一种基于人工智能的仓库顶棚太阳能板缺陷检测方法技术

本发明专利技术公开了一种基于人工智能的仓库顶棚太阳能板缺陷检测方法，属于人工智能和图像处理技术领域。缺陷检测方法包括获取采集到的太阳能板图像，获取训练完成的图像重构网络；将太阳能板图像输入图像重构网络，特征制取模块经过运算后生成并输出抽象特征图；重构模块以抽象特征图作为输入，然后重建并输出重制图像；获取训练完成的缺陷检测网络，利用缺陷检测网络对太阳能板上可能的缺陷进行检测等步骤。本发明专利技术利用图像重构网络对采集到的太阳能板图像进行重构，增大图像的分辨率，丰富了原始图像中部分视觉表现不明显缺陷的图像特征，降低漏检和错检的概率，无需对现有的硬件设备进行升级，使用和运行成本低。使用和运行成本低。使用和运行成本低。

【技术实现步骤摘要】
一种基于人工智能的仓库顶棚太阳能板缺陷检测方法


[0001]本专利技术属于人工智能和图像处理
，具体地说，涉及一种基于人工智能的仓库顶棚太阳能板缺陷检测方法。

技术介绍

[0002]为了实现碳达峰和碳中和的目标，我国各个行业都在对能源结构进行调整。由于仓库具有占地面积大的特点，因此，近年来，将传统的顶棚替换为太阳能电池板，通过太阳能电池板产生的电能还能为企业节省部分能源支出。太阳能板在运行一段时间后，会有一定概率出现热斑、裂纹或蜗牛纹等缺陷，为了保证太阳能板发电系统正常运行，同时避免这些缺陷影响仓库本身，需要定期对太阳能板进行检查维护。由于安装在仓库顶部的太阳能板位置特殊，通常利用无人机搭载摄像头拍摄太阳能板的图像，结合人工智能技术自动识别和定位缺陷。但是，从实际的应用效果来看，一些较小的缺陷容易被忽视或错误判定为正常，存在较大的漏检和错检的概率。

