一种基于元学习的光伏面板缺陷检测方法技术

本发明专利技术公开了一种基于元学习的光伏面板缺陷检测方法，包括：建立基类数据集和新类数据集；对基类数据集和新类数据集图像进行预处理；从预处理后的基类数据集中选取图像数据，进行第一阶段训练；从预处理后的基类数据集和新类数据集中选取图像数据，进行第二阶段训练；采集待测光伏面板近红外视频，从视频中提取图像帧，利用图像分割算法将图像帧分割成电池片图像；利用光伏面板缺陷检测模型对电池片图像进行检测，确认是否存在光伏缺陷，若有，则标注出缺陷在待测图像中位置。本发明专利技术将元学习方法与两阶段的目标检测算法Faster RCNN结合起来，更加适用于只有少量样本的表面缺陷检测任务，具有检测成本低、检测速度快、准确率高的优点。

【技术实现步骤摘要】
一种基于元学习的光伏面板缺陷检测方法
本专利技术涉及光伏面板检测领域，特别涉及一种基于元学习的光伏面板缺陷检测方法。
技术介绍
随着化石燃料的消耗，煤炭、石油和天然气等非可再生能源逐渐减少，空气污染、土壤污染和水资源污染问题十分严重，常规能源已不足以满足节能环保的需求，而太阳能作为清洁能源，成为关注焦点。在光伏利用方面，光伏面板是光伏发电系统中的核心组件之一，光伏面板暴露在户外，且多位于环境复杂、气候恶劣的区域，易产生隐裂、划伤、污垢、热斑等表面缺陷，若面板缺陷发现不及时不仅会影响光伏面板的发电效率和使用寿命，更重要的是易导致光伏面板局部升温，引发火灾，从而威胁电站的运行安全。传统光伏电站的检测手段主要包括人工检测和基于电气特性的监控检测，随着光伏电站规模和容量的不断扩大，光伏面板的占地面积大、数量多，然而以上两种检测手段存在着运维难度大、成本高、可靠性低等缺点。随着人工智能技术的发展，越来越多的从业者将深度学习技术应用于光伏面板缺陷检测领域，然而基于深度学习的图像检测方法需要海量的训练数据和充足的迭代次数，才能对特定的图像类别本文档来自技高网...

【技术保护点】
1.一种基于元学习的光伏面板缺陷检测方法，其特征在于，包括如下步骤：/n(1)采集工业产品表面缺陷图像，建立基类数据集；采集光伏面板缺陷图像，建立新类数据集；/n(2)分别对基类数据集和新类数据集中的图像进行预处理，预处理后的基类数据集包括基类训练数据集和基类测试数据集，预处理后的新类数据集包括新类训练数据集和新类测试数据集；/n(3)从预处理后的基类数据集中随机选取图像数据作为子任务，组成第一阶段的元训练数据集，将第一阶段元训练数据集送入Meta RCNN网络进行第一阶段训练，训练完毕后保存Meta RCNN网络权重；/n(4)从预处理后的基类数据集和新类数据集中随机选取图像数据，组成第二阶...

【技术特征摘要】
1.一种基于元学习的光伏面板缺陷检测方法，其特征在于，包括如下步骤：
(1)采集工业产品表面缺陷图像，建立基类数据集；采集光伏面板缺陷图像，建立新类数据集；
(2)分别对基类数据集和新类数据集中的图像进行预处理，预处理后的基类数据集包括基类训练数据集和基类测试数据集，预处理后的新类数据集包括新类训练数据集和新类测试数据集；
(3)从预处理后的基类数据集中随机选取图像数据作为子任务，组成第一阶段的元训练数据集，将第一阶段元训练数据集送入MetaRCNN网络进行第一阶段训练，训练完毕后保存MetaRCNN网络权重；
(4)从预处理后的基类数据集和新类数据集中随机选取图像数据，组成第二阶段的元训练数据集，将第二阶段元训练数据集送入第一阶段训练后的MetaRCNN网络进行第二阶段训练，得到光伏面板缺陷检测模型；
(5)采集待测光伏面板近红外视频，从视频中提取图像帧，对每帧图像进行预处理后，利用图像分割算法将图像帧分割成电池片图像；
(6)利用光伏面板缺陷检测模型对电池片图像进行检测，确认是否存在光伏缺陷，若有，则标注出缺陷在待测图像中位置。


2.根据权利要求1所述的基于元学习的光伏面板缺陷检测方法，其特征在于，所述步骤(1)基类数据集的图像类别数大于新类数据集中图像类别数。


3.根据权利要求2所述的基于元学习的光伏面板缺陷检测方法，其特征在于，所述步骤(2)预处理包括图像去噪、对比度增强、亮度和饱和度调整、图像大小缩放；对预处理后的基类数据集和新类数据集表面缺陷图像利用标注工具进行标注，制作成VOC格式的基类和新类数据集。


4.根据权利要求3所述的基于元学习的光伏面板缺陷检测方法，其特征在于，所述步骤(3)中的元训练数据集包括支持集和查询集，支持集的图像从基类训练集中选取，查询集的图像从基类测试集中选取；所述步骤(4)中的元训练数据集包括支持集和查询集，支持集的图像从基类训练集和新类训练集中选取，查询集的图像从基类测试集和新类测试集中选取。


5.根据权利要求4所述的基于元学习的光伏面板缺陷检测方法，其特征在于，步骤(3)包括：
(31)根据第一阶段设定的epoch数从基类数据集中随机抽取n1条episode数据，作为第一阶段的元训练数据集；
(32)将第一阶段的元训练数据集送入MetaRCNN网络进行第一阶段的训练，输入数据流分为两个分支，其中查询集图像送入FasterRCNN网络，支持集图像首先经过FasterRCNN的主干网络提取图像特征，然后将特征图送入区域生成网络RPN，获取包含缺陷特征的目标区域，利用非极大抑制算法从目标区域中筛选出感兴趣区域RoI，将感兴趣区域送入RoIAlign网络提取RoI特征i,j表示预测锚框；
(33)支持集图像送入PRN网络，在PRN网络中首先利用与FasterRCNN共享的主干网络提取图像特征，接着将特征图送入soft-attention层，获取小样本支持集中各类别对应的类注意向量vmeta，利用类注意向量对从查询集图像中提取到的ROI特征进行重构，获得重构后的RoI特征，重构的方法是进行逐通道的乘法，表达式如下：



(34)将重构后的RoI特征送入预测头网络，输出表面缺陷在图片上的位置参数和类别预测置...

【专利技术属性】
技术研发人员：钱惠敏，许庶威，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32