【技术实现步骤摘要】
本专利技术涉及光伏电站巡检，具体涉及一种基于yolo v8模型的光伏板异常检测方法。
技术介绍
1、由于山地光伏电站面积广，光伏板布置面积大，人工巡检成本高，流程复杂，使用无人机进行智能巡检成为了一种新的选择。但是由于无人机平台又存在一定的限制，包括搭载设备，电池容量与功耗限制。故对光伏板进行红外摄影的判别一直是通过人眼来进行识别，或者通过一些传统简单的图像识别算法，如特征工程，频域处理等进行。而这两种方案均存在精确度较低，工作量较大的困扰，一直难以取得比较好的预测效果。
2、此外，由于太阳能光伏板场站设置较远，通讯的基础服务如无线基站，数据传输信号等存在质量不稳定的因素，如何确保数据稳定有效地传输到远程服务端也是一项极大的挑战。
3、由于电力电子行业的专业性问题，如若对数据集的设计与目标函数的制定不太理解，不合理地归置数据集中的数据也将影响最后模型的预测效果。故在图像检测时，可选方案之一是使用成熟的yolo v8模型对传输回来的图像进行检测。现有技术中，又由于光斑变化较多，常规的卷积采样器又存在较难取得满意的采样结果的缺陷。
技术实现思路
1、为解决上述技术问题，本专利技术提出一种基于yolo v8模型的光伏板异常检测方法，该方法修改了yolo v8模型中的采样方式，结合现有的可变形卷积的方法和修改过后的激活函数，能够很好地适应光斑变形多样性的问题；可变形卷积较常规的固定形态卷积可以更好地适应不同的感受野，提升采样效果。
2、本专利技术采取的技
3、基于yolo v8模型的光伏板异常检测方法，包括以下步骤：
4、步骤1：通过无人机采集光伏板图像；
5、步骤2：对光伏板图像进行收集并预处理；
6、步骤3：将步骤2预处理后的光伏板图像数据传输到服务器；
7、步骤4：基于yolo v8模型在服务器端设置预测模型，对步骤3服务器传输来的光伏板图像进行预测；
8、步骤5：基于yolo v8模型在服务器端设置训练模型，通过光伏板图像数据集合中正反样例的路径，训练模型将光伏板图像数据集合中的正反样例规范化，并且通过内置的目标函数训练；
9、通过上述步骤，实现光伏板异常检测。
10、所述步骤2中，光伏板图像预处理包括以下步骤：
11、s2.1:判断光伏板图像图片是否合格，若是，进行s2.2；若否，直接丢弃；
12、s2.2:判断是否是异常的热斑图片，若是，标注异常位置；若否，标注为非异常图片，进行s2.3；
13、s2.3:将所有的异常图片放在一个路径文件夹，所有的正常图片放到一个路径文件夹。
14、所述步骤4中，对光伏板图像进行预测包含以下步骤：
15、s4.1.算法训练：基于yolo v8模型，将数据集合中的正反样例规范化，并且通过内置的目标函数训练；
16、s4.2.模型训练：采集的大量标注数据对yolo v8模型进行训练，使模型表现达到预期；
17、s4.3.图片预处理：判断是否是异常图像对图片进行标注，图片质量不合格将直接丢弃；
18、s4.4.服务器端预测：在yolo v8模型完整部署以后进行。
19、所述步骤5包括以下步骤：
20、s5.1:配置文件中配置好验证集，训练集，学习率，读取配置文件；
21、s5.2:设置终止条件；
22、s5.3:判断是否达到终止条件，若是，进行s5.4；若否，终止训练；
23、s5.4：分割图片：将图片分成多个分割单元；
24、s5.5：计算分区可信度：
25、可信度预测的公式依据如下公式进行：
26、
27、该公式计算出每一个格子中是某一类物体的可信度，每一个格子的可信度取可信度最大的一个物体类别作为该格子的所属类型。p r(object)表示检测框中是否存在物体，p r(classi|object)表示这个物体是classi的概率。如果一张图是背景，那么这概率应该为0；表示真实预测框(数据集合标定)和使用神经网络预测的预测框之间的交互面积之比；
28、
29、其中，a∩b指预测框和标定框相交的面积，a∪b指预测框和标定框相并的面积。
30、每一个预测框都计算每一类中置信度最高的分类，然后基于分类得到最后的预测结果。
