王淑青，張鵬飛，要若天，魯東林，頓偉超

(1.湖北工業(yè)大學(xué)電氣與電子工程學(xué)院，湖北武漢 430068；2.武漢大學(xué)電氣與自動化學(xué)院，湖北武漢 430072)

0 引言

太陽能作為主要新能源之一，安全隱患低，可適用性強。太陽能在利用過程中不會造成環(huán)境污染，并且儲量大，維護成本較低，是很合適的代替能源[1-2]。由于太陽能電池片產(chǎn)出量巨大，所以生產(chǎn)工藝要求也越來越嚴(yán)格，太陽能電池片的表面質(zhì)量直接影響著光能的吸收效率[3]。在太陽能電池片的生產(chǎn)過程中，由于機械故障及人為原因，不可避免地會對電池片表面造成各種損傷，根據(jù)損傷的情況可劃分為破損、劃痕、斷柵、污漬4種主要缺陷類型，這些缺陷對發(fā)電效率有極大的負面影響。因此，為保證太陽能電池片的生產(chǎn)質(zhì)量，在生產(chǎn)流程中增加太陽能電池片表面缺陷檢測環(huán)節(jié)是非常有必要的。

近年來，基于機器視覺和計算機視覺的檢測方法被不斷地應(yīng)用于太陽能電池片表面缺陷檢測，如視覺顯著性檢測法、魯棒視覺檢測法、數(shù)據(jù)增強法以及卷積神經(jīng)網(wǎng)絡(luò)等方法[4-9]。這些方法雖然都能有效地檢測出太陽能電池片表面的某種缺陷，但是并沒有對生產(chǎn)過程中可能出現(xiàn)的多種缺陷進行檢測，缺陷類型不夠全面，并且檢測效率偏低。

為了解決上述問題，本文提出了一種改進YOLOv5的太陽能電池片表面缺陷檢測方法。在模型的輸入端設(shè)計了一種動態(tài)反饋多尺度訓(xùn)練的數(shù)據(jù)增強方法，以提高小缺陷的特征訓(xùn)練精度，并優(yōu)化了訓(xùn)練過擬合問題；采用指數(shù)線性單元(ELU)激活函數(shù)替換了Leaky ReLU激活函數(shù)，解決了神經(jīng)元“死亡”問題的同時，使輸出值更接近于0，加快收斂速度；在模型輸出端采用聚焦的高效交叉損失函數(shù)(F-EIOU)來提高分類和定位精度。

1 檢測模型原理

太陽能電池片表面缺陷檢測方法主要采用YOLOv5s卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)與YOLOv4網(wǎng)絡(luò)較為相似，為高實時性、高精度的one-stage檢測網(wǎng)絡(luò)[10]。YOLOv5s主要由輸入端、Backbone、Neck以及輸出端組成，如圖1所示。

圖1 太陽能電池片表面缺陷檢測模型結(jié)構(gòu)

模型輸入端采用Mosaic數(shù)據(jù)增強，隨機使用4張?zhí)柲茈姵仄瑘D片進行裁剪并拼接為一張圖片，同時采用自適應(yīng)錨框計算增強方式，將預(yù)測框和真實框進行差值計算，反向更新網(wǎng)絡(luò)參數(shù)，從而豐富圖像數(shù)據(jù)集。

Backbone由CSPDarknet53(cross stage paritial dark network 53)+Focus結(jié)構(gòu)構(gòu)成，是主要的特征提取基準(zhǔn)網(wǎng)絡(luò)。其中，CSPDarknet53將特征圖大小由608逐次下降到18，起到下采樣的作用，通過特征映射和跨層次連接將電池片特征分解且合并，在減少計算成本的同時提高了特征提取的精度。Focus結(jié)構(gòu)的核心為切片操作，保證了特征圖寬度，提高了電池片細節(jié)特征的學(xué)習(xí)能力。

Neck部分由特征空間金字塔(FPN)和路徑聚合網(wǎng)絡(luò)(PAN)構(gòu)成，不僅使用FPN將太陽能電池片特征圖的高層信息進行傳遞融合，獲取預(yù)測特征圖，而且加入兩個PAN結(jié)構(gòu)，自下向上傳達了強定位特征，進一步加強特征融合效果，從而強化了網(wǎng)絡(luò)對太陽能電池片圖像的缺陷分類和檢測能力[11]。

模型輸出端采用GIOU_Loss作為邊界框損失函數(shù)，已解決邊界框不重合時的問題。并使用非極大值抑制NMS進行后處理，以便更好地識別多目標(biāo)選框，提高模型檢測精度。

