【《光伏板缺陷检测的研究现状文献综述》2700字】

光伏板缺陷检测的研究现状文献综述1基于梯度特征的检测方法此方法主要依据是利用了光伏板缺陷区域与其他区域交界处的梯度差异，产生差异的原因是二部分之间有明显的亮度区别，Anwar、TsaiADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![12]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[9]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![12]</year></dates></record></Cite></EndNote>[9]等提出了将梯度特征与各向异性扩散相结合的想法，既使用“梯度特性”可以对具有不同梯度的图像进行锐化和平滑处理，首先对具有高梯度的区域进行锐化，然后对低梯度的区域进行平滑处理。该方法可以在抑制噪声的同时改善缺陷区域的特性。在此方法的模型中，灰度和梯度是用于调整扩散系数方程的特征值，这是一个自适应的平滑过程。该算法的流程图如图1.2所示。图1.2Anwar算法框架TsaiADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![12]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[9]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![12]</year></dates></record></Cite></EndNote>[9]等提出将梯度特征和均值漂移算法相结合，该算法主要应用于光伏板边缘检测，该算法首先在领域窗口中计算梯度方向熵，以将灰度图像转换为熵图像，然后对熵图像执行均值漂移平滑处理，以在抑制噪声的同时确保边缘特征。最后的检测结果通过自适应阈值处理得到。赖桂祥ADDINEN.CITE<EndNote><Cite><Author>赖桂祥</Author><Year>2019</Year><RecNum>156</RecNum><DisplayText><styleface="superscript">[10]</style></DisplayText><record><rec-number>156</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615295371">156</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>赖桂祥</author></authors><tertiary-authors><author>冯纪强,</author></tertiary-authors></contributors><titles><title>基于改进粒子群优化的卷积神经网络及其应用研究</title></titles><keywords><keyword>PSO算法</keyword><keyword>卷积神经网络</keyword><keyword>优化算法</keyword><keyword>交通标志识别</keyword></keywords><dates><year>2019</year></dates><publisher>深圳大学</publisher><work-type>硕士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[10]结合梯度特征和粒子群算法的优点来对光伏板缺陷进行检测，该算法先采用粒子群算法对边缘进行检测，将缺陷的特征向量提取出来，然后从图像中将缺陷区域分离出来，最后利用模糊推理系统，以缺陷的特征向量为依据对缺陷光伏板和缺陷进行分类，该方法的优点是用于带噪声的图像时效果较好。2基于聚类的检测方法该方法的思想是先划分出缺陷区和非缺陷区，然后使用诸如阈值分割的算法来提取包含缺陷区域的二进制图像。JamesMacQueen提出了著名的K-Means聚类算法,K-MEANS聚类算法主要分为三步，第一步是找到聚类点的聚类中心。第二步是计算从每个点到聚类中心的距离，并将每个点聚类到最接近该点的群集中。第三步是指定每个聚类中所有点的坐标，并将此均值用作新聚类的中心。重复步骤（2）和（3），直到聚类的中心不在大区域上移动或聚类的数量达到最大值。该算法在现在的深度学习模型中依然被广泛应用。XuADDINEN.CITE<EndNote><Cite><Author>Xu</Author><Year>2014</Year><RecNum>76</RecNum><DisplayText><styleface="superscript">[11]</style></DisplayText><record><rec-number>76</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615276154">76</key></foreign-keys><ref-typename="BookSection">5</ref-type><contributors><authors><author>Xu,P.</author><author>Zhou,W.J.</author><author>Fei,M.R.</author></authors><secondary-authors><author>Ma,H.</author><author>Wang,W.</author><author>Zhang,Y.</author></secondary-authors></contributors><auth-address>[Xu,Peng;Fei,Minrui]ShanghaiUniv,SchMechatronEngn&Automat,ShanghaiKeyLabPowerStnAutomatTechnol,Shanghai200072,PeoplesRChina.