【技术实现步骤摘要】
本专利技术涉及一种太阳能光伏板缺陷检测方法，属于光伏发电。
技术介绍
1、在光伏发电系统中，光伏组件是其最重要的组件，其主要是利用硅晶半导体材料将太阳能转换为电能，因此，光伏系统的光电转换效率主要受其所接受到的太阳光辐射强度的高低影响。而大多数光伏组件多安装于室外，在运输和使用的过程中难免会遭受到碰撞、风沙侵蚀等等损害，进而不可避免的产生诸如裂缝、断栅和斑点等等缺陷，为了提高光伏组件的转换率、利用率以及使用寿命，在实际工作中需要对这些缺陷进行监测和有效防护，因此，稳定可靠的监控系统与缺陷检测技术起到了至关重要的作用。
2、现有对光伏组件缺陷进行检测，主要有以下几种方法：
3、1、传统的运行维护光伏电站，主要依赖于采用人工检查的方法，工人直接观察太阳能光伏板，并通过肉眼观测或者凭借经验检测出太阳能光伏板表面缺陷的具体位置及类别的方法。这种方法的优点是不需要太高的技术含量，实际操作简单，缺点是需要消耗人工时间和精力，并且由于光伏发电系统的规模建设的增大，并且受制于不同地形，导致其分布较为杂乱，人工巡检的方法效率较低，而工作人员在长时间的检测中，也容易出现精神疲劳等问题，从而导致检测出错。
4、2、激光扫描的方法利用了电池硅片的分布特性，通过激光扫描电池来检测太阳能光伏板的缺陷，这种方法需要通过对电池添加外部电流从而实现正向偏置，精度和效率都不高。
5、3、声波的方法利用机械激发太阳能光伏板振动的模式，实现了声学测量结果，但通过对声波的频率分析也只能检测出来裂缝缺陷，同时这种方法也可能对
6、4、赫兹谱方法通过分析太阳能光伏板多硅晶的光谱，来判断电池材料分布的变化，从而检测出有缺陷的地方，但这种方法难度较大且检测效率低，也无法具体判断出缺陷的类别。
7、5、电学检测法，利用了制作太阳能光伏板的材料具有导电性的这一特性，在太阳能光伏板上设计出各种形式的电路，测试经过其的电流(或电压)，通过观察其变化来检测太阳能光伏板的缺陷，可由于过程中施加了外部因素，如若有电路设计不合理，参数设置不当等问题，甚至是人工操作失误，都可能会对太阳能光伏板造成损伤，且这种来自外部的损伤是破坏性的。
8、6、通过无人机获取光伏板的图像数据，利用机器视觉方法检测太阳能光伏板上的缺陷。从数学建模的角度来看，可以将视觉检测法分为几类：变换域分析法、图像域分析法和深度学习法。图像域分析法包括聚类法、矩阵分解法、梯度特征法等，变换域分析法包括小波变换法、傅里叶变换法等。在物理检测方法的研究有：通过设计独特的电路，用于分析经过太阳能光伏板的电流(或电压)的变化，来检测太阳能光伏板上的缺陷。利用声波不同的频率检测太阳能光伏板上的裂纹缺陷，不过这种算法只能用来检测裂纹缺陷，具有很大的局限性。利用光强反射图像是否扭曲来检测裂纹缺陷。基于样本是否具有缺陷会生成不同的噪音的原理，通过比对噪声特性的区别，来判断太阳能光伏板的表面是否存在缺陷，但是这种方法的效果并不理想，仅能判断缺陷是否存在，无法判断具体的缺陷类型。
9、7、随着深度学习算法的井喷式发展，基于深度学习的光伏板缺陷检测方法研究也逐渐深入。通过将随机森林与卷积神经网络相结合，用以识别太阳光伏板缺陷的方法，这种方法有效的提高了识别的精度和速度，并在输入图像上对缺陷进行了标注。利用了densenet网络模型，用以检测室外太阳能光伏板的缺陷，并在此基础上进行了一系列的改进措施，比如对batch normalization层进行调整，加入了l2正则化用以解决过拟合问题等，以此取得了较好的检测效果，在检测中能够有效的区分出光伏板损伤的不同程度情况。采取迁移学习的方法，对太阳能光伏板的缺陷识别有较好的效果。
技术实现思路
1、本专利技术目的是为了解决现有对太阳能光伏板进行检测的方法存在缺陷识别效果较差、检测精度较低的问题，提供了一种基于改进卷积神经网络的太阳能光伏板缺陷检测方法。
2、本专利技术所述的一种基于改进卷积神经网络的太阳能光伏板缺陷检测方法，它包括：
3、s1、在公共数据集中提取光伏板缺陷图像数据集，对图像数据集中的缺陷进行标记，采用方框对缺陷进行标注，并对缺陷进行命名和分类，生成与全部图像数据集对应的xml文件，然后将光伏板缺陷的图像与对应的xml文件转化成voc数据集；
4、s2、对voc数据集进行增强处理；
5、s3、采用改进的卷积神经网络构建光伏板缺陷检测模型，对光伏板图像中的缺陷进行检测；
6、所述改进的卷积神经网络采用yolov8神经网络，检测头采用ancher-free检测头，损失函数采用hiou损失函数，
7、在backbone层的sppf模块后侧嵌入注意力机制，在head层的c2f模块后侧嵌入注意力机制，在neck层中部的c2f模块后侧嵌入注意力机制。
8、优选的，s1所述图像数据集中的缺陷包括裂缝、断栅和斑点。
9、优选的，三种缺陷在图像数据集中的比例为1:1:1。
