CN115471463A - 一种基于对抗式生成网络的太阳能电池缺陷检测方法 - Google Patents

Abstract

本发明提供了一种基于对抗式生成网络的太阳能电池缺陷检测方法，包括以下步骤：步骤S1、获取太阳能电池板图像数据，并根据图像是否有缺陷划分为源域和目标域；步骤S2、对图像数据进行数据增强；步骤S3、形成对抗式生成网络；步骤S4、输入源域中的图像，对对抗式生成网络进行对抗训练，并生成与输入图像除缺陷外都相同的无缺陷图像；步骤S5、对比输入图像与生成的与输入图像除缺陷外都相同的无缺陷图像，进行缺陷定位。本申请利用缺陷样本图像引导网络模型训练，生成新的修复样本图像，尽可能与缺陷样本图像相似，通过对比原始图像与修复图像的特征差异，实现太阳能电池缺陷位置定位。

Description

一种基于对抗式生成网络的太阳能电池缺陷检测方法

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于对抗式生成网络的太阳能电池缺陷检测方法。

背景技术

太阳能电池片作为把光伏能转化成电能的主要媒介，其质量对光电转换的效率、电池片的使用寿命和工业安全有巨大的影响；在生产过程中，太阳能电池片受工艺和环境的影响，不可避免会产生各样缺陷(如黑斑、断栅、划痕、破裂等)，因此对电池片缺陷进行精确的检测在生产中显得尤其重要。

在传统的生产线上，缺陷主要依靠人工发现甄别的，不仅消耗庞大的人工物力，并且在对电池片进行分检时存在大量的检测问题，因其各种主观因素会造成缺陷误检或漏检，难以达到预期效果；因此缺陷检测算法对于太阳能电池片缺陷的检测具有很强的现实意义。

另外由于在实际的生产线中场景复杂不一，而目前的缺陷检测方法需要训练规模巨大的深度神经网络，需要特定不同缺陷的数据集并且要消耗人工做大量的数据标注；而且这种缺陷检测方法往往容易受环境和光照亮度的影响，鲁棒性不强。

发明内容

针对上述技术问题，本发明的一个方式的目的之一是提供一种基于对抗式生成网络的太阳能电池缺陷检测方法，利用缺陷样本图像引导网络模型训练，生成新的修复样本图像，尽可能与缺陷样本图像相似，通过对比原始图像与修复图像的特征差异，实现太阳能电池缺陷位置定位，解决了生成网络目标性不足的问题，得到更加真实精确的目标图像，可实现多个数据源域到目标域之间的转换，以供不同需求。

注意，这些目的的记载并不妨碍其他目的的存在。本发明的一个方式并不需要实现所有上述目的。可以从说明书、附图、权利要求书的记载中抽取上述目的以外的目的。

本发明是通过以下技术手段实现上述技术目的的。

一种基于对抗式生成网络的太阳能电池缺陷检测方法，包括以下步骤：

步骤S1、源域和目标域的划分：获取太阳能电池板图像数据，并根据图像是否有缺陷划分为源域和目标域；

步骤S2、图像数据的数据增强：对所述步骤S1中获取的图像数据进行数据增强；

步骤S3、对抗式生成网络的设计：对抗式生成网络的设计包括生成网络和鉴别网络的设计；

步骤S4、对抗训练：输入源域中的缺陷样本图像，对步骤S3中设计的对抗式生成网络进行对抗训练，并生成与原图像背景相同的无缺陷样本图像；

步骤S5、缺陷定位：对比输入图像与生成的原图像背景相同的无缺陷样本图像，进行缺陷定位。

上述方案中，所述步骤S1中，划分源域和目标域的具体步骤为：

获取多张太阳能电池板图像，根据太阳能电池板图像上是否有黑斑、条形光栅、划痕和破裂情况，将缺陷种类定义为黑斑缺陷、断栅缺陷、划痕缺陷和破裂缺陷，划分多个源域和一个目标域，源域包括单个缺陷的太阳能电池板图像构成的源域和混合缺陷的太阳能电池板图像构成的源域，目标域为无缺陷样本图像构成。

上述方案中，所述步骤S2中数据增强的具体步骤为：

S2.1、图像随机翻转：以50％的概率对每一张太阳能电池图像进行水平或者竖直翻转；

S2.2、图像颜色、亮度、对比度和色调随机变换：将电池板图像的亮度和对比度随机变换为原来图像的50％～150％，图像色调随机变换为原图像的90％～110％，以50％的概率对每一张太阳能电池图像进行颜色变换；

