用于鲁棒太阳能电池板裂纹分类的自适应神经模糊融合多方差激活机制

《Optik》：Adaptive Neuro-Fuzzy Integrated Multi-Variance Activation Mechanism for Robust Solar Panel Crack Classification

　　

摘要
光伏系统（PV）的可靠性受微裂纹和结构缺陷的严重影响，这些缺陷会降低能量效率和长期稳定性。传统的人工检查技术，包括目视检查和专家对电致发光（EL）图像的评估，耗时费力、主观性强且易受人为错误影响。深度学习，特别是卷积神经网络（CNNs）的最新进展在自动化裂纹检测方面显示出巨大潜力，但其对固定激活函数的依赖以及缺乏可解释性限制了其鲁棒性和工业应用。本研究提出了一种结合多变异激活机制（MVAM）与自适应神经模糊推理系统（ANFIS）的综合框架，以提升太阳能电池板裂纹分类的准确性和透明度。MVAM 通过利用多种激活函数实现自适应特征提取，而 ANFIS 引入模糊推理，既作为激活门控机制，又作为最终分类器，提供人类可读的决策规则。该框架使用 ELPV 基准数据集进行验证，包含预处理、增强和校准措施。在 ELPV 基准数据集上的实验结果表明，所提出的 MVAM-ANFIS 框架在 50 个训练周期后达到了超过 95% 的验证准确率，具有稳定的收敛性和在六类缺陷类别上的鲁棒分类性能。

引言
向低碳经济的转变使太阳能光伏（PV）能源成为世界上最受欢迎的可再生能源之一。随着制造成本的惊人下降、制造效率的进步以及政府激励政策，光伏技术已证明是满足世界日益增长的能源需求的一个可行替代方案[1]。然而，光伏组件的长期运行稳定性是影响能源生产、财务可行性和回报的重要因素。然而，即使是微观层面的缺陷，如晶体硅电池内的微裂纹，也会导致组件效率随时间显著降低。这些裂纹不仅可能阻碍电流流动；它们还可能加快电池机械退化的速度，可能导致电池完全失效。因此，预测光伏组件的损坏并提供早期警告也被认为是保持系统完整性、最大化能源生产和未来可持续性的关键研究领域[2]。

微裂纹对操作的影响可能因尺寸、位置、方向以及与电气路径的相互作用而大不相同。实验研究报告称，存在微裂纹的晶体硅电池功率损失从 0.9% 到 42.8% 不等，并证实无法控制的故障会逐步影响组件的电力输出和长期性能。最近的研究还表明，在导致组件开裂的机械应力之后，效率和功率输出可能会下降，这进一步强调了早期检测和预防性维护的必要性。

光伏组件缺陷可能发生在制造、运输、安装或运行期间。现有的环境应力源，如风荷载、热循环、雪荷载及其机械影响，是导致现有微裂纹演变成更严重的结构损坏的因素之一。这些裂纹呈现各种形状，如对角裂纹、平行或垂直裂纹以及复杂的网状结构[3]。这些缺陷的破坏程度取决于其位置、大小以及它们相对于组件导电路径的取向。例如，传统的检查方法，包括技术人员对某些组件的目视检查或电致发光（EL）成像及后续专家分析，是劳动密集型的、主观的，且存在人为错误的潜在风险。因此，基于图像的自动裂纹检测和分类系统在确保工业界光伏质量评估的准确性、可重复性和效率方面正在取得进展[4]。

深度学习，特别是卷积神经网络（CNNs），在过去几年取得了异常进步，并在多个计算机视觉应用中表现出卓越性能，如生产线缺陷检测、表面缺陷检测和医学诊断图像分析。通过检测光伏裂纹，CNN 显示出提取电致发光（EL）、红外（IR）和光致发光（PL）图像多尺度空间特征的能力，从而能够准确区分开裂和完好的电池[5]。然而，流行的 CNN 实现通常使用预设的激活函数，包括整流线性单元（ReLU）、Sigmoid 和双曲正切（Tanh）。尽管它们在描述各种现象时表现良好，但这些固定激活不能理想地代表光伏裂纹的变化模式，特别是当裂纹在厚度、强度和方向上存在明显差异时。在观察更细微的微裂纹时，这一局限性尤为明显，此时细粒度的局部纹理和局部对比度变化对于完整和正确的分类至关重要[6]。

