【技术实现步骤摘要】
本专利技术涉及光伏检测，具体涉及一种基于知识迁移与数据生成的光伏板碎裂检测方法。
技术介绍
1、光伏板表面裂纹会导致光伏系统发电效率降低，并引发腐蚀、灼烧等并发故障，进行光伏板碎裂状态智能识别对光伏电站发电效率和高效运维有重要意义。深度神经网络在广泛的机器学习应用中取得了许多成功。然而，这些成功是基于手动收集和标记每个特定任务的大量训练数据而获得的。由于在现实场景下很难收集到足够的光伏板碎裂的数据，因此需要从很多途径获取不同背景下的光伏板碎裂数据来弥补真实场景下光伏板碎裂样本不足的问题。由预先收集的训练数据和各种途径下载的数据的不同分布引起的分布偏移成为阻碍深度神经网络在应用中表现良好的关键障碍。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于知识迁移与数据生成的光伏板碎裂检测方法，以解决现有技术中的对光伏板碎裂检测结果精度低的问题。
2、第一方面，本专利技术提供了一种基于知识迁移与数据生成的光伏板碎裂检测方法，包括：
3、将预设图像库中的光伏板图像作为源域数...
【技术保护点】
1.一种基于知识迁移与数据生成的光伏板碎裂检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设网络模型为三维变分自动编码器3DVAENet，包括3D识别网络和3D生成网络。
3.根据权利要求2所述的方法，其特征在于，基于源域数据集中的图像通过训练包括生成网络和识别网络的预设网络模型，得到包含源域知识的第一网络模型的过程，包括：
4.根据权利要求3所述的方法，其特征在于，基于目标域数据集中的图像通过训练包括生成网络和识别网络的预设网络模型，得到包含目标域知识的第二网络模型的过程，包括：
...
【技术特征摘要】
1.一种基于知识迁移与数据生成的光伏板碎裂检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设网络模型为三维变分自动编码器3dvaenet，包括3d识别网络和3d生成网络。
3.根据权利要求2所述的方法，其特征在于，基于源域数据集中的图像通过训练包括生成网络和识别网络的预设网络模型，得到包含源域知识的第一网络模型的过程，包括：
4.根据权利要求3所述的方法，其特征在于，基于目标域数据集中的图像通过训练包括生成网络和识别网络的预设网络模型，得到包含目标域知识的第二网络模型的过程，包括：
5.根据权利要求4所述的方法，其特征在于，所述从源域数据集选择偶数张图像组成输入立方体xs和从目标域数据集选择偶数张图像组成输入立方体xt的过程均包括：
6.根据权利要求4所述的方法，其特征在于，所述同时利用源域数据集和目标域数据集中的图像，并与第一网络模型和第二网络模型先前学习的分布对齐来训练所述预设网络模型，得到包含源域样本和目标域样本统一分布的第三网络模型的过程，包括：
7.根据权利要求6所述的方法，其特征在于，所述两个正则项为基于网络st3dvaenet和包含源域知识的网络s3dvaenet之间的分布差以及网络st3dvaenet和包含目标域知识的网络t3dvaenet之间分布差，网络st3dvaenet的输入立方体xst由来自源域...
【专利技术属性】
技术研发人员：史存存，吴春鹏，林龙，陈明昊，孙毅，李勇，孙树敏，于芃，
申请(专利权)人：国网智能电网研究院有限公司，
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。