一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法技术

本发明专利技术涉及计算机视觉、深度学习领域，特别涉及一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，包括以下步骤：S1、构建光伏板边缘监测模型和光伏板分类模型；S2、输入光伏板红外图像样本，依次通过光伏板边缘检测模型、光伏板提取模块和光伏板分类模型，分析目标图像中的异常光伏板位置。本发明专利技术的有益效果在于本发明专利技术通过基于卷积神经网络的光伏板边缘检测模型和光伏板分类模型，提高了光伏板检测的精确度，同时本发明专利技术将光伏板缺陷诊断任务视作定位和分类两个子问题提高的光伏板检测算法的鲁棒性。算法的鲁棒性。算法的鲁棒性。

【技术实现步骤摘要】
一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法


[0001]本专利技术涉及计算机视觉、深度学习领域，特别涉及一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法。

技术介绍

[0002]在众多可再生能源中，太阳能是解决能源危机中最有前途的新型清洁能源。近年来太阳能发电在我国蓬勃发展，太阳能发电总量占据电力生产总量的比例也在逐年增长。光伏板是太阳能发电的核心组件，由多个光伏电池串联或并联组合而成，通过光电效应将太阳能转化为电能。由于外界环境的影响，光伏系统在运行中可能会出现玻璃破损、热斑效应和电池裂纹等故障，这些故障对电力生产的安全性和可靠性提出了挑战。因此，为了保证光伏系统的长期安全运行，许多学者针对光伏板缺陷诊断提出了相应的算法，现有的算法大致可分为基于传统图像处理的算法和基于深度学习的算法。
[0003]基于传统图像处理的算法主要使用手工设计特征，通过支持向量机等机器学习分类方法来对光伏组件缺陷进行分类。Alsafasfeh等人提出了简单线性迭代聚类(Simple Linear Iterative Clustering)超像素技术检测光伏组件红外图像中的热斑效应。Guerriero等人利用Canny算子检测光伏组件红外图像中的边缘，同时对光伏组件内部缺陷部位的边缘分析来判断光伏组件的状态。
[0004]基于深度学习的算法使用卷积神经网络提取图像特征，在训练集上求解给定任务的最优解。Akram等人通过在电致发光数据集上预训练分类模型，再在光伏组件红外图像数据集上微调检测不同的缺陷类型。Mehta等人提出了一个四阶段组成的端对端卷积神经网络DeepSolarEye，该网络对光伏组件可见光图像逐像素分类定位光伏板的积灰区域。
[0005]目前，没有针对光伏板缺陷精确诊断的实时算法，基于传统图像处理的算法由于人工设计特征不够鲁棒，只能针对特定应用场景或特定缺陷种类进行检测，识别精度也不够，而基于深度学习的算法对硬件要求高，在工业界嵌入式设备上无法在线检测，难以保证算法实时性。为了解决现有技术的不足，需要设计一种精确度高、抗干扰能力强的实时光伏板缺陷诊断算法。