此外，在整个深度 CNN 设计中采用固定激活函数会带来优化挑战。ReLU 网络的一个特定问题是“死亡 ReLU"问题，即输入值主要为负的神经元不会被激活，因此在后续更新网络时几乎不贡献或不贡献梯度。还观察到，如果激活函数（如 sigmoid 和 tanh）饱和，它们在激活函数的饱和部分也可能具有接近零的梯度，这可能会减缓梯度通过更深层的传播。它们可能限制网络对这些特征变体的学习能力，特别是当细微和低强度的微裂纹特征与更明显的缺陷特征共存时。

解决这一问题的一个方法是在文献中最近探讨的多变异激活机制（MVAMs），因为它们具有在单个 CNN 网络中使用多种激活函数的能力。MVAMs 通过根据网络自适应选择或求和不同特征图上的多种变换，增强了网络学习复杂模式的能力[7]。激活函数的这种变异性可能会导致更好的泛化能力，特别是在任务存在较大类内变异的情况下，如在使用具有组件、制造商和环境设置变异的光伏裂纹图像时。然而，尽管在特征表示上有所增益，基于 CNN 的模型的整体行为仍然相对不透明，几乎没有提供关于决策过程如何工作的见解。

工业光伏制造系统对可解释性的需求，以确保自动化检查系统的可靠部署。人类可读的决策规则使质量工程师能够理解特定组件被认为是有缺陷的原因，有助于缺陷验证并便于在生产线上采取纠正措施。因此，将模糊推理与深度学习结合不仅确保分类准确性，还提供决策的解释能力，这对于工厂检查和质量控制的实际场景非常有用。在光伏制造等对质量至关重要的领域，深度学习系统的可解释性微乎其微，这降低了信任度和产品采用率，因为利益相关者需要看到深度学习系统是如何得出缺陷分类结论的[8]。

深度 CNN 产生高度可区分的特征表示，但这些特征通常噪声更大，并且可能共享常见模式，特别是在细微的光伏微裂纹的情况下。对于深度特征，模糊分区通过引入逐渐特征隶属度的概念，为决策提供了灵活性，这使得不确定的深度特征能够被更有效地解释。

考虑到这一点，基于模糊逻辑的系统被证明是 CNN 的一种有趣替代方案，它提供基于语言规则的可理解决策。模糊逻辑适用于对数据中的不确定性和不精确性建模，因此它特别适用于缺陷分类，因为成像条件在不断变化，且某些裂纹模式可能是不确定的。该系统整合了两种神经网络特性：学习能力以及模糊推理系统在推理模式方面的特性。ANFIS 基于模糊 if-then 规则形式的模糊规则库，并具有适当的隶属函数来描述输入特征与输出类别之间的非线性依赖关系，自适应学习过程基于训练示例调整这些参数。ANFIS 与深度学习的整合有可能在提供人类可理解的决策规则的同时提升分类准确率，从而使其成为光伏裂纹检测中更准确、更可靠的系统[9]。

然而，虽然这些展示了 ANFIS 在工业缺陷检测中的重要应用案例，但其与先进的 CNN 结构（特别是 MVAMs）的组合很少被探索。研究表明，CNN 特征可作为高度可区分的输入提供给模糊分类器，从而得出更好且可理解的结论。在光伏裂纹识别中，MVAM 中提取的特征与 ANFIS 提供的可解释性之间的紧密互动，可以提供一种不仅准确且鲁棒，而且我们能够理解其做出决策原因的系统。此外，ANFIS 还可以用作内部中间门控单元，灵活调节 MVAM 中激活函数的组合，从而形成一个端到端的神经模糊深度学习系统。

对现有策略的深入分析表明，它们存在一些重要弱点。首先，基于 CNN 的模型达到了良好的准确率，但它们要么缺乏对领域偏移的鲁棒性，要么在评估属于不同批次光伏组件或替代成像配置的图像时表现不佳。其次，大多数模型仅提供与类别相关的概率，而没有提供关于决策原因的信息，从而构成工业应用的挑战。第三，在光伏裂纹类别的背景下，关于 MVAM 与模糊推理结合的研究很少。上述差距使得迫切需要一种具有以下能力的模型：（i）允许其激活行为取决于裂纹的形态学特性；（ii）通过模糊规则生成透明的结果；以及（iii）在多样化的成像设置下实现显著准确率[10]。

