一种光伏面板缺陷检测模型确定和光伏面板缺陷检测方法技术

本发明专利技术公开了一种光伏面板缺陷检测模型确定和光伏面板缺陷检测方法，所述光伏面板缺陷检测模型确定方法包括：获取光伏面板图像数据集、图像特征提取网络和全卷积检测网络；利用全卷积结构对全卷积检测网络进行修改，得到单阶段卷积检测网络；基于图像特征提取网络，增加特征融合增强网络，进一步确定目标卷积神经网络，并将光伏面板图像数据集输入目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。本发明专利技术采用全卷积结构将现有的全卷积检测网络改进为单阶段卷积检测网络，大大降低了计算资源的消耗，简化了检测处理步骤，提升了检测速度；通过增加特征融合增强网络提高了特征的利用率。络提高了特征的利用率。络提高了特征的利用率。

【技术实现步骤摘要】
一种光伏面板缺陷检测模型确定和光伏面板缺陷检测方法


[0001]本专利技术涉及深度学习
，具体涉及一种光伏面板缺陷检测模型确定和光伏面板缺陷检测方法。

技术介绍

[0002]传统的光伏面板缺陷检测方法主要是采用人工筛查的方法，不仅排查速度慢且效率非常低，另一种方式是采用红外热成像仪等检测设备获取相关光伏面板图片，再采用人工筛查和识别的方式判断出缺陷位置，其缺陷的判断和定位仍离不开人的主观参与，应用局限性非常大。近些年深度学习技术发展迅速，以深度神经网络为基础的图像处理算法被赋予了强大的图像特征提取能力，这也被运用于光伏面板的缺陷检测。
[0003]但是现有基于深度神经网络学习的光伏面板缺陷检测模型存在模型参数量巨大，检测过程复杂，对硬件要求高，检测速度慢等缺点。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了涉及一种光伏面板缺陷检测模型确定和光伏面板缺陷检测方法，以解决现有技术中光伏面板缺陷检测模型存在模型参数量巨大，检测过程复杂，对硬件要求高，检测速度慢等缺点的技术问题。
[0005]本专利技术提出的技术方案如下：
[0006]第一方面，本专利技术实施例提供一种光伏面板缺陷检测模型确定方法，该光伏面板缺陷检测模型确定方法包括：获取光伏面板图像数据集和初始卷积神经网络，所述初始卷积神经网络包括图像特征提取网络和全卷积检测网络；利用全卷积结构对所述全卷积检测网络进行修改，得到单阶段卷积检测网络；基于所述图像特征提取网络，增加特征融合增强网络，所述特征融合增强网络分别与所述图像特征提取网络和所述单阶段卷积检测网络连接；基于所述图像特征提取网络、所述特征融合增强网络和所述单阶段卷积检测网络确定目标卷积神经网络；将所述光伏面板图像数据集输入所述目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。
[0007]结合第一方面，在第一方面的一种可能的实现方式中，将所述光伏面板图像数据集输入所述目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型，包括：基于所述光伏面板图像数据集，经过所述目标卷积神经网络中所述图像特征提取网络和所述特征融合增强网络处理，得到目标图像特征数据集；基于所述目标图像特征数据集，经过预设设定规则，得到至少一个先验检测框；基于所述目标图像特征数据集，利用所述目标卷积神经网络中所述单阶段卷积检测网络对每个所述先验检测框进行类别预测和位置更新，直至得到目标检测框时停止预测和更新，并建立所述光伏面板缺陷检测模型。
[0008]结合第一方面，在第一方面的另一种可能的实现方式中，所述单阶段卷积检测网络包括第一卷积层和第二卷积层；基于所述目标图像特征数据集，利用所述单阶段卷积检测网络对每个所述先验检测框进行类别预测和位置更新，得到目标检测框，包括：基于所述
目标图像特征数据集和每个所述先验检测框，经过所述单阶段卷积检测网络中所述第一卷积层预测，得到每个所述先验检测框的分类结果和分类置信度值；基于所述目标图像特征数据集、每个所述先验检测框的所述分类结果和所述分类置信度值，经过所述单阶段卷积检测网络中所述第二卷积层预测，得到每个所述先验检测框的坐标回归值；基于每个所述先验检测框的所述分类置信度值和所述坐标回归值，经过预设过滤方法和非极大抑制算法处理，得到所述目标检测框。
[0009]结合第一方面，在第一方面的又一种可能的实现方式中，基于所述目标图像特征数据集、每个所述先验检测框的所述分类结果和所述分类置信度值，经过所述单阶段卷积检测网络中所述第二卷积层预测，得到每个所述先验检测框的坐标回归值，包括：获取每个所述先验检测框的坐标位置、第一坐标位置偏移量和预设标记真值；基于所述坐标位置和所述预设标记真值确定第二坐标位置偏移量；基于每个所述先验检测框的所述分类结果和所述分类置信度值建立分类损失函数；基于所述第一坐标位置偏移量和所述第二坐标位置偏移量建立回归损失函数；基于所述分类损失函数和所述回归损失函数，确定目标损失函数；基于所述第一坐标位置偏移量和所述坐标位置，经过所述目标损失函数，得到每个所述先验检测框的坐标回归值。
[0010]结合第一方面，在第一方面的又一种可能的实现方式中，基于每个所述先验检测框的所述分类置信度值和所述坐标回归值，经过预设过滤方法和非极大抑制算法处理，得到所述目标检测框，包括：获取预设分类置信度值阈值；基于每个所述先验检测框的所述分类置信度值和所述坐标回归值，生成至少一个第一检测框；将每个所述第一检测框的所述分类置信度值分别与所述预设分类置信度值阈值进行比对；当所述分类置信度值大于所述预设分类置信度值阈值，过滤所述第一检测框，并得到至少一个第二检测框；基于每个所述第二检测框，经过所述非极大抑制算法处理，得到所述目标检测框。
