本发明专利技术公开了一种光伏面板缺陷检测模型确定和缺陷检测方法、装置，该光伏面板缺陷检测模型确定方法中将初始边缘检测网络解耦为特征编码和特征解码两个相对独立的网络模块，简化了边缘检测网络设计；通过分别在初始特征编码网络和初始特征解码网络中添加短残差连接，促进了特征的前向传播与融合，有效提升了特征的利用率和分辨率；进一步，通过在目标特征编码网络和目标特征解码网络之间设置长残差连接，建立了低层高分辨率特征与高层特征的融合通道，在不改变原始网络结构的基础上强化了高层网络的特征提取能力，同时，由于残差连接不产生新的参数，因此模型在消耗同样计算资源的情况下提高了性能。源的情况下提高了性能。源的情况下提高了性能。
【技术实现步骤摘要】
一种光伏面板缺陷检测模型确定和缺陷检测方法、装置
[0001]本专利技术涉及深度学习
，具体涉及一种光伏面板缺陷检测模型确定和缺陷检测方法、装置。
技术介绍
[0002]传统的光伏面板缺陷检测方法主要是采用人工筛查的方法，不仅排查速度慢且效率非常低，另一种方式是采用红外热成像仪等检测设备获取相关光伏面板图片，再采用人工筛查和识别的方式判断出缺陷位置，其缺陷的判断和定位仍离不开人的主观参与，应用局限性非常大。近些年深度学习技术发展迅速，以深度神经网络为基础的图像处理算法被赋予了强大的图像特征提取能力，这也被运用于光伏面板的缺陷检测。
[0003]但是，目前，基于卷积神经网络的边缘检测在结构上存在设计复杂、特征利用率低、结构设计困难以及参数冗余计算量大的问题，在检测效果上存在边缘线不够精细、定位准确度不够以及在复杂场景下易丢失边缘细节的问题。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供了涉及一种光伏面板缺陷检测模型确定和缺陷检测方法、装置，以解决现有技术中基于卷积神经网络的边缘检测由于在结构上存在设计复杂、特征利用率低、结构设计困难以及参数冗余计算量大的问题，导致在检测效果上存在边缘线不够精细、定位准确度不够以及在复杂场景下易丢失边缘细节的技术问题。
[0005]本专利技术提出的技术方案如下：
[0006]第一方面，本专利技术实施例提供一种光伏面板缺陷检测模型确定方法，该光伏面板缺陷检测模型确定方法包括：获取光伏面板图像数据集和初始边缘检测网络，所述初始边缘检测网络包括初始特征编码网络和初始特征解码网络，所述初始特征编码网络与所述初始特征解码网络连接；分别在所述初始特征编码网络和所述初始特征解码网络内部设置短残差连接，得到目标特征编码网络和目标特征解码网络；在所述目标特征编码网络和所述目标特征解码网络之间设置长残差连接，得到目标边缘检测网络；将所述光伏面板图像数据集输入所述目标边缘检测网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。
[0007]结合第一方面，在第一方面的一种可能的实现方式中，所述初始特征编码网络包括数据预处理模块和至少一个特征处理子模块；所述初始特征解码网络包括至少一个上采样模块，每个所述上采样模块包括特征提取模块、反卷积上采样模块和特征融合处理模块，其中，所述反卷积上采样模块分别与所述特征提取模块和所述特征融合处理模块连接。
[0008]结合第一方面，在第一方面的另一种可能的实现方式中，分别在所述初始特征编码网络和所述初始特征解码网络内部设置短残差连接，得到目标特征编码网络和目标特征解码网络，包括：在所述初始特征编码网络中每个所述特征处理子模块的输入端与输出端设置所述短残差连接，得到所述目标特征编码网络；在所述初始特征解码网络中每个所述特征提取模块的输入端与输出端设置所述短残差连接，得到所述目标特征解码网络。
[0009]结合第一方面，在第一方面的又一种可能的实现方式中，在所述目标特征编码网络和所述目标特征解码网络之间设置长残差连接，得到目标边缘检测网络，包括：在所述目标特征编码网络中目标特征处理子模块的输出端与所述目标特征解码网络中目标特征融合处理模块的输入端设置所述长残差连接，得到所述目标边缘检测网络，所述目标特征处理子模块的特征尺寸与所述目标特征融合处理模块的特征尺寸一致。
[0010]结合第一方面，在第一方面的又一种可能的实现方式中，将所述光伏面板图像数据集输入所述目标边缘检测网络进行训练，直至得到满足条件的光伏面板缺陷检测模型，包括：获取损失函数；将所述光伏面板图像数据集输入所述目标边缘检测网络，经过所述损失函数训练，得到所述光伏面板缺陷检测模型。
[0011]第二方面，本专利技术实施例提供一种光伏面板缺陷检测方法，该光伏面板缺陷检测方法包括：获取待检测光伏面板图像；将所述待检测光伏面板图像输入光伏面板缺陷检测模型，得到光伏面板边缘检测概率图，所述光伏面板缺陷检测模型为根据如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法得到；基于所述光伏面板边缘检测概率图，经过预设处理方法，确定所述待检测光伏面板图像中的缺陷区域。
[0012]结合第二方面，在第二方面的一种可能的实现方式中，基于所述光伏面板边缘检测概率图，经过预设处理方法，确定所述待检测光伏面板图像中的缺陷区域，包括：基于所述光伏面板边缘检测概率图确定二值化边缘图；对所述二值化边缘图中连通域进行分析，得到所述光伏面板边缘检测概率图的线条轮廓；对所述线条轮廓进行矩形拟合，得到所述待检测光伏面板图像的原始线条信息；基于所述原始线条信息，经过背景差分法和区域面积分析法处理，确定待检测光伏面板图像中的所述缺陷区域。
