光伏組件電致發光圖像質量的評估提出了新思路。

關鍵詞：深度置信網絡；電致發光；自適應增強

Image Quality Control of Electroluminescent Cameras Based on Deep Belief Network

YOU Hongliang1，2， LUO Jun1，2， LI Jiansheng1，2

（1Fujian Metrology Institute， Fuzhou 350003， Fujian， China）

（2 National PV Industry Measurement and Testing Center， Fuzhou 350003， Fujian， China）

Abstract： Aiming at the principle of electroluminescence measurement， this paper designs a method that can be efficiently measured and can achieve the consistency of electroluminescence image quality of photovoltaic modules. By presetting the voltage applied to the photovoltaic module and the shooting parameters of the infrared camera， an electroluminescent image is obtained. By using the depth confidence network method， the nonlinear mapping relationship between the two gain factors can be generated from the gray level mean， standard deviation， brightness and contrast of the electroluminescent image， and the gain factor can be automatically obtained according to the mean and standard deviation of the image itself， so as to adjust the camera shooting parameters. The method proposed in this paper puts forward new ideas for the evaluation of electroluminescence image quality of photovoltaic modules.

Key Words： Deep belief network; Electroluminescence; Adaptive enhancement

0 前言

在光伏電站組件安裝質量檢查中，包含EL（電致發光）檢測、外觀檢查、接地連續性檢測、技術資料完整性和規范性檢查等項目，其中組件安裝后的EL（電致發光）檢測是評估電站安裝質量及性能的最重要依據，如電致發光圖像合格率達不到要求，很可能要求電站組件退貨，重新安裝光伏組件。目前行業中針對光伏電站的EL檢測主要靠戶外EL測量儀進行。戶外EL測試儀主要由定制支架、紅外相機、可編程直流源或大容量蓄電池組成。在測試過程中，支架上相機的位置、組件端施加電壓和電流設置[1]、相機的拍攝參數都需要在檢測過程中不斷調節，才能采集到符合要求的EL圖片。當檢測大型光伏電站時，組件類型及需檢測的組件較多，反復調節設備占據了絕大部分工作時間，效率較低，且難以保證電致發光圖像明暗一致，不利于電致發光圖像缺陷的判定。

文中針對電致發光測量的原理，通過調整影響電致發光成像的測量參數[2]，采用深度置信網絡，建立電致發光圖像的灰度均值標準偏差與亮度和對比度兩個增益因子的非線性映射關系，根據電致發光圖像本身的均值與標準偏差自動獲取增益因子，[3]從而調整相機的拍攝參數。該方法對于亮度和對比度都較低的電致發光圖像增益效果較好，可用于基于動態電致發光圖像處理的在線檢測系統的預處理。經現場實驗，該方法能實現光伏組件電致發光圖像質量的一致性。

1 影響參數調整實驗

1.1實驗準備

影響電致發光成像明暗的測量參數主要是直流源參數（電壓、電流）和紅外相機參數（曝光時間、感光度）。首先，選定一塊光伏組件（開路電壓：47.82V、短路電流：9.75A、最大功率：365.0W），按照電致發光成像測試晶體硅光伏組件缺陷的方法，設定相機（尼康相機，型號：D5300，需更換紅外濾光片）和直流源參數和，調整相機角度，開啟直流源拍攝得到一張符合要求的光伏組件電致發光圖像，并作為實驗組（電壓45V、電流9A、 曝光時間4s、光圈4、感光度1250）。然后，通過更改測量參數設置多個實驗對照組，本次實驗選取的測量參數有：直流源設定電壓、直流源設定電流、紅外相機曝光時間、紅外相機光圈、紅外相機感光度。

1.2 評估方法

直流源參數（電壓、電流）分別做以下兩組實驗：第一組在保持實驗組除電壓外，其他參數保持不變，將電壓從47V到40V依次降低并測試得到電致發光圖像（為便于判別，選取光伏組件中間一塊電池片作為實驗參考圖像），具體數據見表1；第二組在保持實驗組除電流外，其他參數保持不變，將電流從9A到1A依次降低并測試得到電致發光圖像，具體數據見表2。

