基于ResNet-101与RegNetX-400MF特征融合及K-means重标注的光伏电致发光缺陷分类

《Scientific African》:ResNet-101 and RegNetX-400MF Feature Fusion with K-means Relabeling for Photovoltaic Electroluminescence Defect Classification

【字体: 大 中 小 】 时间:2026年09月26日 来源:Scientific African 3.7

编辑推荐:

   光伏(PV)电池缺陷可通过电致发光(EL)图像进行检测,但当数据集中的标签不清晰时,训练可靠的分类器较为困难。在电致发光光伏(ELPV)数据集中,许多电池被赋予中间缺陷概率,即它们既不能被可靠地判定为缺陷,也不能被可靠地判定为非缺陷。在其他研究中,处理这些中

  

光伏(PV)电池缺陷可通过电致发光(EL)图像进行检测,但当数据集中的标签不清晰时,训练可靠的分类器较为困难。在电致发光光伏(ELPV)数据集中,许多电池被赋予中间缺陷概率,即它们既不能被可靠地判定为缺陷,也不能被可靠地判定为非缺陷。在其他研究中,处理这些中间缺陷概率的常用方法是使用固定阈值将其分配为二值标签,但这可能引入不一致的监督信号并降低性能。为解决这一问题,所提出的框架采用两个相连的阶段:第一阶段细化训练集中的模糊标签,第二阶段使用细化后的标签训练最终分类器。研究人员首先通过融合两个预训练网络ResNet101和RegNetX-400MF的特征,为每个电池提取一个特征向量。然后,在该组合特征空间中对模糊样本应用K-means聚类,并通过将每个簇的质心与由清晰标注的训练样本计算的质心进行比较,将每个簇分配至缺陷或非缺陷类别。在重标注过程之后,研究人员训练了一个混合分类器,该分类器使用相同的ResNet101–RegNetX融合特征作为输入,以预测电池缺陷及其类型。为解决四个类别之间的类别不平衡问题,研究人员采用带有平衡重采样的类别条件数据增强,并应用类别加权损失。在报告的验证流程下,完整框架在由缺陷概率和电池类型定义的四个类别上达到了95%的准确率。在相同流程下,不使用K-means重标注的对应配置达到93.7%,而仅使用ResNet-101的对应配置达到92.8%。
**论文解读**

**研究背景与存在问题**

全球工业化与城镇化推动电力需求持续增长,光伏(PV)系统在向可再生能源转型中发挥关键作用。光伏电池缺陷(如微裂纹、断栅等)会降低组件效率与安全性,电致发光(EL)成像因其对内部缺陷的高敏感性被广泛用于缺陷检测。然而,在电致发光光伏(ELPV)数据集中,大量电池被标注为中间缺陷概率(可能非缺陷PN为0.33、可能缺陷PD为0.66),这类模糊标签既不能可靠归为缺陷(DF)也不能可靠归为非缺陷(ND)。既有研究通常采用固定阈值将这些中间概率强制转换为二值标签,但该方法会引入不一致的监督信号并导致分类性能下降。为此,研究人员提出一种两阶段框架,先对训练集中的模糊标签进行数据驱动的细化,再利用细化后的标签训练最终分类器。

**研究内容与结论**

研究人员首先系统评估了93个PyTorch预训练模型作为特征提取器的性能,通过K-means聚类重标注流程和ResNet-50基分类器对比,发现ResNet101与RegNetX-400MF具有互补优势。随后将二者的特征向量拼接为2448维融合表示,对训练集中401张PN/PD模糊样本进行K-means聚类(k=2),通过比较簇质心与清晰标注的ND/DF参考质心的欧氏距离,将每个簇分配至ND或DF类。重标注后,训练一个以相同融合特征为输入、具备概率预测头和类型预测头的双头混合分类器。采用类别条件数据增强与平衡重采样、类别加权损失、Optuna超参数调优(440次试验,最优为RMSprop+ReLU,学习率3.80×10??)。结果表明:完整框架在ELPV验证集上达到95%的四分类准确率,高于固定阈值重标注的93.7%和仅用ResNet-101的92.8%;消融实验证实K-means重标注、双骨干特征融合、超参数调优等各组件均有贡献;图像退化测试显示模型对高斯模糊和对比度降低具有较好鲁棒性。研究意义在于为模糊标签数据集的缺陷分类提供了一种数据驱动的标签细化与多任务学习相结合的有效方案。