[Zhou,Wenju]UnivEssex,SchCompSci&ElectEngn,ColchesterCO43SQ,Essex,England. Xu,P(correspondingauthor),ShanghaiUniv,SchMechatronEngn&Automat,ShanghaiKeyLabPowerStnAutomatTechnol,Shanghai200072,PeoplesRChina. davidxp@;wzhoua@essex.ac.uk;mrfei@</auth-address><titles><title>DETECTIONMETHODSFORMICRO-CRACKEDDEFECTSOFPHOTOVOLTAICMODULESBASEDONMACHINEVISION</title><secondary-title>2014Ieee3rdInternationalConferenceonCloudComputingandIntelligenceSystems</secondary-title><tertiary-title>InternationalConferenceonCloudComputingandIntelligenceSystems</tertiary-title></titles><pages>609-613</pages><keywords><keyword>MachineVision</keyword><keyword>PhotovoltaicModules</keyword><keyword>ElectroluminescenceDetection</keyword><keyword>OtsuMethod</keyword><keyword>HoughLineDetection</keyword><keyword>solar-cells</keyword><keyword>photoluminescence</keyword></keywords><dates><year>2014</year></dates><pub-location>NewYork</pub-location><publisher>Ieee</publisher><isbn>978-1-4799-4719-5</isbn><accession-num>WOS:000392727800115</accession-num><urls><related-urls><url><GotoISI>://WOS:000392727800115</url></related-urls></urls><language>English</language></record></Cite></EndNote>[11]和Fu等提出了基于最大类间方差的光伏板缺陷检测方法。该方法首先使用高斯滤波器对图像进行平滑处理，然后对图像执行语义分割和边缘定位以分离单个光伏板，然后使用最大类间方差方法，用于设置图像的阈值，并将图像分为前景部分和背景区域。前景区域包含缺陷，背景部分不含缺陷。最后将经过霍夫变换后的二进制图像用于线性检测，通过将检测图与经过平滑处理后的原始图像做差可以得到缺陷部分。刘纪等ADDINEN.CITE<EndNote><Cite><Author>刘纪</Author><Year>2021</Year><RecNum>77</RecNum><DisplayText><styleface="superscript">[12]</style></DisplayText><record><rec-number>77</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615277055">77</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>刘纪</author><author>张团善</author><author>李秀昊</author></authors></contributors><auth-address>西安工程大学机电工程学院;中国科学院广州先进技术研究所;</auth-address><titles><title>基于L0梯度最小化和K-Means聚类的织物缺陷检测研究</title><secondary-title>轻工机械</secondary-title></titles><periodical><full-title>轻工机械</full-title></periodical><pages>67-71</pages><volume>39</volume><number>01</number><keywords><keyword>织物缺陷检测</keyword><keyword>L0梯度最小化</keyword><keyword>K-Means聚类</keyword><keyword>图像平滑</keyword></keywords><dates><year>2021</year></dates><isbn>1005-2895</isbn><call-num>33-1180/TH</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[12]提出了基于L0梯度最小化和K-Means聚类的缺陷检测方法，该法首先采用L0梯度最小化方法对图像进行平滑处理，在保留图像边缘的前提下，去除了背景纹理的噪声，然后使用K-Means算法对图像进行聚类分析，提取出缺陷区域。李锋ADDINEN.CITE<EndNote><Cite><Author>李锋</Author><Year>2021</Year><RecNum>78</RecNum><DisplayText><styleface="superscript">[13]</style></DisplayText><record><rec-number>78</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615277142">78</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>李锋</author></authors></contributors><auth-address>广东交通职业技术学院;</auth-address><titles><title>基于熵率聚类的超像素机器视觉与缺陷检测算法</title><secondary-title>信息技术与网络安全</secondary-title></titles><periodical><full-title>