由于光伏組件自身阻抗，若直流源設定電壓較低，輸入電流也會隨之降低，電致發光圖像也會明顯變暗。但根據實驗數據顯示，在電致發光圖像符合標準要求的范圍內，電壓從47V降到45V中的電致發光圖像灰度值并無明顯變化，且電壓降到44V后圖像明顯變暗且不符合標準要求。所以在實際測量中，直流源設定電壓只能在一小段區域內且接近光伏組件最大功率，故直流源設定電壓不作為影響電致發光成像明暗的重要測量參數。

在上述實驗中發現，在電壓保持不變，電流持續降低，在9A到1A這段范圍內，電致發光圖像灰度值都在70左右，對測試結果影響較小，但要注意當電流降到1A時，電致發光圖像灰度值急劇降低，所以在實際測量中電流需保持在一定范圍內，一般設置不小于0.6倍的光伏組件短路電流。故直流源設定電流也不作為影響電致發光成像明暗的重要測量參數。

紅外相機參數（曝光時間、感光度）分別做以下兩組實驗：第一組在保持實驗組除曝光時間外，其他參數保持不變，將曝光時間從10s到1s依次降低并測試得到電致發光圖像，見表3；第二組在保持實驗組除感光度外，其他參數保持不變，將感光度從3200到640依次降低并測試得到電致發光圖像，見表4。

曝光時間是讓光線落在相機圖像傳感器上的時間。曝光時間越長，就越能曝光傳感器為像素充電以使其更亮。在上述實驗中發現，在第一組實驗中隨著曝光時間不斷下降，電致發光圖像灰度值也隨之下降，數值下降明顯且降幅相近。從圖1中可以直觀地看到，數據整體近似一條直線，規律明顯，故曝光時間可以作為影響電致發光成像明暗的重要測量參數。相機在拍攝運動物體時，曝光時間長會導致運動的物體產生拖影，在戶外測量時，由于相機是固定在三腳架或其他支架上，曝光時間過長微風擾動或測量人員手抖容易造成畫面模糊，影響電致發光圖像缺陷判斷。根據戶外實測經驗，曝光時間需控制在10s以內。

感光度（ISO）是反映相機的底片對于光的靈敏程度，光的靈敏程度越高，成像效果就越亮。由于主要成像亮度在光伏組件上，感光度越高，圖像的亮度也會隨之提高。在上述實驗中發現，在第三組實驗中隨著感光度不斷下降，電致發光圖像灰度值也隨之下降，數值下降明顯且降幅相近。從圖2中可以直觀地看到，數據整體近似一條直線，規律明顯，故感光度可以作為影響電致發光成像明暗的重要測量參數。在實際測量中，感光度若設置過高，反而會將電致發光圖像缺陷覆蓋，反而會影響數據的準確性，導致判斷失誤。根據戶外實測經驗，感光度需控制在2500以內。

從上述實驗中可以看出，曝光時間和感光度對電致發光的成像質量影響較大。文中由電致發光圖像的灰度均值、標準偏差與亮度和對比度生成兩個增益因子的非線性映射關系，根據電致發光圖像的均值與標準偏差自動獲取增益因子，從而調整相機的曝光時間和感光度的增益因子。

2 自適應圖像灰度、均值調整算法

將圖像的灰度均值和標準偏差作為深度置信網絡的輸入，曝光時間和感光度的增益因子作為深度置信網絡的輸出，建立一個深度置信網絡（Deep Belief Networks，DBN）其基本結構如圖3所示。

在訓練過程中，以重置的誤差函數作為新的目標函數，對RBM進行重復訓練；在微調過程中，利用帶標簽的訓練樣本訓練分類器，將已經調整好的參數作為微調的初始值，使用隨機梯度下降法，通過最大化對數似然函數學習得到模型中的參數，由此學習到模型中較精致的特征。[4]

3 總結

3.1 實驗實施

實驗硬件環境為：實驗采用尼康D5300相機，光圈大小自動控制，工作電壓為5V。光伏組件電（選取與2.1中電參數不一致的光伏組件）性能參數：開路電壓：48.66V、短路電流：9.53A、最大功率：368.0W。

通過隨機更改試選取200張采集的電致發光圖像，得出圖像的灰度均值和標準偏差，再歸一化，設定為深度置信網絡的輸入向量。通過對圖像的人工輔助增益，確定增益因子A和B的大小，再歸一化后作為深度置信網絡的目標向量。表5為部分實驗數據。