S2.3、对图像进行随机高斯噪声干扰：以50％的概率在图像的任意位置添加期望为μ和方差为σ²的随机高斯噪声。

上述方案中，所述步骤S3中包括两个生成网络G₁、G₂和两个鉴别网络D₁、D₂，D₁用于鉴别G₁生成的图像，D₂用于鉴别G₂生成的图像。

进一步的，所述步骤S3的生成网络G₁、G₂的结构均包括解码器和编码器；

所述编码器包括卷积层、正则化层、LeakyReLU激活函数层，所述编码器使用卷积、正则化、LeakyReLU激活函数，使输入的图像的尺寸依次变换为256×256×3、256×256×64、128×128×128、64×64×256；

所述解码器包括反卷积层、标准化层、ReLU激活函数层，解码器使用反卷积、标准化、ReLU激活函数去重构图像尺寸的大小，提升图像的分辨率，通过反卷积恢复图像原尺寸，最后将生成的图像传递给鉴别网络。

进一步的，所述步骤S3的鉴别网络分别鉴别真实样本图像和生成网络生成的图像的真实程度，再计算损失函数并传递给生成网络，使生成网络生成的图像逼近真实图像的数据分布。

上述方案中，所述步骤S4中的对抗训练包括以下步骤：

步骤S4.1将缺陷样本图像x输入到生成网络G₁中，生成网络G₁生成与原图像背景相同的无缺陷样本图像y，D₁鉴别无缺陷样本图像y的真实程度并传递对抗损失函数给生成网络G₁；

步骤S4.2将无缺陷样本图像y输入到生成网络G₂中，生成网络G₂逆变换生成与原缺陷样本图像x尽可能相同的缺陷样本图像x₁；D₂鉴别缺陷样本图像x₁的真实程度并传递对抗损失函数给生成网络G₂；

步骤S4.3重复上述步骤，直到两个鉴别网络D₁、D₂不能鉴别两个生成网络G₁、G₂生成的图像的真实程度为止。

进一步的，所述步骤S4对抗训练中，鉴别网络与生成网络的对抗损失函数表达式为：

其中，E表示分布函数的期望值，P_data(y)表示生成样本图像的分布，P_data(x)表示真实样本图像的分布，G(x)表示生成的样本，D_Y表示鉴别器，。

进一步的，所述步骤S4对抗训练中从缺陷样本图像x生成无缺陷样本图像y再生成缺陷样本图像x₁的过程为一个循环，这个循环包括一个循环损失，循环损失函数表达式为：

其中，E表示分布函数的期望值，P_data(x)表示真实样本图像的分布，x表示原样本图像，G₂(G₁(x))表示经过生成网络G₁,G₂后的生成样本图像。

上述方案中，所述步骤S5中缺陷的定位具体为：

计算输入图像与对抗式生成网络生成的与原图像背景相同的无缺陷的图像的相似度，先进行逐像素相减，再进行阈值二值化处理得出缺陷位置。

与现有技术相比，本发明的有益效果是：

根据本发明的一个方式，利用缺陷样本图像引导网络模型训练，生成新的修复样本图像，尽可能与缺陷样本图像相似，通过对比原始图像与修复图像的特征差异，实现太阳能电池缺陷位置定位，解决了生成网络目标性不足的问题，得到更加真实精确的目标图像，可实现多个数据源域到目标域之间的转换，以供不同需求。

注意，这些效果的记载不妨碍其他效果的存在。本发明的一个方式并不一定必须具有所有上述效果。可以从说明书、附图、权利要求书等的记载显而易见地看出并抽出上述以外的效果。

附图说明

图1是本发明一实施方式的流程示意图。

图2是本发明一实施方式的生成网络结构示意图。

图3是本发明一实施方式的鉴别网络结构示意图。

图4是本发明一实施方式的损失函数loss曲线示意图。

图5是本发明一实施方式的缺陷样本图像和生成图像示意图，其中图5(a)是太阳能电池片图像的缺陷样本图像，图5(b)是生成网络G₁生成的对应的无缺陷图像，图5(c)是经过生成网络G₂生成的接近原缺陷图像特征分布的图像。

图6是本发明一实施方式的缺陷样本图像缺陷位置定位图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“前”、“后”、“左”、“右”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