[0013]第三方面，本专利技术实施例提供一种光伏面板缺陷检测模型确定装置，该光伏面板缺陷检测模型确定装置包括：第一获取模块，用于获取光伏面板图像数据集和初始边缘检测网络，所述初始边缘检测网络包括初始特征编码网络和初始特征解码网络，所述初始特征编码网络与所述初始特征解码网络连接；第一设置模块，用于分别在所述初始特征编码网络和所述初始特征解码网络内部设置短残差连接，得到目标特征编码网络和目标特征解码网络；第二设置模块，用于在所述目标特征编码网络和所述目标特征解码网络之间设置长残差连接，得到目标边缘检测网络；训练模块，用于将所述光伏面板图像数据集输入所述目标边缘检测网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。
[0014]第四方面，本专利技术实施例提供一种光伏面板缺陷检测装置，该光伏面板缺陷检测装置包括：第二获取模块，用于获取待检测光伏面板图像；输入模块，用于将所述待检测光伏面板图像输入光伏面板缺陷检测模型，得到光伏面板边缘检测概率图，所述光伏面板缺陷检测模型为根据如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法得到；处理模块，用于基于所述光伏面板边缘检测概率图，经过预设处理方法，确定所述待检测光伏面板图像中的缺陷区域。
[0015]第五方面，本专利技术实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机程序，所述处理器通过执行所述计算机程序，从而执行如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法，或者如本专利技术实施例第二方面及第二方面任一项所述的光伏面板缺陷检测方法。
[0016]第六方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使所述计算机执行如本专利技术实施例第一方面及第一方面任一项所述的光伏面板缺陷检测模型确定方法，或者如本专利技术实施例第二方面及第二方面任一项所述的光伏面板缺陷检测方法。
[0017]本专利技术提供的技术方案，具有如下效果：
[0018]本专利技术实施例提供的光伏面板缺陷检测模型确定方法，将初始边缘检测网络解耦为特征编码和特征解码两个相对独立的网络模块，简化了边缘检测网络设计；通过分别在初始特征编码网络和初始特征解码网络中添加短残差连接，促进本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光伏面板缺陷检测模型确定方法，其特征在于，所述方法包括：获取光伏面板图像数据集和初始边缘检测网络，所述初始边缘检测网络包括初始特征编码网络和初始特征解码网络，所述初始特征编码网络与所述初始特征解码网络连接；分别在所述初始特征编码网络和所述初始特征解码网络内部设置短残差连接，得到目标特征编码网络和目标特征解码网络；在所述目标特征编码网络和所述目标特征解码网络之间设置长残差连接，得到目标边缘检测网络；将所述光伏面板图像数据集输入所述目标边缘检测网络进行训练，直至得到满足条件的光伏面板缺陷检测模型。2.根据权利要求1所述的方法，其特征在于，所述初始特征编码网络包括数据预处理模块和至少一个特征处理子模块；所述初始特征解码网络包括至少一个上采样模块，每个所述上采样模块包括特征提取模块、反卷积上采样模块和特征融合处理模块，其中，所述反卷积上采样模块分别与所述特征提取模块和所述特征融合处理模块连接。3.根据权利要求2所述的方法，其特征在于，分别在所述初始特征编码网络和所述初始特征解码网络内部设置短残差连接，得到目标特征编码网络和目标特征解码网络，包括：在所述初始特征编码网络中每个所述特征处理子模块的输入端与输出端设置所述短残差连接，得到所述目标特征编码网络；在所述初始特征解码网络中每个所述特征提取模块的输入端与输出端设置所述短残差连接，得到所述目标特征解码网络。4.根据权利要求3所述的方法，其特征在于，在所述目标特征编码网络和所述目标特征解码网络之间设置长残差连接，得到目标边缘检测网络，包括：在所述目标特征编码网络中目标特征处理子模块的输出端与所述目标特征解码网络中目标特征融合处理模块的输入端设置所述长残差连接，得到所述目标边缘检测网络，所述目标特征处理子模块的特征尺寸与所述目标特征融合处理模块的特征尺寸一致。5.根据权利要求4所述的方法，其特征在于，将所述光伏面板图像数据集输入所述目标边缘检测网络进行训练，直至得到满足条件的光伏面板缺陷检测模型，包括：获取损失函数；将所述光伏面板图像数据集输入所述目标边缘检测网络，经过所述损失函数训练，得到所述光伏面板缺陷检测模型。6.一种光伏面板缺陷检测方法，其特征在于，所述方法包括：获取待检测光伏面板图像；将所述待检测光伏面板图像输入光伏面板缺陷检测模型，得到光伏面板边缘...
【专利技术属性】
技术研发人员：王银，孙勇，刘瑞阔，谷昱君，李伟，姚维为，胡德鹏，
申请(专利权)人：中国长江三峡集团有限公司，
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。