信息技术与网络安全</full-title></periodical><pages>70-73</pages><volume>40</volume><number>02</number><keywords><keyword>机器视觉</keyword><keyword>熵率聚类</keyword><keyword>超像素</keyword><keyword>贪婪启发算法</keyword></keywords><dates><year>2021</year></dates><isbn>2096-5133</isbn><call-num>10-1543/TP</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[13]提出了基于熵率聚类的缺陷检测方法，该法基于超像素的邻边集，建立了熵率和平衡项的目标函数，然后通过贪婪启发算法求得最优超像素集合，以进行缺陷检测。3基于机器学习的检测方法ThiagoVieiradaSilva等ADDINEN.CITE<EndNote><Cite><Author>Silva</Author><Year>2017</Year><RecNum>149</RecNum><DisplayText><styleface="superscript">[14]</style></DisplayText><record><rec-number>149</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615294479">149</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>ThiagoVieiradaSilva</author><author>RaulVitorArantesMonteiro</author><author>FabricioAugustoMatheusMoura</author><author>MadeleineRocioMandranoCastilloAlbertini</author><author>MarcioAugustoTamashiro</author><author>GeraldoCaixetaGuimaraes</author></authors></contributors><titles><title>PerformanceAnalysisofNeuralNetworkTrainingAlgorithmsandSupportVectorMachineforPowerGenerationForecastofPhotovoltaicPanel</title><secondary-title>IEEELatinAmericaTransactions</secondary-title></titles><periodical><full-title>IEEELatinAmericaTransactions</full-title></periodical><volume>15</volume><number>6</number><dates><year>2017</year></dates><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[14]，提出了基于支持向量机的光伏板缺陷检测方法，该方法采用预先标记的方法，将光伏板分为具有缺陷的光伏板和无缺陷的光伏板，然后使用局部描述符提取标记样本的特征，并将提取的特征向量用作样本。传输入SVM来进行训练。李俊峰ADDINEN.CITE<EndNote><Cite><Author>李俊峰</Author><RecNum>109</RecNum><DisplayText><styleface="superscript">[15]</style></DisplayText><record><rec-number>109</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615279837">109</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>李俊峰</author><author>何炎森</author><author>戴文战</author></authors></contributors><auth-address>浙江理工大学机械与自动控制学院;浙江工商大学信息与电子工程学院;</auth-address><titles><title>结合轻量化与级联深度学习网络的导光板缺陷检测方法</title><secondary-title>激光与光电子学进展</secondary-title></titles><periodical><full-title>激光与光电子学进展</full-title></periodical><pages>1-16</pages><keywords><keyword>缺陷检测</keyword><keyword>导光板缺陷</keyword><keyword>轻量化网络</keyword><keyword>改进的ResNet网络</keyword><keyword>级联融合</keyword></keywords><dates></dates><isbn>1006-4125</isbn><call-num>31-1690/TN</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[15]等提出了结合轻量化与级联深度学习网络的缺陷检测方法，该方法首先针对缺陷分布的特点，对卷积层进行了相应的改进，设计了一种轻量级二分类网络实现疑似区域的快速检测；其次，利用改进后的resnet网络构建一个多分类网络，并结合两阶段网络级联的方法，对缺陷区域实现精确匹配，最后使用了固定窗口滑动的方式提取特征区域，并将提取到的特征图像resize成固定大小，批量送入级联网络进行缺陷的分类和回归。LiuKaixinADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![19]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[16]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![19]</year></dates></record></Cite></EndNote>[16]等提出了生成独立分量(IC)热成像的方法用于缺陷检测，具体作法是生成对抗网络来进行图像增强，以丰富图像中包含的缺陷信息，然后对真实和虚假的热图像进行集成电路分析，将非高斯源表示的缺陷信号与不均匀加热引起的背景分离开来，以改进缺陷的检测效果。魏智锋等ADDINEN.CITE<EndNote><Cite><Author>魏智锋</Author><Year>2021</Year><RecNum>81</RecNum><DisplayText><styleface="superscript">[17]</style></DisplayText><record><rec-number>81</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615278402">81</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>魏智锋</author><author>肖书浩</author><author>蒋国璋</author><author>伍世虔</author><author>程国飞</author></authors></contributors><auth-address>武汉科技大学机械自动化学院冶金装备及其控制教育部重点实验室;武昌首义学院机械与自动化学院;中山火炬职业技术学院;</auth-address><titles><title>基于深度学习的人造板表面缺陷检测研究</title><secondary-title>林产工业</secondary-title></titles><periodical><full-title>林产工业</full-title></periodical><pages>21-26</pages><volume>58</volume><number>02</number><keywords><keyword>人造板</keyword><keyword>表面缺陷</keyword><keyword>SSD-MobileNet</keyword><keyword>卷积神经网络</keyword><keyword>深度学习</keyword><keyword>检测</keyword></keywords><dates><year>2021</year></dates><isbn>1001-5299</isbn><call-num>11-1874/S</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[17]提出了将MobileNet与SSD算法相结合的MobileNet-SSD算法，该算法通过将Inception模块插入进多个特征映射上来增加模型的检测效率和精度。4现有检测方法的对比分析通过表1.2的分析可以看出，每种方法都有其各自的优缺点，通过对比也可以发现，基于机器学习的缺陷检测方法适用性较强，只要采集好数据集，就可以做到实时检测，精确检测，基于此，本文使用机器学习作为研究的重点，来进行缺陷检测工作。表1.2缺陷检测方法对比类别梯度特征的检测方法聚类的检测方法机器学习的检测方法摘要根据光伏板的裂痕和背景有明显的亮度区别，以梯度特征为核心来进行缺陷检测采用各种聚类算法的结合以将光伏板分成缺陷区域和非缺陷区域，然后采用语义分割得到检测结果

通过预先将缺陷图片和非缺陷图片标注成训练样本，然后输入合适的模型进行特征识别，来达到检测缺陷的目的特点对于缺陷部位和背景有较强对比度的光伏板有较好的效果对于不同类型的缺陷有较好的识别能力，但很多参数需要手动设置。此类方法对于样本中已收集到的缺陷有较好的识别能力，但样本中没有的缺陷无法识别参考文献：[1]耿娜.太阳能光伏发电现状与发展前景分析[J].现代经济信息.2018,17):368.[2]李艳坤,周荣斌.光伏发电的现状及发展前景[J].现代工业经济和信息化.2021,11(01):53-54.[3]López-MerazRA,Hernández-CallejoL,Jamed-BozaLO,etal.Determinationofphotovoltaicpowerbymodelingsolarradiationwithgammadistributioninthecedermicrogrid[J].RevistaFacultaddeIngenieríaUniversidaddeAntioquia,2021,99):32-43.[4]2020光伏发电行业市场现状和未来发展趋势分析[J].变频器世界,2020,04):30-32.[5]李超.我国光伏设备技术发展现状与趋势研究[J].装备维修技术,2020,02):163.[6]李艳坤,周荣斌.光伏发电的现状及发展前景[J].现代工业经济和信息化,2021,11(01):53-54.[7]张丽,陈硕翼.光伏发电并网技术发展现状与趋势[J].科技中国,2020,02):18-21.[8]AbdelhamidM,SinghR,OmarM.Reviewofmicrocrackdetectiontechniquesforsiliconsolarcells[J].IeeeJournalofPhotovoltaics,2014,4(1):514-524.[9]王楠.颜色不均匀情况下光伏板红外图像分割算法研究.安徽大学,2019.[10]陶伟.光伏电池板表面缺陷红外检测技术研究.中国计量大学,2016.[11]ChaturvediP,HoexB,WalshTM.Brokenmetalfingersinsiliconwafersolarcellsandpvmodules[J].SolEnergyMaterSolCells,2013,108(78-81.[12]AnwarSA,AbdullahMZ.Micro-crackdetectionofmulticrystallinesolarcellsfeaturinganimprovedanisotropicdiffusionfilterandimagesegmentationtechnique[J].EURASIPJImageVideoProcess,2014:17.[13]赖桂祥