本研究提出了一种可解释且鲁棒的光伏裂纹分类机制：作为一个应对挑战的综合 MVAM-ANFIS 框架。所提出的模型使用基于 CNN 和多变异激活的骨干网络来捕捉多样化的裂纹形状。使用模糊门控模块进行激活混合的自适应控制，这些模块计算通道级统计量（例如均值、方差和各向异性），并使用 ANFIS 计算应条件加权哪些激活函数。其输出的高层特征随后作为第二个 ANFIS 模块的输入，作为最终分类器以替代传统的全连接 + SoftMax 头。这是 ANFIS 作为内部激活控制器和外部决策层的双重角色使模型既可适应又可解释的原因之一。ANFIS 分类器产生适用于分类器的模糊规则，并以人类友好的方式表达，使其能够洞察模型内部的推理过程。一条典型的规则可能是：“如果各向异性大且平均强度小，则以高置信度将损坏归类为对角裂纹类型”，其中特定的图像属性值直接与缺陷类型相连[11]。

使用公开共享的电致发光光伏（ELPV）数据集进行评估，该数据集包含具有不同类型缺陷（如微裂纹、无活动区域和其他异常）的高空间分辨率光伏图像，用于评估所提出的 MVAM-ANFIS 模型的有效性。执行预处理阶段，应用去噪、对比度增强和归一化等标准技术，然后使用数据增强来增强泛化能力。将所提出系统的结果与基线 CNN 模型、常见的 MVAM 方案以及具有 MVAM 的混合 CNN 和模糊模型进行比较。评估指标包括分类准确率、精确率、召回率、F1 分数、ROC 曲线下面积（AUROC）以及校准估计器，即期望校准误差（ECE）和 Brier 分数。

此外，还展示了Grad-CAM可视化和模糊规则解释，以评估模型预测的透明度和可靠性[12]。尽管卷积神经网络（CNN）、模糊门控机制和自适应神经模糊推理系统（ANFIS）等技术已被用于光伏缺陷检测，但本文提出的MVAM-ANFIS框架提供了一种新颖的集成方法，克服了标准基于深度学习的光伏缺陷分类方法所存在的问题。

典型的基于CNN的方法主要依赖于预定义的激活函数，这可能会限制其对于各种光伏（PV）裂纹特性的表示能力，尤其是在缺陷强度、方向和结构模式存在变化的情况下。为了解决这一局限性，本文提出的多变态激活机制（MVAM）通过考虑提取的特征图的统计特征，如平均强度、方差和各向异性，来动态调整激活响应。这种自适应激活策略使网络能够基于不同的缺陷模式学习更具代表性的特征，而不是使用传统固定激活网络中所使用的通用激活策略。

此外，与传统的CNN-模糊混合系统（其中模糊系统主要用作后处理分类器）相比，本文提出的CNN-ANFIS框架将ANFIS用于双重角色。首先，ANFIS作为自适应模糊门控机制，用于决定MVAM中各种激活响应的贡献权重。其次，ANFIS作为最终分类层，产生可解释的模糊决策规则，揭示提取特征与预测缺陷类别之间的关系。

本文提出框架的新颖之处在于自适应激活学习与可解释神经模糊推理的端到端集成。所提出的MVAM-ANFIS框架致力于解决光伏检测系统中的两个重要问题：在缺陷存在复杂变化的情况下实现自适应特征表示，以及通过模糊推理实现透明决策。

此外，基于Grad-CAM的可视化被用作可解释性工具，以验证模型预测所使用的区域，但本研究的主要贡献在于自适应激活控制与可训练模糊推理的集成，而非可视化技术本身。这是一个更具可理解性和强大能力的自动光伏缺陷分类模型。

本文的贡献可总结如下：

• 通过将ANFIS与MVAM结合，创建了一个双阶段神经模糊架构。与动态层选择策略不同，MVAM是一种自适应并行激活混合器，使用模糊逻辑对多个激活响应进行加权，以提供更强的特征表示能力，而ANFIS用于自适应激活门控和最终分类。