2 模型優(yōu)化

2.1 動態(tài)反饋多尺度訓(xùn)練

尺度變化是指模型在不同尺度下的不公平以及對尺度較低的缺陷目標(biāo)檢測質(zhì)量差的現(xiàn)象。動態(tài)尺度訓(xùn)練范式可以有效緩解目標(biāo)檢測中尺度變化的問題。YOLOv5s模型輸入端中的Mosaic數(shù)據(jù)增強雖然對訓(xùn)練圖像都進行了拼接操作，但其中有一些較大的特征并不需要重復(fù)此操作也可以達到很好的訓(xùn)練效果，反而限制了處理尺度變化的能力。為此本文改進了一種動態(tài)反饋策略來應(yīng)對這個問題，如圖2所示。

圖2 動態(tài)反饋尺度訓(xùn)練流程圖

在每次訓(xùn)練迭代中，獲取太陽能電池片表面缺陷的損失比例作為反饋，如果當(dāng)前迭代中的損失比例低于某一閾值，則判定此時可以通過補償?shù)姆绞絹韮?yōu)化網(wǎng)絡(luò)不平衡狀態(tài)。如果損失比例小于或等于閾值，采取隨機剪裁、縮放的方式將4張?zhí)柲茈姵仄砻嫒毕輬D像隨機拼接成一張圖片作為輸入數(shù)據(jù)。否則，如果統(tǒng)計的損失值超過閾值，則采用常規(guī)圖像作為輸入數(shù)據(jù)，具體表示如式(1)所示：

(1)

如圖3所示，為常規(guī)圖像和k=4的拼接圖像，在模型訓(xùn)練中，缺陷特征訓(xùn)練框左上角的0，1，2，3分別表示太陽能電池片表面的破損、劃痕、斷柵、污漬4種缺陷類型?？梢钥闯觯趧討B(tài)尺度反饋訓(xùn)練中，通過改進的拼接方式可以將較小的缺陷目標(biāo)按比例進行尺度變化處理，而且拼接圖像和常規(guī)圖像大小相同，并不會額外增加網(wǎng)絡(luò)計算量，較好地優(yōu)化了太陽能電池片小尺度缺陷目標(biāo)的訓(xùn)練精度，同時避免了已經(jīng)訓(xùn)練好的特征重復(fù)訓(xùn)練導(dǎo)致額外計算量，提升了特征訓(xùn)練速度。

(a)常規(guī)圖像 (b)拼接圖像

2.2 ELU激活函數(shù)

太陽能電池片表面缺陷檢測運用于工業(yè)檢測時，最重要的是模型的高精度和高定位效果，模型訓(xùn)練好后，基本不會影響檢測速度。因此本文采用效果更好的ELU激活函數(shù)替換網(wǎng)絡(luò)中間層和隱藏層中的Leaky ReLU激活函數(shù)，即圖1模型結(jié)構(gòu)中的CBL，CSP1_X和CSP2_X模塊。

Leaky ReLU激活函數(shù)主要解決了神經(jīng)元“死亡”的問題，保證了數(shù)據(jù)反向傳播過程中，梯度不為0。而ELU激活函數(shù)具備了Leaky ReLU 激活函數(shù)的所有特點，如式(2)所示：

(2)

式中α為超參數(shù)，α=1。

ELU激活函數(shù)在所有點都是連續(xù)可微的，更好地解決了梯度消失和梯度爆炸問題，相比Leaky ReLU激活函數(shù)可以在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中加快訓(xùn)練速度并提高準(zhǔn)確度。雖然ELU是指數(shù)線性單元，但與Leaky ReLU不同，ELU也有一個負值，這會導(dǎo)致其均值向0偏移。由于這種偏移，模型的訓(xùn)練將比Leaky ReLU激活函數(shù)收斂的更快。雖然ELU激活函數(shù)計算速度較慢，但是相比之下，ELU激活函數(shù)所具備的更快的收斂性使模型的訓(xùn)練速度比Leaky ReLU激活函數(shù)更快，具備更好的泛化性，所以準(zhǔn)確性也更高，Leaky ReLU和ELU激活函數(shù)對比如圖4所示。

(a)Leaky RELU

2.3 聚焦的高效交叉聯(lián)合損失函數(shù)

在太陽能電池片缺陷檢測中沒有缺陷重疊的情況，而YOLOv5s網(wǎng)絡(luò)輸出端的邊界框損失函數(shù)為GIOU_Loss結(jié)合加權(quán)的非極大值抑制(NMS)，這種方法對于篩選遮擋重疊的目標(biāo)較為有效，但并不適用于太陽能電池片表面缺陷的檢測，為此，本文采取一種聚焦的高效交叉損失(F-EIOU Loss)作為邊界框損失函數(shù)。十字交叉聯(lián)合(IOU)損失函數(shù)是最為基礎(chǔ)的邊界框損失函數(shù)，而CIOU損失函數(shù)是在其基礎(chǔ)上的進一步優(yōu)化[12]。本文采用的F-EIOU損失函數(shù)則結(jié)合了CIOU損失函數(shù)，如式(3)所示。