**关键技术方法**

研究人员使用ELPV公开数据集(2624张300×300像素8位灰度图像,含单晶/多晶硅电池及专家标注缺陷概率0、0.3、0.6、1.0)开展研究。主要方法包括:(1) 93个预训练模型特征提取能力基准测试;(2) 基于轮廓系数确定最优簇数的K-means聚类质心-参考质心距离重标注;(3) ResNet-101和RegNetX-400MF特征拼接融合与双头分类架构;(4) Optuna树结构帕尔森估计器(TPE)超参数搜索;(5) 类别条件数据增强与过采样平衡。

**研究结果**

超参数调优结果:Optuna经440次试验确定RMSprop优化器与ReLU激活函数为最优组合;学习率与准确率呈强负相关(-0.41),表明较低学习率对稳定训练至关重要。

类别条件数据增强与各类别相关性分析:研究发现不同类别对数据增强参数的响应存在差异。Mono-DF类对极端旋转和大概率像素丢弃敏感;Mono-ND类受益于亮度和对比度增强;Poly-DF类在垂直翻转和适度对比度调整下性能提升;Poly-ND类则偏好适度正旋转与对比度调整。据此为四个类别分别设置增强参数集。

过采样:原始训练集中Poly-ND类样本最多(912),Mono-DF类最少(259),经类别条件增强后四类均达912个样本,有效缓解类别不平衡。

混合模型结果:经100轮训练,训练损失从0.8降至0.08;缺陷分类(ND/DF)中ND类准确率达98.68%,DF类为86.01%,DF误判为ND主要源于细小线性结构、低强度暗区与母线或晶体纹理难以区分;类型分类(Mono/Poly)达100%准确率;四类联合准确率95%。

消融实验:在相同数据划分与验证条件下,完整配置准确率95%最高;去掉K-means重标注(固定阈值0.5)为93.7%;仅保留ResNet-101为92.8%;不进行超参数调优为88.3%;单一RegNetX-400MF为84.9%;单一ResNet-101且无高级方法为84.5%。推理时间约5.28 ms/图像。

图像退化评估:高斯噪声(σ=0.01/0.02/0.03)下准确率为92.81%、89.12%、75.46%;高斯模糊下为94.83%、93.71%、88.54%;对比度降低(保留90%/70%/50%)下为94.16%、94.61%、92.13%,表明模型对模糊和对比度变化鲁棒。

**讨论与结论**

讨论部分通过与已有ELPV研究的对比(如GAN增强+VGG-16的94.11%、SeMaCNN的94.6%、SCRViT的89.52%等)及与三种特征融合/聚类策略(Al-Waisy等、Demirci等、El-Rashidy)的方法学差异分析,说明所提框架将K-means聚类应用于训练标签构建阶段,而不参与推理,避免了簇特定模型路由的复杂性。研究结论表明:提升训练标签质量可显著改善光伏缺陷检测与电池类型分类性能;ResNet-101与RegNetX-400MF的联合特征提取因两者在不同类别的互补优势而有益;分类别数据增强可缓解类别不平衡并提高性能;超参数调优、类别加权损失和早停保证了稳定训练。在ELPV数据集上缺陷分类准确率达95%,类型分类达100%。未来工作将探索轻量级特征提取器以降低推理成本,并采用提供具体缺陷类型标注的数据集进一步验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号