图1所示为所述基于对抗式生成网络的太阳能电池缺陷检测方法的一种较佳实施方式：

所述基于对抗式生成网络的太阳能电池缺陷检测方法，包括以下步骤：

步骤S1、源域和目标域的划分：获取太阳能电池板图像数据，并根据图像是否有缺陷划分为源域和目标域；

步骤S2、图像数据的数据增强：对所述步骤S1中获取的图像数据进行数据增强；

步骤S3、对抗式生成网络的设计：对抗式生成网络的设计包括生成网络和鉴别网络的设计；

步骤S4、对抗训练：输入源域中的缺陷样本图像，对步骤S3中设计的对抗式生成网络进行对抗训练，并生成与原图像背景相同的无缺陷样本图像；

步骤S5、缺陷定位：对比输入图像与生成的原图像背景相同的无缺陷样本图像，进行缺陷定位。

所述步骤S1中，划分源域和目标域的具体步骤为：

获取生产水平不同、光照亮度各异、分辨率相同的太阳能电池板图像，根据太阳能电池板图像上是否有黑斑、条形光栅、划痕和破裂情况，将缺陷种类定义为黑斑缺陷、断栅缺陷、划痕缺陷和破裂缺陷；每个样本可能有一种或多种缺陷；划分多个源域和一个目标域，源域包括单个缺陷图像构成的源域和混合缺陷图像构成的源域，目标域由无缺陷样本图像构成。

太阳能电池片数据集在不实质性增加数据的情况下，围绕图像样本本身进行操作，让有限的数据产生更多的数据价值；太阳能电池片数据集图像将被用于对抗式生成网络的训练中，在此之前需要对图像数据进行数据增强处理，详细步骤如下：

步骤S2.1、图像随机翻转；每一张太阳能电池板图像数据都有50％的可能进行水平或者竖直翻转；我们输入网络的图像的分辨率为256×256，采用随机裁剪成224×224的方式，一张太阳能电池板图像理论上可以产生32×32张不同的图像，将这些图像进行随机翻转，50％的可能进行水平或者竖直翻转；

步骤S2.2、图像颜色、亮度、对比度和色调随机变换；将电池板图像的亮度和对比度随机变换为原来图像的50％～150％，图像色调随机变换为原图像的90％～110％，以50％的概率对每一张太阳能电池图像进行颜色变换；

步骤S2.3、对图像进行随机高斯噪声干扰；添加期望为μ和方差为σ²的随机高斯噪声给图像，高斯噪声出现在图像的任意位置；每张图像被添加高斯噪声的概率为50％；在大量出现的模式中，当生成网络试图学习可能无用的高频特征时，通常会发生过度拟合。具有零均值的高斯噪声基本上在所有频率中具有数据点，从而有效地扭曲高频特征。这也意味着较低频率的组件，通常是预期数据也会失真，但生成网络可以学会超越它，添加适量的噪音可以增强学习能力。

所述步骤S3中包括两个生成网络G₁、G₂和两个鉴别网络D₁、D₂，D₁用于鉴别G₁生成的图像，D₂用于鉴别G₂生成的图像。

所述生成网络中的输入为太阳能电池板的源域中的缺陷样本图像，结构包括解码器和编码器。

图2为本发明一种基于对抗式生成网络的太阳能电池缺陷检测方法生成网络结构图；所述编码器包括卷积层、正则化层、LeakyReLU激活函数层，所述卷积层用于提取图像不同的特征，正则化层用于提升训练速度，防止过拟合，LeakyReLU激活函数层用于缓解梯度消失的问题。

编码器首先输入图像后使用图像增强，将图像沿着上下左右进行对称(reflectionPad2d)，在经过3层卷积、正则化、激活函数，使输入的图像的尺寸依次变换为256×256×3、256×256×64、128×128×128、64×64×256，并到达链接区域。

所述解码器包括反卷积层、标准化层、ReLU激活函数层，反卷积层用于还原特征图大小，标准化层用于加速模型收敛和缓解梯度弥散，ReLU激活函数层用于缓解梯度消失的问题；解码器使用反卷积、标准化、ReLU激活函数去重构图像尺寸的大小，最后通过ReflectionPad2d将图像沿着边缘上下左右进行堆成，增大图像的分辨率，通过反卷积恢复图像原尺寸并解决图像的边缘信息，最后传递给鉴别网络。

鉴别网络包括三层卷积层和一个全连接层，卷积层用于提取图像的深度特征，全连接层将特征图表示整合成一个值，用于判断输入图像的真实程度；

所述鉴别网络的输入为目标域中的无缺陷样本图像和生成网络中生成的图像，然后分别鉴别目标域中的无缺陷样本图像和生成网络中生成的图像的真实程度，再计算损失函数并传递给生成网络，使生成网络生成的图像逼近真实图像的数据分布。

如图3所示，图3为本发明一种基于对抗式生成网络的太阳能电池缺陷检测方法鉴别网络结构图；进行卷积、正则化、激活函数一个链式结构变换，最后展平成(b，1)结构。

所述步骤S4对抗训练包括以下步骤：

步骤S4.1将缺陷样本图像x输入到生成网络G₁中，生成网络G₁生成与原图像背景相同的无缺陷样本图像y，D₁鉴别无缺陷样本图像y的真实程度并传递对抗损失函数给生成网络G₁；