技术实现思路

[0003]针对现有技术中上述的不足，本专利技术提供一种基于人工智能的仓库顶棚太阳能板缺陷检测方法，通过对采集到的太阳能板图像进行重构，提升图像的分辨率，进而降低后续缺陷检测时漏检和错检的概率。
[0004]为了达到上述目的，本专利技术采用的解决方案是：一种基于人工智能的仓库顶棚太阳能板缺陷检测方法，包括以下步骤：S100、获取采集到的仓库顶棚上的太阳能板图像，获取训练完成的图像重构网络；其中，本文中所述的太阳能板图像指太阳能板顶部面板部分的图像，所述图像重构网络中设有特征制取模块和重构模块；S200、将所述太阳能板图像输入所述图像重构网络，所述特征制取模块经过运算后生成并输出抽象特征图，所述抽象特征图中包含所述太阳能板图像的特征信息；S300、所述重构模块以所述抽象特征图作为输入，然后重建并输出重制图像，所述重制图像的分辨率大于采集到的太阳能板图像；S400、获取训练完成的缺陷检测网络，将所述重制图像输入所述缺陷检测网络，利用所述缺陷检测网络对太阳能板上可能的缺陷进行检测；其中，所述特征制取模块中依次设有一级特征提取机构、放大机构、二级特征提取机构和缩小机构，所述一级特征提取机构用于对输入所述特征制取模块的特征图进行特征提取操作，所述放大机构用于增大所述一级特征提取机构输出特征图宽度和高度尺寸，所述二级特征提取机构用于对所述放大机构输出的特征图进行特征提取操作，所述缩小机构用于降低所述二级特征提取机构输出特征图宽度和高度尺寸，所述所述缩小机构输出特征图尺寸与所述一级特征提取机构输出特征图尺寸相等。
[0005]进一步地，所述一级特征提取机构中设有多个并联的一级卷积块，所述一级卷积
块包括依次设置的一级卷积层和一级激活层，所述一级特征提取机构中的各个一级卷积层卷积核大小各不相同。
[0006]进一步地，所述放大机构包括顺次设置的第一拼接层、第一卷积层、第一激活层、第一亚像素卷积层和第二激活层，所述第一拼接层用于将各个所述一级卷积块输出的特征图拼接起来。
[0007]进一步地，所述二级特征提取机构中设有多个并联的二级卷积块，所述二级卷积块包括依次设置的二级卷积层和二级激活层，所述二级特征提取机构中的各个二级卷积层卷积核大小各不相同。
[0008]进一步地，所述缩小机构包括多个跨步卷积层，所述跨步卷积层与所述二级卷积块一一对应设置。
[0009]进一步地，所述特征制取模块中还设有末端整合块，所述末端整合块用于将各个所述跨步卷积层输出的特征图融合。
[0010]进一步地，所述二级卷积块的数量与所述一级卷积块的数量相等，所述二级卷积块与所述一级卷积块一一对应设置；所述特征制取模块中还设有多个尺寸变换注意力机构，所述尺寸变换注意力机构与所述跨步卷积层一一对应设置；所述尺寸变换注意力机构以所述放大机构输出的特征图和对应的所述一级卷积块输出的特征图作为输入，然后生成局部注意力图；所述局部注意力图用于对相应跨步卷积层输出的特征图进行调制。
[0011]进一步地，所述尺寸变换注意力机构内部的计算过程表示为如下数学模型：其中，DT表示从一级卷积块输出、并输入到所述尺寸变换注意力机构内的特征图，BT表示从放大机构输出、并输入到所述尺寸变换注意力机构内的特征图；gvp表示对特征图在通道方向做全局方差池化操作，gap表示对特征图在通道方向做全局最大池化操作，gep表示对特征图在通道方向做全局平均池化操作，fp表示池化窗口尺寸为2*2、步长为2的平均池化操作，
×
表示元素对应乘积运算，[]表示对其中的特征图做拼接操作，fcv表示卷积核尺寸为1*1、步长为1的卷积运算，sig表示sigmoid激活函数；L1表示对DT特征图在通道方向做全局方差池化操作后生成的特征图；L2表示对DT做全局最大池化操作生成的特征图与对DT做全局平均池化操作生成的特征图作差后得到的结果；L3表示对特征图BT做池化操作后生成的特征图；L4表示对L3做全局方差池化操作生成的特征图与L1相加后得到的结果；分别对L3做全局最大池化操作和全局平均池化操作后得到的两个特征图作差、然后将作差得到的结果与L2做元素对应乘积后生成特征图L5；LAT表示所述尺寸变换注意力机构生成输出的局部注意力图。
[0012]进一步地，所述图像重构网络中还设有综合注意力模块，所述综合注意力模块以
所有所述局部注意力图作为输入，然后生成并输出综合注意力图，所述综合注意力图用于对所述重制图像进行调制。
[0013]进一步地，所述综合注意力模块包括依次设置的第二拼接层、综合卷积层、第一综合激活层、第二亚像素卷积层和第二综合激活层。
[0014]本专利技术的有益效果是：本专利技术利用图像重构网络对采集到的太阳能板图像进行重构，增大图像的分辨率，丰富了原始图像中部分视觉表现不明显缺陷的图像特征，降低漏检和错检的概率，无需对现有的硬件设备进行升级，使用和运行成本低；特征制取模块内部依次设置一级特征提取机构、放大机构、二级特征提取机构和缩小机构，图像重构网络训练完成后，特征制取模块能够在不同大小的视野下针对性地学习特征图宽度和高度改变前后的映射关系，与现有技术相比（现有技术基本只对特征图进行一次放大操作），多次的缩放操作使网络能够学习到更加稳定和全面的高低分辨率图像特征映射关系，提高重构出图像的质量；尺寸变换注意力机构以放大机构输出的特征图和对应的一级卷积块输出的特征图作为输入，生成的局部注意力图可以从众多特征中针对性强化影响分辨率变化后图像质量的部分，降低重构图像时由于不同特征相互影响而产生畸变的情况，提高网络在细节部分的重构效果，网络的鲁棒性也得到了增强；本专利技术不仅仅在特征提取阶段利用尺寸变换注意力机构学习到的调制信息，而且还设置综合注意力模块将各个层级的调制信息融合后用于图像重构阶段，测试表明，综合注意力模块对重构模块输出的图像进行微调，可以进一步提高图像重构质量；尺寸变换注意力机构内部，先对L1特征图全局最大池化和全局平均池化后生成的两个矩阵作差、对L3特征图全局最大池化和全局平均池化后生成的两个矩阵作差，再将两次作差的结果通过元素对应乘积融合，这样能够消除输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：包括以下步骤：S100、获取采集到的仓库顶棚上的太阳能板图像，获取训练完成的图像重构网络；所述图像重构网络中设有特征制取模块和重构模块；S200、将所述太阳能板图像输入所述图像重构网络，所述特征制取模块经过运算后生成并输出抽象特征图，所述抽象特征图中包含所述太阳能板图像的特征信息；S300、所述重构模块以所述抽象特征图作为输入，然后重建并输出重制图像，所述重制图像的分辨率大于采集到的太阳能板图像；S400、获取训练完成的缺陷检测网络，将所述重制图像输入所述缺陷检测网络，利用所述缺陷检测网络对太阳能板上可能的缺陷进行检测；其中，所述特征制取模块中依次设有一级特征提取机构、放大机构、二级特征提取机构和缩小机构，所述一级特征提取机构用于对输入所述特征制取模块的特征图进行特征提取操作，所述放大机构用于增大所述一级特征提取机构输出特征图宽度和高度尺寸，所述二级特征提取机构用于对所述放大机构输出的特征图进行特征提取操作，所述缩小机构用于降低所述二级特征提取机构输出特征图宽度和高度尺寸，所述缩小机构输出特征图尺寸与所述一级特征提取机构输出特征图尺寸相等。2.根据权利要求1所述的基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：所述一级特征提取机构中设有多个并联的一级卷积块，所述一级卷积块包括依次设置的一级卷积层和一级激活层，所述一级特征提取机构中的各个一级卷积层卷积核大小各不相同。3.根据权利要求2所述的基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：所述放大机构包括顺次设置的第一拼接层、第一卷积层、第一激活层、第一亚像素卷积层和第二激活层，所述第一拼接层用于将各个所述一级卷积块输出的特征图拼接起来。4.根据权利要求3所述的基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：所述二级特征提取机构中设有多个并联的二级卷积块，所述二级卷积块包括依次设置的二级卷积层和二级激活层，所述二级特征提取机构中的各个二级卷积层卷积核大小各不相同。5.根据权利要求4所述的基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：所述缩小机构包括多个跨步卷积层，所述跨步卷积层与所述二级卷积块一一对应设置。6.根据权利要求5所述的基于人工智能的仓库顶棚太阳能板缺陷检测方法，其特征是：所述特征制取模块中还设有末端整合块，所述末端整合块用于将各个所述跨步卷积...

【专利技术属性】
技术研发人员：刘光韬，古亮晶，黄颖琴，罗长虹，
申请(专利权)人：运易通科技有限公司，
类型：发明
国别省市：