LF-EIOU=IOUγ·LEIOU

(3)

式中γ為控制異常值的抑制程度參數(shù)，γ∈(0,2]。

LEIOU如式(4)所示，可分為3個部分，即IOU損失函數(shù)LIOU，距離損失函數(shù)Ldis和方向損失函數(shù)Lasp。

LEIOU=LIOU+Ldis+Lasp=1-IOU+

(4)

如圖5所示，為GIOU損失函數(shù)和F-EIOU損失函數(shù)在10、50、150次迭代下最左側(cè)目標(biāo)框和最右側(cè)錨點框的優(yōu)化過程，可以看出GIOU損失在優(yōu)化過程中無法有效測量目標(biāo)框和錨點框之間的差異，忽略了錨點框信息的重要性，導(dǎo)致邊界框回歸模型優(yōu)化收斂過程緩慢，并且定位不準(zhǔn)。而本文采用的F-EIOU損失開發(fā)了邊界框回歸損失的潛力，該損失函數(shù)采用了基礎(chǔ)的IOU損失并結(jié)合了距離和方向損失來明確度量重疊區(qū)域、中心點和邊長3個關(guān)鍵幾何因子的差異，并在此基礎(chǔ)上采用參數(shù)控制損失回歸中的異常值。通過上述策略實現(xiàn)了高效且準(zhǔn)確的太陽能電池片表面缺陷的檢測。

圖5 GIOU和F-EIOU損失優(yōu)化過程對比

3 實驗仿真與結(jié)果分析

3.1 試驗配置

本實驗的訓(xùn)練平臺采用的CPU為Intel(R)Core (TM)i5-10600KF、內(nèi)存16 GB、顯存8 GB、GPU為NVIDIA GeForce RTX 2070S，滿足深度學(xué)習(xí)模型訓(xùn)練的硬件配置要求。實驗操作系統(tǒng)為Windows 10，軟件為PyCharm 2020.2.2、Matlab R2020a、Python 3.8；GPU 加速包為CUDA11.1和CUDnn10.1。

網(wǎng)絡(luò)模型訓(xùn)練采用Pytorch1.7.1，訓(xùn)練初始化COCO和VOC數(shù)據(jù)集中的類別、類別名稱和訓(xùn)練路徑等相關(guān)參數(shù)。圖像輸入尺寸寬高設(shè)為640×640，采用Adam算法進行訓(xùn)練優(yōu)化，最大的迭代輪數(shù)設(shè)為500，單次圖片訓(xùn)練數(shù)設(shè)為8，動量因子設(shè)為0.9，權(quán)重衰減系數(shù)設(shè)為0.000 5，學(xué)習(xí)速率設(shè)為0.001。

3.2 數(shù)據(jù)集預(yù)處理

太陽能電池片數(shù)據(jù)集制作是最基礎(chǔ)的步驟，同時也是實驗前最重要的步驟。數(shù)據(jù)集包含合格與不合格兩大類，在不合格的太陽能電池片中，包含了破損、劃痕、斷柵、污漬4種缺陷類型。由于太陽能電池片在整個工業(yè)線生產(chǎn)中出現(xiàn)表面缺陷的比例較小，為使數(shù)據(jù)集數(shù)據(jù)更加豐富，符合模型訓(xùn)練標(biāo)準(zhǔn)，本文通過隨機選取太陽能電池片圖像進行隨機旋轉(zhuǎn)、鏡像、亮度調(diào)節(jié)、隨機切片等數(shù)據(jù)擴充方法優(yōu)化數(shù)據(jù)集，具體操作如圖6所示。

圖6 數(shù)據(jù)集擴充方法

優(yōu)化后的太陽能電池片數(shù)據(jù)集共包含5 440張圖片，有的圖片含有多種缺陷，其中無缺陷圖片2 060張，破損1 542張、劃痕765張、斷柵772張、污漬761張；模型訓(xùn)練集、驗證集、測試集按7:2:1比例隨機分配。數(shù)據(jù)集制作完成后，使用LableImage對數(shù)據(jù)集進行標(biāo)注，如表1所示。表格中每行都代表了一個缺陷目標(biāo)的位置信息，標(biāo)簽代表具體目標(biāo)的標(biāo)注類別，x，y，w，h為相對于整幅圖片尺度的歸一化值，位于0～1之間。x、y分別為標(biāo)注框的中心點在x軸及y軸方向的坐標(biāo)；w、h分別為標(biāo)注框的寬、高。

