【技术实现步骤摘要】
本专利技术涉及设备检测，尤其涉及一种基于深度学习的光伏板缺陷检测方法、装置、设备及存储介质。
技术介绍
1、为了应对日益严重的全球气温变暖问题，国际社会采取了一系列行动，如节能减排、推广可再生能源和提倡可持续生活方式。太阳能作为可再生能源的一种，已经被广泛用于发电系统中，以减少温室气体的排放。在太阳能发电系统中，多晶硅太阳能光伏板是目前最常见和广泛应用的光伏电池类型。然而，在多晶硅太阳能光伏板的生产和运输过程中，由于材料不均匀、工艺不完善、震动或碰撞的因素，可能导致多晶硅太阳能光伏板上产生一些缺陷如裂纹、划痕或破损等。多晶硅太阳能光伏板上的缺陷可能会降低能量转换效率，增加系统故障风险，减少系统寿命并造成安全隐患。
2、有鉴于此，亟需一种太阳能光伏板的缺陷检测方法、装置、设备及存储介质，用于检测多晶硅太阳能光伏板上可能存在的缺陷。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种基于深度学习的光伏板缺陷检测方法、装置、设备及存储介质，旨在解决现有技术中如何根据待检测光伏图像对多晶硅光伏板表面缺陷进行检测的技术问题。
2、为实现上述目的，本专利技术提供了一种基于深度学习的光伏板缺陷检测方法，所述方法包括以下步骤：
3、将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集；
4、根据所述待检测骨干特征图像集进行特
5、对所述待分类缺陷结果进行缺陷分类检测，得到缺陷检测结果。
6、可选地，将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集，具体包括：
7、获取待检测光伏图像，并将所述待检测光伏图像输入到训练后的缺陷检测模型中进行图像归一化处理，得到处理后的待检测光伏图像；
8、对所述处理后的待检测光伏图像进行骨干特征提取，得到待检测骨干特征图像集。
9、可选地，根据所述待检测骨干特征图像集进行特征融合，得到待分类缺陷结果，具体包括：
10、根据所述待检测骨干特征图像集进行特征强化，得到强化后的待融合骨干特征图像集；
11、对强化后的待融合骨干特征图像集进行特征融合，得到初步待分类缺陷结果；
12、对所述初步待分类缺陷结果进行特征细化，得到所述待分类缺陷结果。
13、可选地，根据所述待检测骨干特征图像集进行特征强化，得到强化后的待融合骨干特征图像集，具体包括：
14、对所述待检测骨干特征图像集进行特征维度调整，得到调整后的待检测骨干特征图像集；
15、根据通道注意力权重和通道细化特征进行数据运算，得到特征强化数据；
16、基于所述特征强化数据和所述调整后的待检测骨干特征图像集进行特征强化，得到所述强化后的待融合骨干特征图像集。
17、可选地，对强化后的待融合骨干特征图像集进行特征融合，得到初步待分类缺陷结果，具体包括：
18、对强化后的待融合骨干特征图像集进行上采样特征融合，得到初步融合的骨干特征图像集；
19、对所述初步融合的骨干特征图像集进行下采样特征融合，得到所述初步待分类缺陷结果。
20、可选地，对所述初步待分类缺陷结果进行特征细化，得到所述待分类缺陷结果，具体包括：
21、基于所述通道注意力权重对所述初步待分类缺陷结果进行第一次特征强化，得到第一强化待分类缺陷结果；
22、基于空间注意力权重对所述第一强化待分类缺陷结果进行第二次特征强化，得到第二强化待分类缺陷结果；
23、根据所述初步待分类缺陷结果和所述第二强化待分类缺陷结果进行特征细化，得到所述待分类缺陷结果。
24、可选地，其特征在于，对所述待分类缺陷结果进行缺陷分类检测，得到缺陷检测结果，具体包括：
25、对所述待分类缺陷结果进行边界框回归处理，得到相应的回归处理结果，再根据所述回归处理结果进行缺陷分类检测，得到所述缺陷检测结果。
26、此外，为实现上述目的，本专利技术还提出一种基于深度学习的光伏板缺陷检测装置，所述基于深度学习的光伏板缺陷检测装置包括：
27、特征提取模块：将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集；
28、特征融合模块：根据所述待检测骨干特征图像集进行特征融合，得到待分类缺陷结果；
29、缺陷分类模块：对所述待分类缺陷结果进行缺陷分类检测，得到缺陷检测结果。
