引言

太阳能作为一种可再生的能源，以其清洁、安全、取之不尽、用之不竭等显著优势，已成为发展最快的可再生能源之一^[1]。光伏发电系统是将太阳能转化为电能最直接的实现形式，而电池片是光伏发电系统中光电转换的主体。由于电池片基体的易碎性，在电池片生产过程中，不可避免地会产生各种缺陷，如隐裂、划伤等，这些缺陷会直接影响到太阳能电池的输出功率和使用寿命^[2]。目前，对电池片的检测主要依靠的是机器视觉的检测方法，在成像方案上主要有电致发光成像（electroluminescence，EL）和光致发光成像（Photoluminescence，PL）。其中因PL技术不需要接触电池片，且能对过程片（非成品电池片）进行检测，更利于产品的质量把控，逐渐成为电池片检测的重要技术。

在前期的研究中，针对电池片激光孔角隐裂缺陷，我们提出了利用卷积神经网络（convolutional neural networks，CNN）检测的算法，设计了3种不同结构的CNN模型对缺陷进行分类，最优分类准确率达到了99.25%^[3]。而针对电池片其他位置的检测，特别是弱小缺陷的检测，算法的分辨能力是个重要方面。现有的电池片检测算法主要利用缺陷和背景的差异性来检测缺陷^[4-5]，但是由于PL缺陷图像存在形态微小、隐蔽性好等特点，背景的重构和评价易引起缺陷误检与漏检。

近年来，深度网络强大的特征提取能力得到广泛应用^[6]。这些算法主要分为二阶段算法和一阶段算法2个分支。尽管二阶段在精度上有优势，但是在兼顾效率和准确性的工业检测领域更倾向于后者^[7]。Li等人使用端到端的全卷积YOLO网络对带钢表面6种缺陷类型进行检测评估^[8]，达到了97.55%的准确率和95.86%的召回率。Qiu等人针对风力机叶片的各种缺陷，提出了一种基于YOLO多尺度特征金字塔融合多层特征的小目标检测方法^[9]，平均准确率为91.3%。文献[10]～[11]针对YOLOv3-Tiny实时检测会丢失部分精度的问题，深化了YOLOv3-Tiny网络，引入了注意力机制模块，增强网络的特征提取能力，该方法满足实时性，并提高了检测精度。

缺陷检测中精度和速度是2个重要的性能指标。YOLOv3-Tiny是目前目标检测速度较快的算法之一，但是在小目标检测中精度较低。而本文检测的缺陷尺寸在电池片中占比较小，直接利用原网络结构检测，易出现漏检。因此，本文构建了一种轻量化卷积神经网络模型，该模型加深了主干特征提取网络结构，增加了更小目标的预测尺度，从而增强了模型在特征提取和小缺陷目标检测方面的性能，以更好地完成电池片中的检测任务。

1   太阳能电池片缺陷PL成像特点

太阳能电池片PL成像是通过外部高能激光对硅片进行照射，价电带上的电子吸收光子能量被激发跃迁至传导带，电子在经过一段时间后又从传导带回到价电带，产生荧光光子。硅片在电子能量转换过程中形成各种能阶，而其对应能量激发出硅离子产生荧光成像，并能突显出电池片内部缺陷。其成像原理如图1所示。

图  1  PL技术成像原理

Figure  1.  Imaging principle of PL technology

下载: 全尺寸图片 幻灯片

PL成像时由于激光孔与周围栅线没有被激发离子，从图像上看，会形成黑色圆点加十字线，呈现出角点特征，如图2所示。

图  2  电池片及PL图像

Figure  2.  Cell and PL image

下载: 全尺寸图片 幻灯片

由于硅片基体的易碎性、应力集中等原因，在电池片激光孔附近易产生大小在0.5 mm～5 mm的内部微细裂纹，称为隐裂。电池片缺陷类型如图3所示。隐裂在PL图中呈现出亮度较暗的方向线，如45°斜线（第1种隐裂，如图3（a）所示）或者是“X”交叉形（第2种隐裂，如图3（b）所示）。异物与电池片接触所受摩擦力大小不均造成电池片表面出现划痕，如图3（c）所示。由于电池片中局部阴影发热产生热斑效应，造成电池片出现黑斑，如图3（d）所示。这些缺陷容易造成电池片损坏，严重影响电池片的寿命和工作效率。因此，对隐裂、划痕、黑斑的检测是电池片检测的重要内容，也是实现电池片自动缺陷识别的重点和难点。

图  3  本文检测的电池片缺陷类型

Figure  3.  Types of cell defects to be detected

下载: 全尺寸图片 幻灯片

2   轻量化卷积神经网络的电池片缺陷识别模型

2.1   融合特征增强的深度网络模型

YOLOv3-Tiny网络结构如图4所示。图4中主干特征提取网络采用3×3大小的卷积核，每进行一次卷积操作就进行一次池化操作。在检测小目标时存在如下不足：一是YOLOv3-Tiny网络结构层次较浅，主干网络卷积层仅有7层，检测精度较低；二是网络模型的检测尺度信息较少，仅有13×13、26×26这2个尺度来检测电池片缺陷，容易造成微小缺陷的漏检。