技术实现思路

[0006]为了解决图像处理算法和深度学习算的不足，本专利技术提供了一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，具体方案如下：
[0007]一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，包括以下步骤：
[0008]S1、构建光伏板边缘监测模型和光伏板分类模型；
[0009]S2、输入光伏板红外图像样本，依次通过光伏板边缘检测模型、光伏板提取模块和光伏板分类模型，分析目标图像中的异常光伏板位置。
[0010]具体地说，步骤S1构建光伏板边缘检测模型包括以下步骤：
[0011]S1.11、构建基于MobileNetV2的卷积神经网络的特征提取模块，包括四个特征提
取层，特征提取层包括MobileNetV2中的反向残差块；
[0012]S1.12构建基于MobileNetV2的卷积神经网络的预测模块，预测模块输出光伏板图像的边缘预测图像：
[0013]P3＝Upsample[Conv1×1(O4)]+O3；
[0014]P2＝Upsample([Conv1×1(P3)]+O2；
[0015]P1＝Upsample[Conv1×1(P2)]+O1；
[0016]P0＝θ([Conv3×3(P1)]；
[0017]其中Conv1×1、Con3×3和Upsample分别代表1
×
1的卷积层、3
×
3的卷积层和上采样层，P1
‑
P3是预测模块的中间输出，P0为最后输出的光伏板边缘置信图，O1、O2、O3和O4为特诊提取层的输出和预测模块的输入，θ为激活函数sigmoid，
[0018][0019]输入过程可表示为其中X＝{X
n
，n＝1，
···
，|X|}表示输入图像集合，表示相应的预测边缘图像集合，W是模型权重。
[0020]具体地说，步骤S1.12后还包括步骤S1.13具体为对每个像素使用加权交叉熵损失：
[0021][0022][0023][0024]|Y
+
|和|Y
‑
|分别代表标签图像中边缘像素和非边缘像素的数目，y
j
取值为0和1分别代表在标签图像中标记为非边缘和边缘，超参数λ用以权衡边缘和非边缘像素的重要性通过梯度下降可以得到目标光伏板边缘检测模型M。
[0025]具体地说，步骤S1构建光伏板分类模型包括以下步骤：
[0026]S1.21、光伏板轮廓寻找，将采集的光伏板红外图像输入到光伏板边缘检测模型，在边缘预测图中进行连通域分析，寻找边缘预测图中的轮廓，对面积在一定阈值范围内的轮廓进行筛选，得到光伏板的轮廓信息；
[0027]S1.22、对所有光伏板轮廓进行矩形拟合，经过透视变换提取图像中的光伏板区域图像；
[0028]S1.22、将待诊断光伏板图像根据有无缺陷分成两类，异常光伏板图像定义为正样本，正常光伏板图像定义为负样本，对负样本随机采样使正负样本的比值在范围为0.235～0.265的区间内，并设置训练接和验证集；
[0029]S1.23、构建光伏板分类模型，将训练集送入光伏板分类模型进行训练，再利用验证集在训练模型进行评估指标。
[0030]具体地说，步骤S1.22具体为将收集的样本集按照设定比例设置训练集和验证集。
[0031]具体地说，步骤S1.23中构建的光伏板分类模型为卷积神经网络，包括七层卷积层，每层均包括依次设置的卷积和整流线性单位。
[0032]具体地说，所述卷积神经网络的第一层卷积的步长为2且在其后设置一个最大池化层，卷积神经网络的最后一层卷积层后设置一个自适应最大池化层并在最大池化层后连接两个全连接层，其中全连接层的输出输入图片是异常光伏板的置信度。
[0033]具体地说，在步骤S1之前还包括获取光伏板红外图像并制作光伏板边缘标签图像。
[0034]本专利技术的有益效果在于：
[0035](1)本专利技术通过基于卷积神经网络的光伏板边缘检测模型和光伏板分类模型，提高了光伏板检测的精确度，同时本专利技术将将光伏板缺陷诊断任务视作定位和分类两个子问题提高的光伏板检测算法的鲁棒性。
[0036](2)通过轻量级卷积神经网络模型可提高嵌入式设备的实时性以提高检测精度。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0038]图1为本专利技术的流程图；
[0039]图2为实施例制作光伏板红外图像标签的示意图；
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，其特征在于，包括以下步骤：S1、构建光伏板边缘监测模型和光伏板分类模型；S2、输入光伏板红外图像样本，依次通过光伏板边缘检测模型、光伏板提取模块和光伏板分类模型，分析目标图像中的异常光伏板位置。2.根据权利要求1所述的一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，其特征在于，步骤S1构建光伏板边缘检测模型包括以下步骤：S1.11、构建基于MobileNetV2的卷积神经网络的特征提取模块，包括四个特征提取层，特征提取层包括MobileNetV2中的反向残差块；S1.12构建基于MobileNetV2的卷积神经网络的预测模块，预测模块输出光伏板图像的边缘预测图像：P3＝Upsample[Conv1×1(O4)]+O3；P2＝Upsample([Conv1×1(P3)]+O2；P1＝Upsample[Conv1×1(P2)]+O1；P0＝θ([Conv3×3(P1)]；其中Conv1×1、Con3×3和Upsample分别代表1
×
1的卷积层、3
×
3的卷积层和上采样层，P1
‑
P3是预测模块的中间输出，P0为最后输出的光伏板边缘置信图，O1、O2、O3和O4为特诊提取层的输出和预测模块的输入，θ为激活函数sigmoid，输入过程可表示为其中X＝{X
n
，n＝1，
···
，|X|}表示输入图像集合，表示相应的预测边缘图像集合，W是模型权重。3.根据权利要求2所述的一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法，其特征在于，步骤S1.12后还包括步骤S1.13具体为对每个像素使用加权交叉熵损失：特征在于，步骤S1.12后还包括步骤S1.13具体为对每个像素使用加权交叉熵损失：特征在于，步骤S1.12后还包括步骤S1.13具体为对每个像素使用加权交叉熵损失：|Y
+
|和|Y
‑
...

【专利技术属性】
技术研发人员：李永军，凌强，黄振东，
申请(专利权)人：尚特杰电力科技有限公司，
类型：发明
国别省市：