基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法技术

本发明专利技术公开了一种基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，首先在多源干扰下获取尺度不一的光伏组件缺陷图像和无缺陷图像；然后，构建缺陷识别模型，缺陷识别模型包括原型向量提取器、特征提取器、显著性突出网络、重构区域提取网络和分类与回归模块；原型向量提取器用于生成类关注原型向量，特征提取器用于生成查询特征图，显著性突出网络利用类关注原型向量和查询特征图生成缺陷显著性图，重构区域提取网络利用缺陷显著性和查询特征图生成缺陷的高级感兴趣区域特征，缺陷的高级感兴趣区域特征经过分类与回归模块得到识别结果；最后，对缺陷识别模型进行训练和测试。该方法能够有效提升多源干扰下尺度不一的光伏组件缺陷的识别精度，在数据稀缺的缺陷识别中也具有较高的识别性能和鲁棒性。

【技术实现步骤摘要】

本专利技术属于光伏组件缺陷识别，具体是一种基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法。

技术介绍

1、光伏组件在光伏电站发电过程中发挥着不可或缺的作用，然而光伏组件的运行环境复杂多变，会遇到来自不同方面的干扰源，主要集中在温度变化、光照不均匀等。随着时间的推移，光伏组件会产生多种尺度不一的缺陷，缺陷区域也可能扩大，导致光伏组件损坏，从而大大降低组件的发电能力，进一步影响光伏电站运行的稳定性。

2、目前，对于光伏组件缺陷识别的方法主要有两种：基于手工特征的方法和基于卷积神经网络的方法。基于手工特征的识别方法需要具有专家经验的专业人员手动设计来自少数光伏模块图像的颜色、纹理、形状或其他光谱线索的特征描述符，然而手工设计的特征描述符通常是不完整的，故这种方法很难推广到各种缺陷类别。与此相反，基于卷积神经网络的识别方法具有精度高、鲁棒性强、泛化性好等优点，已经在视觉检测领域得到了广泛应用，但是现有模型通常需要依赖大量的标注数据，在训练数据稀缺或多源干扰尺度不一的情形下，模型的鲁棒性会变得很差。

3、针对这些问题，本申请提出了一种基于本文档来自技高网...

【技术保护点】

1.一种基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，所述原型向量提取器包括主干网络和RoI Align模块，缺陷图像经过主干网络生成不同尺度的支持特征图，通过RoI Align模块将真实边界框映射到各个支持特征图上，得到不同尺度的缺陷潜在特征，并将不同尺度的缺陷潜在特征压缩为类关注原型向量。

3.根据权利要求1或2所述的基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，将各类关注原型向量和对应的查询特征图输入到显著性突出网络中，...

【技术特征摘要】

1.一种基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，所述原型向量提取器包括主干网络和roi align模块，缺陷图像经过主干网络生成不同尺度的支持特征图，通过roi align模块将真实边界框映射到各个支持特征图上，得到不同尺度的缺陷潜在特征，并将不同尺度的缺陷潜在特征压缩为类关注原型向量。

3.根据权利要求1或2所述的基于元学习的多源干扰光伏组件缺陷多尺度鲁棒识别方法，其特征在于，将各类关注原型向量和对应的查询特征图输入到显著性突出网络中，生成各个分类显著性图；沿着通道维度将所有分类显著性图进行拼接，得到特征映射；再沿着通道维度对特征映射进行最小化和最大化，得到潜在背景显著性图和潜在缺陷显著性图；最后，从潜在缺陷显著性图中减去潜在背景显著性图，得到显著性...

【专利技术属性】
技术研发人员：陈海永，张家萌，张雅琇，张慧芳，王楚涵，赵参参，王世杰，马骁，薛辉，陈泽，赵建利，刘良帅，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：