图  4  YOLOv3-Tiny网络结构

Figure  4.  Network structure of YOLOv3-Tiny

下载: 全尺寸图片 幻灯片

为兼顾模型精度和速度，本文进行如下改进：一是在原网络结构的基础上增加了1×1与3×3大小的卷积核，1×1卷积核用于通道数调整，3×3用于提取高维空间特征；二是在原网络13×13、26×26这2个尺度缺陷预测的基础上增加一上采样层Upsample，形成13×13、26×26、52×52的3尺度预测模型，增强对小目标特征提取的能力。改进后的网络结构如图5所示。

图  5  改进的电池片缺陷检测网络结构

Figure  5.  Improved cell defects detection network structure

下载: 全尺寸图片 幻灯片

改进后的网络输入为3通道416×416，输出分为3个部分，分别为13×13的输出层及26×26、52×52的2个分支。主干网络经过22层的特征提取，经历了较深的网络层数感受野较大，适合于大目标（如划伤）预测，在这个特征图谱上做第1次预测Prediction1。

在主干网络的第1次预测路径中，将第20层13×13的特征层使用1×1卷积核调整通道数后，对输出进行1次上采样，将上采样特征与主干网络的第13个特征层在通道维度上相堆叠，卷积操作后得到尺寸为26×26的输出层。该输出层经历了较浅的网络层数，对应的感受野较小，适合于小目标预测，在这个特征图谱上做第2次预测Prediction2。

在第2次预测路径中，将第27层26×26的特征层使用1×1卷积核调整通道数后，对输出进行1次上采样，并将上采样特征与主干网络的第9个特征层52×52在通道维度上相堆叠，经过卷积特征融合后，构建1个新的尺寸为52×52的输出层。该输出层的特征信息来自浅层信息与第2次预测特征图谱的融合，拥有的图像低维特征信息更多，对应的感受野更小，适合于更小目标预测，在这个特征图谱上做第3次预测Prediction3，如图6所示。

图  6  融合浅层特征增强层

Figure  6.  Fusion of shallow feature enhancement layers

下载: 全尺寸图片 幻灯片

通过这样的网络设计，不仅能够融合不同尺度的特征图，还可以对浅层特征信息加工后具有深层语义理解的能力。

2.2   多尺度预测边界框

如前所述，不同大小的输出层代表输入层感受野也不一样。为了能融合不同层次的输出，本文对每个通道的输出用9个参数表达输入层的预测框。分别为预测框中心点所在网格相对于该网格左上角的偏移$ {t_x} $、$ {t_y} $，预测框的宽和高$ {t_w} $、$ {t_h} $，预测框的置信度${p_{\rm{obj}}}$，第1种隐裂得分$ {s_1} $，第2种隐裂得分$ {s_2} $，划痕得分$ {s_3} $，黑斑得分$ {s_4} $组成。具体表达如下：

式中：$ {b_x} $、$ {b_y} $为边界框中心点坐标；$ {b_w} $、$ {b_h} $为边界框的宽和高；$ {c_x} $、$ {c_y} $为目标框中心所属网格的左上角坐标；$ \sigma ({t_x}) $、$ \sigma ({t_y}) $为中心坐标相对于所属网格左上角的偏移距离；$ {p_w} $、$ {p_h} $为预设边框的宽和高。

在训练时不断调整大小，将网格中预测框与标签中的目标框进行匹配，选取与目标框具有最大IoU（intersection over Union）值的边界框作为输出结果^[12]。边界框预测示意图如图7所示。

图  7  边界框预测示意图

Figure  7.  Schematic diagram of bounding box prediction

下载: 全尺寸图片 幻灯片

3   实验结果与分析

3.1   实验环境

本文在Windows操作系统下，使用Darknet深度学习框架，实验环境为NVIDIA GTX 1050、Intel（R）Core i5 7300HQ，opencv3.4，内存8 G，安装CUDA10.0、cudnn7.4.1实现GPU加速，使用python语言实现本文改进网络算法。

3.2   数据集划分

本文在国内某大型太阳能电池厂共收集了电池片图像6 000多张有代表性的缺陷样本。为增加数据的多样性，避免数据集过少发生过拟合，对部分缺陷样本加入了亮度变换与翻转等操作增强数据集。最终形成18 000张样本，共4类缺陷，分别为第1种隐裂、第2种隐裂、划痕、黑斑，每张图片大小在630×635 pixel～665×695 pixel之间，图片中缺陷大小在64×64 pixel～85×200 pixel之间。数据增强后的部分数据集如图8所示。

