基于cycleGAN的太阳电池电致发光图像数据增强方法

作     者：何翔 杨爱军 黎健生 陈彩云 游宏亮 HE Xiang;YANG Aijun;LI Jiansheng;CHEN Caiyun;YOU Hongliang

作者机构：福建省计量科学研究院国家光伏产业计量测试中心福建福州350003 福建省计量科学研究院福建省能源计量重点实验室福建福州350003 

出 版 物：《液晶与显示》 (Chinese Journal of Liquid Crystals and Displays)

年 卷 期：2024年第39卷第8期

页      面：1057-1069页

学科分类：080901[工学-物理电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0803[工学-光学工程] 

基　　金：国家市场监督管理总局科技计划(No.2021MK050) 

主　　题：光伏组件 太阳电池 电致发光 cycleGAN DCGAN 

摘      要：针对光伏组件电致发光缺陷自动识别研究中训练用图像不足以及生成图像质量不佳的问题,采用cycleGAN生成了太阳电池EL缺陷图像,并与DCGAN生成的图像进行了综合性对比。将拍摄到的EL图像进行分类和数据增强形成训练集。接着采用训练集对cycleGAN与DCGAN进行训练。最后,从生成图像的有效性、相似性和多样性3个角度对比了两个模型所生成的图像。实验结果表明,cycleGAN所生成的图像中,有效图像的占比显著高于DCGAN。与真实拍摄的图像相比,cycleGAN所生成图像的感官相似性极高,难以通过人眼分辨。cycleGAN所生成图像的FID指标显著低于DCGAN。采用cycleGAN生成图像训练的分类模型对真实拍摄图像的准确率达到93.45%,当训练集中混入少量真实拍摄图像时,该准确率提升至98.26%,显著高于DCGAN。cycleGAN生成图像的平均MS-SSIM指标显著低于DCGAN。采用cycleGAN进行太阳电池EL图像的数据增强是一种行之有效的方法,在有效性、相似性和多样性3方面显著优于DCGAN。