• 提出ANFIS作为可训练的神经模糊分类器，其中隶属函数和决策规则是自适应的，能够从深度特征表示中学习。与传统模糊逻辑控制器中使用固定隶属函数或手动指定规则不同，所提出的方法允许数据驱动的模糊推理，能够生成人类可读的规则，实现透明和可解释的光伏缺陷分类。

• 在提出的MVAM-ANFIS系统中，增强了在各种成像条件下（存在不同噪声）的自适应性能，具有灵活的特征提取和决策边界。多变态激活（MVA）响应与神经模糊（NF）相结合，提高了与常规CNN和CNN-模糊混合方法相比分离复杂光伏裂纹的能力。

• 所提出的框架基于标准分类指标、校准分析和可解释性评估进行了系统评估。这种全面评估显示了模型在光伏缺陷自动检测中的精度、可靠性、可解释性和可用性。

通过解决准确性和可解释性这两个双重挑战，所提出的MVAM-ANFIS框架为光伏组件的自动检测提供了有前景的解决方案。在深度学习流程中集成模糊推理符合安全关键和质量敏感应用中人工智能日益增长的需求。除光伏裂纹检测外，本研究中展示的原理还有潜力扩展到其他工业检测领域，这些领域的缺陷模式复杂、异质且依赖上下文。

相关作品部分：
Umar等人[13]阐述了热成像与人工智能在太阳能板缺陷检测中的结合应用，重点关注无损检测和缺陷的自动化分析。作者描述了工作流程，即通过红外/热成像来检测温度异常（热点、分层、腐蚀），并进一步使用机器学习模型（包括CNN和SVM）进行训练，以识别材料缺陷特定的热特征。他们指出...

问题陈述：
当前使用热成像和深度学习的光伏（PV）缺陷检测技术已展现出快速、无损和可扩展检查的潜力，但仍受到环境噪声、成像条件变化以及缺乏标准化数据集和基准协议的制约。基于视觉的裂纹检测系统对微小缺陷具有较高的敏感性，但通常依赖于手工设计的特征，缺乏跨域泛化能力，而基准...

数据收集：
ELPV数据集是一个免费的光伏（PV）电池电致发光（EL）图像基准数据集，专为缺陷检测研究而优化。ELPV数据集包含光伏电池的电致发光（EL）图像，适用于缺陷检测研究。该数据集包含2624张300×300（灰度）图像，取自44个不同的光伏模块，其中1273张为功能性（无缺陷）图像，1351张为有缺陷图像。该数据集...

结果与讨论：
所提出的用于太阳能板裂纹分类的MVAM-ANFIS框架达到了持续较高的训练和验证性能，准确率平稳上升至接近100%，在50个epoch后验证准确率超过95%，同时训练和验证损失均趋近于零，证实了稳定学习且无过拟合。归一化混淆矩阵显示了六个缺陷类别的令人满意的分类结果，在Cell Break（电池断裂）和Hot Spot（热点）类别中表现最佳...

结论与未来工作：
本研究基于ELPV数据集（包含太阳能电池缺陷的EL图像），提出了一种用于光伏（PV）自动缺陷分类的可解释MVAM-ANFIS框架。所提出的框架结合了多变态激活机制（MVAM）用于自适应特征表示和自适应神经模糊推理系统（ANFIS）用于可解释的缺陷决策。实验评估表明，所提出的模型能够达到分类准确率...

未来工作：
未来，所提出的MVAM-ANFIS框架将得到改进，以便于部署和扩展到工业实时应用。另一个关键的研究方向是开发网络的轻量化版本，使用结构化剪枝、参数优化和量化来提升计算效率、内存使用和推理速度。这些压缩技术将使其能够部署在具有...的边缘设备和嵌入式检测平台上。

伦理审批：
本文不包含任何由作者进行的人类参与者或动物研究。

未引用参考文献：?züpak [31]

资金：
本工作无资金资源。

CRediT作者贡献声明：
S.M. Patil：撰写 - 审阅与编辑。Smita Deepak Khandagale：撰写 - 审阅与编辑，撰写 - 原稿。

利益冲突声明：
作者声明，他们没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢：
我们感谢匿名审稿人提供的有益建议。

竞争利益：
作者声明他们没有竞争利益。

利益冲突：
作者声明他们没有利益冲突。

发表同意：
不适用。

Smita Deepak Khandagale | S.M. Patil
印度孟买Airoli Datta Meghe工程学院电子工程系