一种基于Yolov4和热红外图像的光伏缺陷检测方法技术

本发明专利技术公开了一种基于Yolov4和热红外图像的光伏缺陷检测方法，属于深度学习、神经网络和光伏电站缺陷检测技术领域。具体方法如下：首先应用无人机对原始数据进行采集，将采集到的数据传回后台系统进行图像预处理；接着制作红外图像数据集，对标注好的红外图像进行先验框聚类；然后将图片放入网络进行训练，输出特征图片；最后对网络模型进行评估，并将预测网络整合到光伏检测后台系统，对无人机拍摄回传的红外图像可进行实时检测。本发明专利技术方法通过深度学习、热红外图像结合无人机成像技术实现红外热斑光伏检测，操作流程简单，相较于传统的光伏热斑检测方法，本发明专利技术方法大大节省了人力物力，且识别速度更快，热斑检测的准确率更高。更高。更高。

【技术实现步骤摘要】
一种基于Yolov4和热红外图像的光伏缺陷检测方法


[0001]本专利技术涉及深度学习、神经网络和光伏电站热斑、裂痕检测
，更具体地说，本专利技术是一种基于Yolov4和热红外图像的光伏缺陷检测方法。

技术介绍

[0002]太阳能作为一种清洁能源，一直深得人们的青睐，光伏发电目前是应用太阳能发电最广泛的一种方式，同时也是相对成熟的一种方式，它没有噪声和辐射危害、不会污染环境，且独立光伏发电系统多建立在较偏远地区，不会对居民造成影响。
[0003]本专利技术中检测的光伏缺陷包括热斑和裂痕两种。光伏组件在工作时，组件中单体电池由于遮光或者本身原因导致电流降低，当工作电流超过该单体电池电流时，则该部分电池处于反向偏置状态，在电路中的功能由电源变成负载，消耗能量，从而在组件内部形成局部过热现象，产生热斑。外界环境的影响可能会导致裂痕的大面积产生，裂痕会使整块光伏板发热严重。热斑和裂痕的出现会严重的影响发热效率，甚至可能造成极大的危害，引起巨大的经济损失。
[0004]目前各大电厂都在检测热斑、裂痕，在防止危害发生方面付出了很多努力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov4和热红外图像的光伏缺陷检测方法，包括以下步骤：S1、原始数据的采集，在光照度较好的晴朗天气，应用旋翼无人机及搭载的双光镜头对光伏组件进行自动航点拍摄，将光伏板的对应坐标中心点、采集高度和飞行距离设定好后，无人机可进行自主飞行采集光伏板红外热图像；为保证拍摄数据的适用性及避免误差的产生，设定好对光伏板进行垂直拍摄并保证高度一定，拍摄最好在春末、夏季、初秋的上午11时
‑
下午16时之间的时间段内进行；拍摄后的光伏板红外图像会实时回传到后台处理系统并进行下一步处理；S2、对图像进行离线增强预处理，对于深度学习图像处理来说，想要保证识别的准确率，大量的训练数据和验证数据是必不可少的，但由于红外光伏图像目前没有开源的数据集，为了保证最终检测的准确性，使得检测结果更加准确，需要采用离线数据增强即在输入Yolov4网络之前要对数据集进行扩充；本发明在训练前对标注完的红外图片的水平翻转、旋转、倒置、裁剪拼接等方法增大原始数据集；S3、制作红外图像数据集，首先，使用开源工具Lableme对所有图像进行标注，生成包含标注信息的.json文件；接下来，用写好的脚本文件将.json文件转换为.xml文件并存放在事先准备好的VOCDevkit结构目录下，.xml文件中包含了图像目标点的名称以及标注框四个点的位置信息，包括xmin、ymin、xmax、ymax的具体数值；VOCDevkit目录结构为：存储.xml文件的Annotations文件，存放原始图片的JPEGImages文件以及存放.txt文件的ImageSets
‑
Main；最后，根据自己写的脚本生成一系列的相关准备文件，其中包括训练集文件train.txt、验证集文件val.txt以及trainval.txt文件，并更改两个classes文件的目标类别信息；S4、对标注好的红外图像进行先验框聚类；由于红外图像边缘不明显，且对小目标来说纹理特征很弱，对此需应用K
‑
means算法对先验框进行聚类，k
‑
means聚类算法的输入为X＝{x1,x2,
…
,x
n
}，输出为Y＝{Y1,Y2,
…
,Y
k
}，其中X包含n个对象，Y为k个彼此独立的类簇，具体步骤为：第一：选取初始聚类簇中心点；从输入数据集X中随机选取出k个数据对象；第二：分配聚类对象，通过计算数据集Y中数据与类簇中心点之间的相似程度，将聚类对象分配到与其相似程度最高的类簇中心点代表的类簇中；第三：更新类簇中心点信息，统计k个类簇中数据对象信息，将所有数据对象取均值并用其作为新的类簇中心点，用来更新类簇中心点信息；第四：重复迭代并保存结果，迭代执行上述的第二步和第三步直至聚类算法执行完毕，k个类簇中心点不再发生变化；对于样本集D＝{x1,x2,
…
,x
n
}，k
‑
means聚类算法实质上就是针对聚类划分C＝{C1,C2,
…
,C
k
}的最小平方误差，其公式如下：上式中是簇C
i
的均值向量；由于自己的红外数据集与Yolov4测试用的VOC2007可见光数据集不同，需要更改anchors，本发明设置anchors_num＝9，通过聚类后获取到9组匹配本红外训练集不同维度的先验框，分别为：(6
×
4)，(6
×
5)，(6
×
7)，(8
×
6)，(8
×
7)，(9
×
7)，(11
×
9)，(30
×
39)，(35
×
48)，对先验框进行筛选采用了DIOU_num，由于DIOU_num考虑到边界框中心点的位置信息，因而更适合处理密集场景下的光伏目标检测；
DIOU_Loss考虑了重叠面积和中心点距离，当目标框包裹预测框时，直接度量2个框的距离，因此收敛更快，其公式如下：上式中b和b
gt
表示b和b
gt
的中心点，ρ(
·
)是欧几里得距离，c是覆盖两个框的最小封闭框的对角线长度；S5、训练网络；将处理好的数据集放入网络中、并更改对应的classes文件类别信息、类别名称、训练迭代次数以及对应的文件路径，初次训练设置总训练次数为300epoch，由于浅层特征在迭代次数增加到一定数量后相似度较高，而层数越高泛化能力越好，故设置到第200个epoch时冻结一部分CSPDarknet53训练网络，此外还可以一定程度上加快训练速度；接着加入Mosaic在线数据增强方法以及引入余弦退火衰减方法，余弦退火衰减可以通过余弦函数来降低网络学习率，当网络训练过程中，我们会使用梯度下降法来优化目标函数，当损失不断接近全局最小值时，余弦退...

【专利技术属性】
技术研发人员：高巍，于祥跃，白宇，高泽天，龙伟，林赐云，
申请(专利权)人：林赐云，
类型：发明
国别省市：