光伏电池图像序列的深度学习检测方法

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.