利用python深度置信網絡，采用上述步驟中計算的輸入向量和目標向量作為深度置信網絡的輸入和輸出，訓練時設定可視層為 3、4、5和6層，隱含層的結點為 4、8、12、16。使用十折交叉驗證法共做了10次交叉驗證，通過數據集劃分為10份，輪流將其中9份作為訓練數據，剩余的1份作為測試數據。訓練集用于網絡模型的構建、參數調整和訓練。[4]最終得到較合適參數：深度置信網絡模型的層數為4，每層節點數為8，迭代次數為20。

對模型進行訓練，如圖3所示，當訓練進行到迭代次數為20時滿足低于停止訓練閾值條件，均方誤差為0.0047，表明模型結果較為理想。

3.2 實驗分析

選20張電致發光圖像對深度置信網絡的映射關系進行驗證，并對訓練結果進行分析。

為了驗證該算法的有效性，將訓練好的深度置信網絡用于增益TFDS系統采集的圖像，并與直方圖均衡化的結果進行比較，將視覺效果、嫡和直方圖相結合對增益后的圖像質量進行評價。

實驗采用了10幅圖像來驗證深度置信網絡對圖像增益的有效性，實驗結果如表6所示。其中，p1和p2為圖像增益前后的嫡；t為運行時間。圖像嫡作為圖像信息的度量，可以較好地評價圖像的對比度和清晰度。從表6可以看出，增益后的電致發光圖像質量較前有了很大的改善。[5]

圖4實驗為對低亮度、低對比度圖像的自適應增益結果，自適應前的原電致發光圖像的m和σ分別為22.34和19.45，p2為3.88。肉眼可見：原電致發圖像的亮度和對比度都較低，會對圖片細節判斷造成影響。

利用深度置信網絡進行仿真得到增益因子A和B分別為3.56和3.8，運算時間為57.44ms。增益后電致發圖像的p2為5.64。均衡化后的直方圖較為平坦，從而使熵值接近最大值。雖然從均衡化后的直方圖中能看出均衡化造成的灰度級缺失，但從均衡化后的圖像可以看出，亮度和對比度有顯著提高。

圖5的實驗為對高亮度、高對比度的電致發圖像進行的自適應增益結果。自適應前的原電致發光圖像的m和σ分別為52.18和66.42。肉眼可見：原電致發圖像的亮度和對比度都較高，圖片細節被遮蓋，無法對圖片進行正常判斷。

經深度置信網絡仿真后得出增益因子A、B分別為2.57和2.67，運算時間為46.7ms。增益前后圖像熵分別為5.23和5.68。從均衡化后的圖像可以看出，除去曝光過強的部分，圖像的其它部分都較為清晰，亮度和對比度有顯著提高，從均衡化后的直方圖中可以看出，圖像的灰度分布較為均勻，范圍較廣。

4 結論

文中提出了能實現光伏組件電致發光圖像質量的一致性的方法，通過選擇影響電致發光成像明暗的主要測量參數：直流源參數（電壓、電流）和紅外相機參數（曝光時間、光圈、感光度），從設置的多個實驗對照組數據判斷選擇出影響電致發光成像明暗的重要測量參數：曝光時間和感光度；再根據這兩個參數和對應的灰度值采用深度置信網絡算法訓練，使得網絡具有聯想能力和預估能力，能實現光伏組件電致發光圖像的灰度值一致性。暗室和夜晚情況下的光伏組件電致發光測量，使用該方法且能保證測試圖像的一致性，對后續圖像的判別更具準確性，對光伏組件合格率與光伏電站安裝質量的評估更具有說服力。文中提出的方法為光伏組件電致發光圖像質量的評估提出了新思路。

參考文獻

[1]電致發光成像測試晶體硅光伏組件缺陷的方法：TCPIA 0009-2019[S].

[2]陳文志，張鳳燕，張然，李超.基于電致發光成像的太陽能電池缺陷檢測[J].發光學報，2013，08：1028-1034.

[3]譚海曙，周富強，熊瑛，李學夔.基于神經網絡的圖像亮度和對比度自適應增強[J].光電子·激光.2010-12-15：1881-1882.

[4]張善文，張傳雷，丁軍.基于改進深度置信網絡的大棚冬棗病蟲害預測模型[J].農業工程學報，?2017（19）：203.

[5]譚海曙，周富強，熊瑛，李學夔.基于神經網絡的圖像亮度和對比度自適應增強[J].光電子·激光.2010-12-15：1883.