步骤S4.2将无缺陷样本图像y输入到生成网络G₂中，生成网络G₂逆变换生成与原缺陷样本图像x尽可能相同的缺陷样本图像x₁；D₂鉴别缺陷样本图像x₁的真实程度并传递对抗损失函数给生成网络G₂；

步骤S4.3重复上述步骤，直到两个鉴别网络D₁、D₂不能鉴别两个生成网络G₁、G₂生成的图像的真实程度为止。

根据本实施例，优选的，网络训练模型的批量batch大小为2，采用Adam优化器更新参数，共计训练400轮；其中，Adam优化器的学习率采用指数衰减学习率，在训练的前200轮学习率保持不变，为0.0002，后200轮学习率从0.0002逐渐下降到0，学习率停止更新，优化器的两个指数衰减率设置为0.50和0.99。

所述步骤S4对抗训练中，鉴别网络与对抗网络的对抗损失函数表达式为：

其中，P_data(y)表示生成样本图像的分布，P_data(x)表示真实样本图像的分布，G(x)表示生成的样本，D_Y表示鉴别器，E表示分布函数的期望值，

表示的期望值的输入是从y～P_data(y)中取得，

表示的期望值的输入是从x～P_data(x)中取得。

所述步骤S4对抗训练中，从缺陷样本图像x生成无缺陷样本图像y再生成缺陷样本图像x₁的过程为一个循环，这个循环还包括一个循环损失，循环损失函数表达式为：

其中，E表示分布函数的期望值，

表示的期望值的输入是从x～P_data(x)中取得，P_data(x)表示真实样本图像的分布，x表示原样本图像，G₂(G₁(x))表示经过生成网络G₁,G₂后的生成样本图像。

如图4所示，图4为本发明一种基于对抗式生成网络的太阳能电池缺陷检测方法损失函数loss曲线示意图；G_A、D_A是对抗生成损失函数，分别表示生成网络生成损失和鉴别网络的识别损失，生成网络希望输出尽可能和真实数据一致，鉴别网络希望能鉴别真实数据和生成数据，网络互相博弈的结果是：

D_Y(G(x))＝0.5

cycle_A表示的是循环损失，为了防止生成网络生成的背景与原来的像素点相差很大，用缺陷图片和经过两个生成网络后的图片的L₁距离评价，距离越小越理想。

如图5所示：图(a)是太阳能电池片图像的缺陷样本图像x，图(b)是生成网络G₁生成的对应的无缺陷图像y，图(c)是经过生成网络G₂生成的接近原缺陷图像特征分布的图像x₁。

根据本实施例优选的，所述缺陷的定位的步骤为：

计算输入图像(a)与生成的与输入图像除缺陷外都相同的无缺陷图像(b)的相似度，搜索每个像素点的特征，在两个匹配点的特征值之间进行比较，得到绝对值，获得的值越大，则该点是缺陷的可能性越高；然后使用阈值二值化，便可以定位缺陷的位置。

如图6所示为通过缺陷图像x和生成网络G₁生成的无缺陷图像y对比之后再经过阈值二值化得到的定位图像，清晰检测出白色像素部分属于划痕缺陷。

以上方法的实现软硬平台配置如表1所示。

表1软硬件平台配置

与传统缺陷检测方法相比，本发明基于对抗式生成网络的太阳能电池缺陷检测方法属于无监督学习，避免了复杂繁琐的数据标记过程，可实现意想不到的数据之间的映射关系，更符合人工智能的要求；与传统检测模型比较，本发明基于对抗式生成网络的太阳能电池缺陷检测方法只用到了反向传播，不需要重复的马尔科夫链；而且生成网络的参数更新不是直接来自于数据集样本，而是来自于鉴别网络的反向传播；与其他生成模型相比，本发明基于对抗式生成网络的太阳能电池缺陷检测方法能产生更好的生成样本，该方法可以学习到一个尽可能接近真实数据分布的网络层生成想要的样本点模型，利用缺陷样本图像引导网络模型训练，生成新的修复样本图像，尽可能与缺陷样本图像相似，通过对比原始图像与修复图像的特征差异，实现太阳能电池缺陷位置定位，解决了生成网络目标性不足的问题，得到更加真实精确的目标图像，可实现多个数据源域到目标域之间的转换，以供不同需求。