10、优选的，s2所述对voc数据集进行增强处理包括：随机缩放、随机旋转、随机移位和mosaic数据增强。
11、优选的，所述随机缩放的具体方法包括：
12、外向缩放，从初始的图像中随机剪裁出一部分，然后拉伸放大到原图大小；
13、内向缩放，将初始的图像进行压缩，将超出边界区域的像素用单像素进行填充，用于填充的单像素与缺陷图像数据集无关。
14、优选的，所述随机旋转的具体方法包括：
15、随机翻转，以图像的中心轴作为翻转中心，将初始的图像进行水平翻转或垂直翻转；
16、随机旋转，以图像的中心为旋转中心，将初始的图像进行顺时针旋转或逆时针旋转。
17、优选的，所述随机移位的具体方法包括：
18、沿x轴、y轴或二者同时移动方向，在移动的同时，对超出边界区域的像素作出假设。
19、优选的，所述mosaic数据增强的具体方法包括：
20、将四张不同的初始的图像进行随机放缩，然后拼接为新的图像，进行训练。
21、优选的，所述hiou损失函数具体包括：
22、
23、其中，lhiou表示hiou损失函数，liou表示iou损失函数，rwiou表示惩罚函数，x表示原始预测框x轴坐标，xgt表示新目标预测框x轴坐标，y表示原始目标函数y轴坐标，ygt表示新目标预测框y轴坐标，wg表示最小预测框的宽度，hg表示最小预测框的高度，v表示衡量预测框的宽和高之间的比例一致性系数，α表示v的调整系数。
24、优选的，所述在backbone层的sppf模块后嵌入注意力机制的具体方法包括：
25、sppf模块置于backbone层和neck层之间，将注意力机制嵌入至sppf模块的后侧；
26、输入图像经过backbone层提取特征信息，经过多层卷积后输入至sppf模本文档来自技高网...
【技术保护点】
1.基于改进卷积神经网络的太阳能光伏板缺陷检测方法，板缺陷检测方法，其特征在于，它包括：
2.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，S1所述图像数据集中的缺陷包括裂缝、断栅和斑点。
3.根据权利要求2所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，三种缺陷在图像数据集中的比例为1:1:1。
4.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，S2所述对VOC数据集进行增强处理包括：随机缩放、随机旋转、随机移位和Mosaic数据增强。
5.根据权利要求4所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述随机缩放的具体方法包括：
6.根据权利要求4所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述随机旋转的具体方法包括：
7.根据权利要求4所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述随机移位的具体方法包括：
8.根据权利要求1所述的基于改进卷积神
9.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述HIoU损失函数具体包括：
10.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述在Backbone层的SPPF模块后嵌入注意力机制的具体方法包括：
...【技术特征摘要】
1.基于改进卷积神经网络的太阳能光伏板缺陷检测方法，板缺陷检测方法，其特征在于，它包括：
2.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，s1所述图像数据集中的缺陷包括裂缝、断栅和斑点。
3.根据权利要求2所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，三种缺陷在图像数据集中的比例为1:1:1。
4.根据权利要求1所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，s2所述对voc数据集进行增强处理包括：随机缩放、随机旋转、随机移位和mosaic数据增强。
5.根据权利要求4所述的基于改进卷积神经网络的太阳能光伏板缺陷检测方法，其特征在于，所述随机缩放的具体方法包括：...
【专利技术属性】
技术研发人员：刘延龙，姜月明，陈晓光，关万琳，徐明宇，荣爽，郝文波，王文龙，王言军，陆杭，兰公煜，尤超，宋柏越，马健程，陈鑫，雷雪婷，刘智洋，张睿，
申请(专利权)人：国网黑龙江省电力有限公司电力科学研究院，
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。