图  8  数据增强后的部分数据集

Figure  8.  Partial data set after data enhancement

下载: 全尺寸图片 幻灯片

将数据集按一定的比例划分为训练集、验证集与测试集。为便于训练，数据集格式转换成VOC格式，并对含缺陷图片进行标注，经过整理后各类数据集数量如表1所示。

表  1  数据集划分

Table  1.  Division of data set

数据集	第1种隐裂/张	第2种隐裂/张	划痕/张	黑斑/张	总数量/张
训练集	2 800	3 800	2 400	4 000	12 000
验证集	750	800	630	820	3 000
测试集	680	820	660	840	3 000

下载: 导出CSV 

| 显示表格

3.3   改进前后的效果对比

为获得更好的模型训练效果，本文训练设置模型训练最大迭代次数为20 000次，初始学习率为0.001，迭代10 000次以后，学习率为0.000 1，批量设置为64，子批量设置为8。按照设置的训练参数完成训练后，改进前后网络的损失函数下降情况如图9所示。从图9中可以看出，改进后的网络模型收敛效果优于原始网络。

图  9  损失函数曲线

Figure  9.  Curves of loss function

下载: 全尺寸图片 幻灯片

本文对不同类型缺陷进行了测试，并采用准确率（precision，P）、召回率（recall，R）、平均精度AP值（average precision，T_AP）及综合性能评价指标mAP值（mean average precision，T_mAP）等进行评估^[13]。

训练后的PR曲线如图10所示。图10中PR曲线下方的面积就是对应类别的AP值，曲线下方面积越大，说明对应的AP值越高，检测性能更优。

下载: 全尺寸图片 幻灯片

图  10  PR曲线比较

Figure  10.  Comparison of PR curves

下载: 全尺寸图片 幻灯片

分别计算改进前后模型在第1种隐裂、第2种隐裂、划痕、黑斑4种缺陷上的AP值如表2所示。

表  2  2种网络模型的AP值比较

Table  2.  Comparison of AP values of two network models

网络模型	第1种隐裂	第2种隐裂	划痕	黑斑
YOLOv3-Tiny的AP值/%	79.19	90.00	64.10	89.80
本文网络的AP值/%	83.04	92.68	80.83	93.66

下载: 导出CSV 

| 显示表格

从表2可以看出，改进后的模型在不同类型缺陷上的AP值都有所提升。增长最多的是划痕，增长约为17个百分点，这说明改进后的网络对于形态变化较大时的缺陷适应性更好；而AP值绝对增长最少的是第2种隐裂，仅约为3个百分点，这主要是因为第2种隐裂缺陷图片参与训练的数据集较多，缺陷形状单一，检测效果更佳。

为更直观展示改进网络模型的检测效果，图11为模型改进前后部分检测效果对比。

从图11可以看出，改进后的模型明显改善了漏检情形（如图中箭头处），而且模型识别准确率有所提高，能够准确检测出不同类型的缺陷。

图  11  模型改进前后的检测结果对比

Figure  11.  Comparison of detection results before and after model improvement

下载: 全尺寸图片 幻灯片

3.4   不同网络的性能对比

为验证本文改进算法的效率，本文在相同实验条件下，将SSD、YOLOv3、YOLOv3-Tiny与本文网络模型在测试数据集上测试，结果如表3所示。

表  3  不同网络模型的性能比较

Table  3.  Performance comparison of different network models

网络模型	TmAP/%	FPS
SSD	97.52	12
YOLOv3	94.31	25
YOLOv3-Tiny	80.77	47
本文网络	87.55	40

下载: 导出CSV 

| 显示表格

从表3可以看出，SSD与YOLOv3的T_mAP值高于YOLOv3-Tiny和本文网络模型，但其网络模型大，检测速度慢^[14-15]，不适用于生产流水线上电池片的实时检测。本文网络模型较YOLOv3-Tiny网络模型的T_mAP值提高了6.78个百分点，表明改进后的网络模型检测性能有所提升。虽然由于增加特征增强层给计算带来了一定的时间开销，但在满足25 fps的前提下达到了目标检测实时性要求。

总之，本文提出的模型能够在兼顾效率和准确性的前提下，能较好地完成检测任务。该检测模型用于现场测试，如图12所示，运行良好。

图  12  在线检测现场

Figure  12.  Online detection site

下载: 全尺寸图片 幻灯片

4   结论

太阳能电池片缺陷微小的特点，给缺陷的高效检测与识别带来困难。本文在保证效率的前提下，提出了一种轻量化特征增强型卷积神经网络模型。该模型加深了主干特征提取网络结构，另外增加一个预测尺度层，实现3尺度预测，加强了浅层特征图的语义信息，从而提高了小尺度缺陷的检测精度。在测试数据集上mAP达到87.55%的识别率，速度为40 fps，满足实时检测要求，这对于光伏产业缺陷自动识别问题中CNN的使用具有重要意义。