30、此外，为实现上述目的，本专利技术还提出一种基于深度学习的光伏板缺陷检测设备，所述基于深度学习的光伏板缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的光伏板缺陷检测程序，所述基于深度学习的光伏板缺陷检测程序配置为实现如上文所述的基于深度学习的光伏板缺陷检测方法的步骤。
31、此外，为实现上述目的，本专利技术还提出一种存储有计算机程序的计算机可读存储介质，所述存储介质上存储有基于深度学习的光伏板缺陷检测程序，所述基于深度学习的光伏板缺陷检测程序被处理器执行时实现如上文所述的基于深度学习的光伏板缺陷检测方法的步骤。
32、本专利技术先将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集；再根据所述待检测骨干特征图像集进行特征融合，得到待分类缺陷结果；最后对所述待分类缺陷结果进行缺陷分类检测，得到缺陷检测结果。本专利技术基于训练后的缺陷检测模型对待检测光伏图像进行特征提取，进而再对提取的图像特征进行相应的检测分类，得到最终的缺陷检测结果，实现了对多晶硅光伏板表面缺陷的存在性检测，极大的提高了检测效率和检测准确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的光伏板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的光伏板缺陷检测方法，其特征在于，将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集，具体包括：
3.根据权利要求1所述的基于深度学习的光伏板缺陷检测方法，其特征在于，根据所述待检测骨干特征图像集进行特征融合，得到待分类缺陷结果，具体包括：
4.根据权利要求3所述的基于深度学习的光伏板缺陷检测方法，其特征在于，根据所述待检测骨干特征图像集进行特征强化，得到强化后的待融合骨干特征图像集，具体包括：
5.根据权利要求4所述的基于深度学习的光伏板缺陷检测方法，其特征在于，对强化后的待融合骨干特征图像集进行特征融合，得到初步待分类缺陷结果，具体包括：
6.根据权利要求5所述的基于深度学习的光伏板缺陷检测方法，其特征在于，对所述初步待分类缺陷结果进行特征细化，得到所述待分类缺陷结果，具体包括：
7.根据权利要求1-6中任一项所述的基于深度学习的光伏板缺陷检测方法，其特征在于，对所述待分类
8.一种基于深度学习的光伏板缺陷检测装置，其特征在于，所述基于深度学习的光伏板缺陷检测装置包括：
9.一种基于深度学习的光伏板缺陷检测设备，其特征在于，所述基于深度学习的光伏板缺陷检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的光伏板缺陷检测程序，所述基于深度学习的光伏板缺陷检测程序配置为实现根据权利要求1至7中任一项所述的基于深度学习的光伏板缺陷检测方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被处理器执行时能够实现权利要求1至7任一项所述的基于深度学习的光伏板缺陷检测方法中的步骤。
...【技术特征摘要】
1.一种基于深度学习的光伏板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的光伏板缺陷检测方法，其特征在于，将待检测光伏图像输入到训练后的缺陷检测模型中进行骨干特征提取，得到待检测骨干特征图像集，具体包括：
3.根据权利要求1所述的基于深度学习的光伏板缺陷检测方法，其特征在于，根据所述待检测骨干特征图像集进行特征融合，得到待分类缺陷结果，具体包括：
4.根据权利要求3所述的基于深度学习的光伏板缺陷检测方法，其特征在于，根据所述待检测骨干特征图像集进行特征强化，得到强化后的待融合骨干特征图像集，具体包括：
5.根据权利要求4所述的基于深度学习的光伏板缺陷检测方法，其特征在于，对强化后的待融合骨干特征图像集进行特征融合，得到初步待分类缺陷结果，具体包括：
6.根据权利要求5所述的基于深度学习的光伏板缺陷检测方法，其特征在于，对所述初步...
【专利技术属性】
技术研发人员：袁小晨，包浚杞，林灿堂，严肇基，
申请(专利权)人：澳门理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。