表1 標(biāo)注數(shù)據(jù)

3.3 模型性能評估指標(biāo)

模型的性能評估主要通過損失值(Loss)曲線與平均精度值均值mAP(mean average precision)來進行評估，mAP根據(jù)在太陽能電池片數(shù)據(jù)集上預(yù)測到的精確值(Precision)和召回率(Recall)決定，如式(5)所示：

(5)

式中：Precision為預(yù)測結(jié)果中正確的比例；Recall為全部目標(biāo)中被正確預(yù)測出的比例；TP為被正確劃分的正類樣本的數(shù)量；FP為被正確劃分的負類樣本的數(shù)量；FN為被錯誤劃分的正類樣本的數(shù)量。

精確值和召回率構(gòu)成了P-R曲線，P-R曲線下方所占面積為平均精度(AP)，對應(yīng)的所有太陽能電池片表面缺陷類別的平均值，即為mAP。

3.4 檢測結(jié)果與分析

模型訓(xùn)練完成后，通過訓(xùn)練日志內(nèi)的指標(biāo)，經(jīng)適當(dāng)?shù)钠交幚砝L制相應(yīng)曲線，對改進后的模型進行評估。如圖7所示，為改進YOLOv5與原始網(wǎng)絡(luò)的邊界框損失值對比。

圖7 模型損失曲線對比

由圖7可知，F(xiàn)-EIOU損失相比GIOU損失在訓(xùn)練前期損失值下降較快，隨著迭代次數(shù)的增加，逐漸趨于平穩(wěn)，并且損失值較小，證明了改進后的損失函數(shù)具有更快的收斂速度和更好的回歸精度。圖8為改進YOLOv5模型與原始模型的訓(xùn)練精度對比。

圖8 模型訓(xùn)練精度對比

由圖8可知，改進YOLOv5模型的精度值雖然在訓(xùn)練前期由于動態(tài)反饋特性和ELU激活函數(shù)的相對復(fù)雜性，曲線上升較慢，但隨著訓(xùn)練輪次的增加，優(yōu)勢逐漸體現(xiàn)，訓(xùn)練精度較快提升，并且超越了原始網(wǎng)絡(luò)模型的精度值，證明改進的模型對太陽能電池片缺陷特征的訓(xùn)練性能有顯著的提升。同時可以看出，改進的YOLOv5的檢測精度值相比原始網(wǎng)絡(luò)有一定的提升，模型檢測性能增強。

在與原始網(wǎng)絡(luò)模型對比的基礎(chǔ)上，為進一步驗證模型的檢測性能，在保持訓(xùn)練平臺的配置信息不變的情況下，使用Faster-RCNN、SSD、YOLOv4等網(wǎng)絡(luò)模型在相同訓(xùn)練集上進行訓(xùn)練[13-15]。最終選擇各網(wǎng)絡(luò)模型的最佳權(quán)重在測試集上進行對比分析，對比結(jié)果如表2、表3所示。

表2 模型檢測的缺陷類別AP值對比 %

表3 模型檢測性能對比

由表2和表3可知，與Faster-RCNN，SSD，YOLOv4以及YOLOv5s模型相比，改進的YOLOv5的mAP值分別提高了12.5%，19.1%，8.8%，3.7%，并且檢測速度比YOLOv5s模型提升了0.7幀/s，進一步驗證了改進后的模型對太陽能電池片表面缺陷檢測的性能更強。改進后的模型對太陽能電池片表面缺陷檢測的結(jié)果如圖9所示。

圖9 改進YOLOv5的太陽能電池片表面缺陷檢測結(jié)果

由圖9可知，改進的YOLOv5不僅能精確識別太陽能電池片表面較大的缺陷，同時對尺度較小的缺陷也能精確定位，并有著較高的識別效果。

4 結(jié)論

本文提出了一種改進YOLOv5模型的太陽能電池片表面缺陷檢測方法。該方法優(yōu)化了原始模型輸入端的數(shù)據(jù)增強方式，替換了骨干網(wǎng)絡(luò)的激活函數(shù)，并在輸出端改進了邊界框回歸損失函數(shù)。通過上述改進，提高了模型的特征提取和訓(xùn)練收斂速度，優(yōu)化了模型過擬合問題，加強了缺陷目標(biāo)的定位精度，從而提升了太陽能電池片表面缺陷的檢測精度及效率，對工業(yè)生產(chǎn)中的太陽能電池片的質(zhì)量保障有著實際意義。