基于YOLOv8模型的光伏组件定位识别方法、系统及存储介质技术方案

本发明专利技术涉及光伏组件回收技术领域，具体为基于YOLOv8模型的光伏组件定位识别方法、系统及存储介质。所述系统运用了所述方法，包括S1：对样本数据进行处理；S2：训练正反面识别模型；S3：基于YOLOv8模型训练接线盒定位模型；S4：对训练好的模型进行通道剪枝操作；S5：对模型进行知识蒸馏操作；S6：利用模型对光伏组件进行检测。该技术方案能够正确区分光伏组件的正反面，对接线盒的位置进行定位。对接线盒的位置进行定位。对接线盒的位置进行定位。

【技术实现步骤摘要】
基于YOLOv8模型的光伏组件定位识别方法、系统及存储介质


[0001]本专利技术涉及光伏组件回收
，具体为基于YOLOv8模型的光伏组件定位识别方法、系统及存储介质。

技术介绍

[0002]光伏发电系统广泛应用于偏僻山区、无电区、海岛、通信基站和路灯等应用场所，光伏组件是光伏发电系统中的核心部分，其作用是将太阳的辐射能转换为电能，或送往蓄电池中存储起来，或推动负载工作。光伏组件由铝边框、玻璃盖板、太阳能电池片、下底板、接线盒组成，光伏组件是一种系列尺寸的组件。铝边框与上玻璃盖板和下底板之间通过密封胶密封连接，接线盒通过密封胶定位在上玻璃盖板上。
[0003]光伏组件有正反面之分，正面用于采集太阳辐射，反面设有接线盒用于连接系统，在当光伏组件需要返厂维修，或退役后的光伏组件需要回收时，需要正确区分光伏组件的正反面，以便进行相应的拆除流程，此外在光伏组件反面拆除时，还需精准地对接线盒位置进行定位，以方便在光伏组件反面安装接线盒。