应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，包括以下步骤：

步骤S1、源域和目标域的划分：获取太阳能电池板图像数据，并根据图像是否有缺陷划分为源域和目标域；

步骤S2、图像数据的数据增强：对所述步骤S1中获取的图像数据进行数据增强；

步骤S3、对抗式生成网络的设计：对抗式生成网络的设计包括生成网络和鉴别网络的设计；

步骤S4、对抗训练：输入源域中的缺陷样本图像，对步骤S3中设计的对抗式生成网络进行对抗训练，并生成与原图像背景相同的无缺陷样本图像；

步骤S5、缺陷定位：对比输入图像与生成的与原图像背景相同的无缺陷样本图像，进行缺陷定位。

2.根据权利要求1所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S1中，划分源域和目标域的具体步骤为：

获取多张太阳能电池板图像，根据太阳能电池板图像上是否有黑斑、条形光栅、划痕和破裂情况，将缺陷种类定义为黑斑缺陷、断栅缺陷、划痕缺陷和破裂缺陷，划分多个源域和一个目标域，源域包括单个缺陷的太阳能电池板图像构成的源域和混合缺陷的太阳能电池板图像构成的源域，目标域为无缺陷样本图像构成。

3.根据权利要求1所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S2中数据增强的具体步骤为：

S2.1、图像随机翻转：以50％的概率对每一张太阳能电池图像进行水平或者竖直翻转；

S2.2、图像颜色、亮度、对比度和色调随机变换：将电池板图像的亮度和对比度随机变换为原来图像的50％～150％，图像色调随机变换为原图像的90％～110％，以50％的概率对每一张太阳能电池图像进行颜色变换；

S2.3、对图像进行随机高斯噪声干扰：以50％的概率在图像的任意位置添加期望为μ和方差为σ²的随机高斯噪声。

4.根据权利要求1所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S3中包括两个生成网络G₁、G₂和两个鉴别网络D₁、D₂，D₁用于鉴别G₁生成的图像，D₂用于鉴别G₂生成的图像。

5.根据权利要求4所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S3的生成网络G₁、G₂的结构均包括解码器和编码器；

所述编码器包括卷积层、正则化层、LeakyReLU激活函数层，所述编码器使用卷积、正则化、LeakyReLU激活函数，使输入的图像的尺寸依次变换为256×256×3、256×256×64、128×128×128、64×64×256；

所述解码器使用反卷积、标准化、ReLU激活函数去重构图像尺寸的大小，提升图像的分辨率，通过卷积恢复图像原尺寸，最后将生成的图像传递给鉴别网络。

6.根据权利要求4所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S3的鉴别网络分别鉴别真实样本图像和生成网络生成的图像的真实程度，再计算损失函数并传递给生成网络，使生成网络生成的图像逼近真实图像的数据分布。

7.根据权利要求1所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S4中的对抗训练包括以下步骤：

步骤S4.1将缺陷样本图像x输入到生成网络G₁中，生成网络G₁生成与原图像背景相同的无缺陷样本图像y，D₁鉴别无缺陷样本图像y的真实程度并传递对抗损失函数给生成网络G₁；

步骤S4.2将无缺陷样本图像y输入到生成网络G₂中，生成网络G₂逆变换生成与原缺陷样本图像x尽可能相同的缺陷样本图像x₁；D₂鉴别缺陷样本图像x₁的真实程度并传递对抗损失函数给生成网络G₂；

步骤S4.3重复上述步骤，直到两个鉴别网络D₁、D₂不能鉴别两个生成网络G₁、G₂生成的图像的真实程度为止。

8.根据权利要求7所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S4对抗训练中，鉴别网络与生成网络的对抗损失函数表达式为：

其中，P_data(y)表示生成样本图像的分布函数，P_data(x)表示真实样本图像的分布函数，G(x)表示生成的样本，D_Y表示鉴别器，

表示的期望值的输入是从y～P_data(y)中取得，

表示的期望值的输入是从x～P_data(x)中取得。

9.根据权利要求7所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S4对抗训练中从缺陷样本图像x生成无缺陷样本图像y再生成缺陷样本图像x₁的过程为一个循环，这个循环包括一个循环损失，循环损失函数表达式为：

其中，

表示的期望值的输入是从x～P_data(x)中取得，P_data(x)表示真实样本图像的分布函数，x表示原样本图像，G₂(G₁(x))表示经过生成网络G₁,G₂后的生成样本图像。

10.根据权利要求1所述的基于对抗式生成网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S5中缺陷的定位具体为：

计算输入图像与对抗式生成网络生成的与原图像背景相同的无缺陷的图像的相似度，先进行逐像素相减，再进行阈值二值化处理得出缺陷位置。

Images