一种基于深度学习的光伏板缺陷识别分类方法技术

本发明专利技术公开了一种基于深度学习的光伏板缺陷识别分类方法，首先，对预先获取的光伏组件原始图像数据集进行数据预处理和数据增强；其次，构建Swin Transformer模型，并对其进行训练；然后，基于迁移学习获取预训练的权重，并在SwinTransformer的训练期间进行调整，获取优化后的SwinTransformer模型；最后，基于优化后的SwinTransformer模型对光伏板缺陷进行识别分类。本发明专利技术解决视觉图像的多尺度问题，极大降低了transformer的计算复杂度；且本发明专利技术所有预训练的权重都在SwinTransformer的再训练期间进行调整，以达到最佳性能。以达到最佳性能。以达到最佳性能。

【技术实现步骤摘要】
一种基于深度学习的光伏板缺陷识别分类方法


[0001]本专利技术属于计算机视觉图像处理领域，采用深度学习的Swin Transformer模型和迁移学习方法对光伏板的常见故障类型进行了分类。

技术介绍

[0002]光伏发电在减少温室气体排放，推动实现碳中和的新能源发电领域具有巨大潜力。然而在光伏电站运行中，光伏组件常常会因为长时间受光、外力作用、自身线路短路等问题出现故障，从而影响发电量，严重时引发火灾。开发自动可靠的技术来识别和分类光伏组件中的故障，有助于提高光伏系统的可靠性和性能，降低运营和维护成本。目前，卷积神经网络已被证明在视觉图像处理领域是有效的，但在做图像缺陷识别和分类时，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移。
[0003]徐小奇和刘海波基于光伏板热斑问题的分析，提出了一种卷积网络，采用红外图像增强技术，用RGB图像单通道值作为灰度值的方法，有效实现红外热图的增强，对光伏阵列红外热图进行识别编码，实现对热斑故障的识别和定位。
[0004]高天亮等人提出一种基于门控循环(GRU)神经网络的光伏阵列故障识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的光伏板缺陷识别分类方法，其特征在于，包括以下步骤：(1)对预先获取的光伏组件原始图像数据集进行数据预处理和数据增强；(2)构建Swin Transformer模型，并对其进行训练；(3)基于迁移学习获取预训练的权重，并在Swin Transformer的训练期间进行调整，获取优化后的Swin Transformer模型；(4)基于优化后的Swin Transformer模型对光伏板缺陷进行识别分类。2.根据权利要求1所述的一种基于深度学习的光伏板缺陷识别分类方法，其特征在于，步骤(1)所述的数据预处理为将光伏组件原始图像被调整为恒定的宽度和高度。3.根据权利要求1所述的一种基于深度学习的光伏板缺陷识别分类方法，其特征在于，步骤(1)所述的数据增强包括水平和垂直翻转、随机裁剪和旋转。4.根据权利要求1所述的一种基于深度学习的光伏板缺陷识别分类方法，其特征在于，步骤(2)所述Swin Transformer模型包括patch partition层、Linear embedding层、Swin
‑
transformer层和patch merging层；所述patchpartition层将图片切成一个个patch；所述Linear embedding层将patch特征嵌入到指定维度；所述patch merging层在每个Stage开始前做降采样，用于缩小分辨率，调整通道数，形成层次化的设计，节省运算量。5.根据权利要求1所述的一种基于深度学习的光伏板缺陷识别分类方法，其特...

【专利技术属性】
技术研发人员：丁卫红，叶凡，张乾珣，严静，曹佳鑫，施敏捷，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：