技术实现思路

[0004]本专利技术的目的在于：提出基于YOLOv8模型的光伏组件定位识别方法、系统及存储介质，该技术方案能够正确区分光伏组件的正反面，对接线盒的位置进行定位。
[0005]为实现上述目的，本专利技术提供的基础方案：基于YOLOv8模型的光伏组件定位识别方法，S1：对样本数据进行处理；S2：训练正反面识别模型；S3：基于YOLOv8模型训练接线盒定位模型；S4：对训练好的模型进行通道剪枝操作；S5：对模型进行知识蒸馏操作；S6：利用模型对光伏组件进行检测。
[0006]基础方案的有益效果：S1进行样本处理，为S2、S3的训练提供充足的训练材料；S2、S3分别训练正反面识别模型与接线盒定位模型，方便后续进行识别；S4进行通道剪枝操作删除神经网络中不必要的连接和节点，减少模型的冗余和复杂度，实现模型的轻量化和加速；S5进行知识蒸馏使剪枝后的模型恢复精度，实现对检测模型的压缩，进而提升目标检测的性能。
[0007]作为优选方案，所述S1包括：S11：建立正反面识别训练集和测试集，提取训练图像的HOG纹理特征和HSV颜色特征，将其合并为特征向量；S12：建立接线盒定位识别训练集和测试集，对训练图像进行处理操作，处理操作包括刚体变换、随机裁剪、亮度调节、添加噪声；
S13：对训练集进行数据增强；S14：对训练数据进行归一化处理。
[0008]S11对正反面的主要特征进行提取，使模型能够精准识别，S12对训练图像进行处理，提高图像的质量，使得图像的特征更明显，方便处理和比较；S13进行数据增强丰富了增加了不同尺度和背景的目标，提高了模型的鲁棒性；S14使模型训练更容易收敛。
[0009]作为优选方案，所述S2包括：S21：通过逻辑回归进行训练；S22：使用二值分类器、混淆矩阵和F1值作为评价指标；S23：通过超参数调优自动得到最优的超参数组合。
[0010]S21逻辑回归进行训练能够准确快速计算出特征系数，S22用于对性能进行评估，能够保证该模型的精度；S3超参数调优避免了手动调整的盲目性和繁琐性，减少人工干预的时间和效率成本，加速模型的训练过程，同时提升模型的预测精度性能。
[0011]作为优选方案，所述S3包括：S31：将训练数据组合成dataloder进行训练；S32：提取特征图，送入若干检测头对不同尺寸训练接线盒进行定位。
[0012]S31中dataloder可以提供多个线程处理数据集，用来把训练数据分成多个小组，进行数据初始化；S32设置多个检测头，能够覆盖更多的目标范围和比例。
[0013]作为优选方案，所述S4包括：S41：将BN层的γ参数作为网络修剪的缩放因子，设定目标模型的损失函数；S42：引入L1正则化对模型进行稀疏训练，损失函数公式如下：式中表示原本模型正常训练的损失函数，是正则项系数，是所有通道的缩放因子总和。
[0014]S43：设置压缩比例，对缩放因子进行排序；S44：根据压缩比例确定剪枝范围；S45：删除处于剪枝范围内的缩放因子对应的通道数，剪掉对应通道相关的输入和输出的连接关系。
[0015]S41通过损失函数表现预测与实际数据的差距程度，衡量模型预测的好坏，缩放因子的加入也为后面对模型剪枝奠定基础；S42引入L1正则化能够有效减少过拟合的风险；S43
‑
S44对缩放因子进行排序，从而筛选保留影响更大的缩放因子对应的通道，实现压缩模型。
[0016]作为优选方案，所述S5包括：S51：确定教师模型与学生模型；S52：在模型的softmax多分类层引入蒸馏温度，公式如下：
其中代表输出标签，为蒸馏温度。
[0017]S53：持续进行知识蒸馏，最终输出蒸馏后的学生模型。
[0018]S51使得知识蒸馏能够正常进行以恢复剪枝后的模型精度；S52引入蒸馏温度，便于信息获取，方便模型更好地学习，同时增强了网络的泛化能力。
[0019]作为优选方案，所述S6包括：S61：规正光伏组件位置；S62：采集光伏组件图像；S63：送入到模型进行推理预测。
[0020]S61使得光伏组件能够正确进入图像采集区，便于S62采集图像保证推理预测精度。
[0021]作为优选方案，所述 S62包括：S62
‑
1：在影像采集识别区域的两侧设置标度尺作为参照物；S62
‑
2：通过环形灯进行补光并拍摄照片。
[0022]S62
‑
1引入标度尺使的图像识别时方便获取光伏组件的真实尺寸，使得本方案能够适配更多尺寸的光伏组件，S62
‑
2通过环形灯进行补光能够保证图像采集质量，同时环形灯为柔性等灯光避免反射，也避免单侧补光产生阴影，影响识别精度。
[0023]基于YOLOv8模型的光伏组件定位识别系统，该方法采用了上述基于YOLOv8模型的光伏组件定位识别方法的步骤。
[0024]本实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述基于YOLOv8模型的光伏组件定位识别方法。
附图说明
[0025]图1是基于YOLOv8模型的光伏组件定位识别方法的逻辑图；图2是YOLOv8模型的骨干网络示意图。
具体实施方式
[0026]下面通过具体实施方式对本申请技术方案进行进一步详细说明：如图1所示的基于YOLOv8模型的光伏组件定位识别方法，具体步骤如下：S1：进行样本数据预处理，包括：S11：建立正反面识别训练集和测试集，提取训练图像的HOG纹理特征和HSV颜色特征，将其合并为特征向量。
[0027]S12：建立接线盒定位识别训练集和测试集，对训练图像进行刚体变换、随机裁剪、亮度调节、添加噪声等处理，使模型具有更强的泛化能力，同时对接线盒在训练图像上的位置进行标注。
[0028]S13：对训练集进行数据增强，以达到丰富数据集的目的，本实施例中采用Mosaic数据增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于YOLOv8模型的光伏组件定位识别方法，其特征在于：包括：S1：对样本数据进行处理；S2：训练正反面识别模型；S3：基于YOLOv8模型训练接线盒定位模型；S4：对训练好的模型进行通道剪枝操作；S5：对模型进行知识蒸馏操作；S6：利用模型对光伏组件进行检测。2.根据权利要求1所述的基于YOLOv8模型的光伏组件定位识别方法，其特征在于：所述S1包括：S11：建立正反面识别训练集和测试集，提取训练图像的HOG纹理特征和HSV颜色特征，将其合并为特征向量；S12：建立接线盒定位识别训练集和测试集，对训练图像进行处理操作，处理操作包括刚体变换、随机裁剪、亮度调节、添加噪声；S13：对训练集进行数据增强；S14：对训练数据进行归一化处理。3.根据权利要求1所述的基于YOLOv8模型的光伏组件定位识别方法，其特征在于：所述S2包括：S21：通过逻辑回归进行训练；S22：使用二值分类器、混淆矩阵和F1值作为评价指标；S23：通过超参数调优自动得到最优的超参数组合。4.根据权利要求1所述的基于YOLOv8模型的光伏组件定位识别方法，其特征在于：所述S3包括：S31：将训训练数据组合成dataloder进行训练；S32：提取特征图，送入若干检测头对不同尺寸训练接线盒进行定位。5.根据权利要求1所述的基于YOLOv8模型的光伏组件定位识别方法，其特征在于：所述S4包括：S41：将BN层的γ参数作为网络修剪的缩放因子，设定目标模型的损失函数；S42：引入L1正则化对模型进行稀疏训练，损失函数公式如下：式中表示原本...

【专利技术属性】
技术研发人员：朱新才，彭军，何苑民，牟标，彭飞，
申请(专利权)人：重庆中德未来工厂研究院，
类型：发明
国别省市：