[0011]第二方面，本专利技术实施例提供一种光伏面板缺陷检测方法，该光伏面板缺陷检测方法包括：获取待检测光伏面板的图像数据集；将所述图像数据集输入光伏面板缺陷检测模型，得到目标检测框的坐标回归值，所述光伏面板缺陷检测模型为根据如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法得到，所述目标检测框为所述待检测光伏面板的缺陷图像对应的框图；基于所述坐标回归值，在所述图像数据集中确定所述待检测光伏面板的缺陷位置。
[0012]第三方面，本专利技术实施例提供一种光伏面板缺陷检测模型的确定装置，该光伏面板缺陷检测模型的确定装置包括：第一获取模块，用于获取光伏面板图像数据集和初始卷积神经网络，所述初始卷积神经网络包括图像特征提取网络和全卷积检测网络；修改模块，用于利用全卷积结构对所述全卷积检测网络进行修改，得到单阶段卷积检测网络；增加模块，用于基于所述图像特征提取网络，增加特征融合增强网络，所述特征融合增强网络分别与所述图像特征提取网络和所述单阶段卷积检测网络连接；第一确定模块，用于基于所述图像特征提取网络、所述特征融合增强网络和所述单阶段卷积检测网络确定目标卷积神经网络；训练模块，用于将所述光伏面板图像数据集输入所述目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。
[0013]第四方面，本专利技术实施例提供一种光伏面板缺陷检测装置，该光伏面板缺陷检测装置包括：第二获取模块，用于获取待检测光伏面板的图像数据集；输入模块，用于将所述
图像数据集输入光伏面板缺陷检测模型，得到目标检测框的坐标回归值，所述光伏面板缺陷检测模型为根据如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法得到，所述目标检测框为所述待检测光伏面板的缺陷图像对应的框图；第二确定模块，用于基于所述坐标回归值，在所述图像数据集中确定所述待检测光伏面板的缺陷位置。
[0014]第五方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使所述计算机执行如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法，或如本专利技术实施例第二方面所述的光伏面板缺陷检测方法。
[0015]第六方面，本专利技术实施例提供一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏面板缺陷检测模型确定方法，其特征在于，所述方法包括：获取光伏面板图像数据集和初始卷积神经网络，所述初始卷积神经网络包括图像特征提取网络和全卷积检测网络；利用全卷积结构对所述全卷积检测网络进行修改，得到单阶段卷积检测网络；基于所述图像特征提取网络，增加特征融合增强网络，所述特征融合增强网络分别与所述图像特征提取网络和所述单阶段卷积检测网络连接；基于所述图像特征提取网络、所述特征融合增强网络和所述单阶段卷积检测网络确定目标卷积神经网络；将所述光伏面板图像数据集输入所述目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。2.根据权利要求1所述的方法，其特征在于，将所述光伏面板图像数据集输入所述目标卷积神经网络进行训练，直至得到满足条件的光伏面板缺陷检测模型，包括：基于所述光伏面板图像数据集，经过所述目标卷积神经网络中所述图像特征提取网络和所述特征融合增强网络处理，得到目标图像特征数据集；基于所述目标图像特征数据集，经过预设设定规则，得到至少一个先验检测框；基于所述目标图像特征数据集，利用所述目标卷积神经网络中所述单阶段卷积检测网络对每个所述先验检测框进行类别预测和位置更新，直至得到目标检测框时停止预测和更新，并建立所述光伏面板缺陷检测模型。3.根据权利要求2所述的方法，其特征在于，所述单阶段卷积检测网络包括第一卷积层和第二卷积层；基于所述目标图像特征数据集，利用所述单阶段卷积检测网络对每个所述先验检测框进行类别预测和位置更新，得到目标检测框，包括：基于所述目标图像特征数据集和每个所述先验检测框，经过所述单阶段卷积检测网络中所述第一卷积层预测，得到每个所述先验检测框的分类结果和分类置信度值；基于所述目标图像特征数据集、每个所述先验检测框的所述分类结果和所述分类置信度值，经过所述单阶段卷积检测网络中所述第二卷积层预测，得到每个所述先验检测框的坐标回归值；基于每个所述先验检测框的所述分类置信度值和所述坐标回归值，经过预设过滤方法和非极大抑制算法处理，得到所述目标检测框。4.根据权利要求3所述的方法，其特征在于，基于所述目标图像特征数据集、每个所述先验检测框的所述分类结果和所述分类置信度值，经过所述单阶段卷积检测网络中所述第二卷积层预测，得到每个所述先验检测框的坐标回归值，包括：获取每个所述先验检测框的坐标位置、第一坐标位置偏移量和预设标记真值；基于所述坐标位置和所述预设标记真值确定第二坐标位置偏移量；基于每个所述先验检测框的所述分类结果和所述分类置信度值建立分类损失函数；基于所述第一坐标位置偏移量和所述第二坐标位置偏移量建立回归损失函数；基于所述分类损失函数和所述回归损失函数，确定目标损失函数；基于所述第一坐标位置偏移量和所述坐标位置，经过所述目标损失函数，得到每个所述先验检测框的坐标回归值。5.根据权利要求4所述的方法，其特征在于，基于每个所述先验检测框的所述分类置信
...

【专利技术属性】
技术研发人员：王银，孙勇，刘瑞阔，谷昱君，李伟，胡德鹏，姚维为，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：