31、由于检测时无人机拍摄的热斑区域较小，在检测置信度时提高iou的系数，具体如下：
32、
33、其中，系数λ由现场采集的图像进行调节。
34、s5.6：计算目标函数并返回s5.3；
35、目标函数通过两个方面考虑当前预测质量：①.当前目标框内是否存在目标。②.识别框的中心坐标和数据集中标定的差距。使用平方误差函数来衡量边界框中心误差，因为这个函数方便优化。由于使用平方误差函数会对精度造成影响，在考虑系数是加大了对边界框误差的系数λcoord但是减少了对分类可信度的系数λnoobj。
36、目标函数如下所示：
37、
38、其中：λcoord表示边界框误差的系数；(xi，yi)指通过神经网络计算得到的第i个预测框的中心点位置；指数据集中标定的第i个预测框中心点的位置，wi，hi分别表示通过神经网络预测的第i个预测框的宽和高；分别表示数据集中标定的预测框的宽和高。s表示图像分割的横纵方格个数；b表示图像分割后每个网格单元边界框的个数；表示目标是否在第i行、第j个格子中存在。
39、所述步骤5中，yolo v8模型中，修改yolo v8模型中感受野的卷积方法，具体公式为：
40、f(i，j)＝∫p∈r heat((i，j)+p)dp；
41、其中：p表示变形的感受野；(i，j)表示具体的坐标；f(i，j)表示特征图中(i，j)的值；
42、感受的感受野r表示方式如下：
43、r＝{(x，y)|x，y∈(-1，1)}。
44、本专利技术一种基于yolo v8模型的光伏板异常检测方法，技术效果如下：
45、1)本专利技术步骤1中，大疆无人机采集的光伏板图像，图片分辨率高，便于明确分类，对于后期模型训练十分必要。
46、2)本专利技术步骤3中，依托大疆平台设计了一种图像传输和压缩的具体方法，对采集的图像进行处理。有效降低成本。
47、3)本专利技术步骤3中，图像在大疆无人机采集以后将会以最大的传输质量有效率地传输到进行预测识别的服务器上。极大地提升了传输效率和最后的预测质量。
48、4)本专利技术步骤4中，预测系统将无人机、地面基站或者无线接入点，远程服务器有机结合，基于yolo v8模型，能够显著提高预测的精准性和高效性。
49、5)本专利技术步骤5中，有机地结合了目标函数，数据标定与训练参数之间的相关逻本文档来自技高网...
【技术保护点】
1.基于YOLO V8模型的光伏板异常检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于YOLO V8模型的光伏板异常检测方法，其特征在于：所述步骤2中，光伏板图像预处理包括以下步骤：
3.根据权利要求1所述基于YOLO V8模型的光伏板异常检测方法，其特征在于：所述步骤5包括以下步骤：
4.根据权利要求3所述基于YOLO V8模型的光伏板异常检测方法，其特征在于：目标函数通过两个方面考虑当前预测质量：①.当前目标框内是否存在目标；②.识别框的中心坐标和数据集中标定的差距；使用平方误差函数来衡量边界框中心误差；
5.根据权利要求4所述基于YOLO V8模型的光伏板异常检测方法，其特征在于：所述步骤5中，YOLO V8模型中，修改YOLO V8模型中感受野的卷积方法，具体公式为：
【技术特征摘要】
1.基于yolo v8模型的光伏板异常检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于yolo v8模型的光伏板异常检测方法，其特征在于：所述步骤2中，光伏板图像预处理包括以下步骤：
3.根据权利要求1所述基于yolo v8模型的光伏板异常检测方法，其特征在于：所述步骤5包括以下步骤：
4.根据权利要求3所述基于yolo ...
【专利技术属性】
技术研发人员：刘斌，何尧玺，康喆，纪方旭，杨奕帆，
申请(专利权)人：中国长江电力股份有限公司，
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。