【技术实现步骤摘要】
本申请涉及通信领域，具体而言，涉及一种故障信息的确定方法及装置、存储介质及电子装置。
技术介绍
1、传统的光伏故障检测主要依靠人工巡检，效率低下且人力成本很高，因此依靠无人巡检技术实现光伏故障检测非常重要。在无人巡检技术中，其中最重要的一项任务就是基于图像输入和人工智能技术实现光伏故障自动识别。
2、用于光伏故障自动识别的图像主要有两类，分别是直接拍摄的可见光图像，另一类是红外拍摄仪拍摄的红外光图像。由于可见光图像拥有更细致的纹理信息，而红外光图像可以通过热辐射捕捉到外观不可见的内部损伤和故障，因此，在最近的研究中，研究者们关注于同时使用这两种图像作为输入，借助通用计算机视觉的深度学习方法，融合这两类图像的优势，实现更好的光伏故障图像识别。
3、然而，由于有的光伏故障在图像上的表现区域非常细小，有些故障类型在红外光图像中的局部表现非常相似，这些挑战都使得常用的图像识别技术，如resnet等，在光伏故障图像诊断任务上面临局限性。
4、因此，相关技术中，光伏故障图像诊断任务中识别准确率较低的问题。
5、因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。
技术实现思路
1、本申请实施例提供了一种故障信息的确定方法及装置、存储介质及电子装置，以至少解决相关技术中，光伏故障图像诊断任务中识别准确率较低的问题。
2、根据本申请实施例的一方面，提供了一种故障信息的确定方法，包括：获取目标对象对应的可见光图像和红外光图像，并将所述
3、在一个示例性实施例中，根据多个所述关联关系矩阵确定所述目标对象的故障信息，包括：将所述多个区域特征矩阵相加，得到第二特征矩阵；将所述第二特征矩阵分别与每一关联关系矩阵相乘，以得到多个第三特征矩阵；根据所述多个第三特征矩阵确定所述目标对象的故障信息。
4、在一个示例性实施例中，根据所述多个第三特征矩阵确定所述目标对象的故障信息，包括：将所述多个第三特征矩阵进行拼接，以得到第四特征矩阵；根据所述第四特征矩阵确定所述目标对象的故障信息。
5、在一个示例性实施例中，确定两两区域特征矩阵之间的关联关系矩阵，包括：计算所述两两区域特征矩阵的余弦相似度；根据所述余弦相似度确定所述两两区域特征矩阵之间的关联关系矩阵。
6、在一个示例性实施例中，将所述第一特征矩阵分别输入至多个卷积神经网络中，以得到所述拼接图像对应的多个区域特征矩阵，包括：将所述第一特征矩阵输入至每一卷积神经网络中的部分网络结构中，以使所述部分网络结构根据所述第一特征矩阵输出第五特征矩阵，其中，所述部分网络结构包括：卷积层、激活层、池化层；将所述第五特征矩阵输入至所述每一卷积神经网络中的自适应池化层中，以使所述自适应池化层对所述第五特征矩阵进行池化缩放，以得到第六特征矩阵；将所述第六特征矩阵输入至所述每一卷积神经网络中的全连接层，以使所述全连接层根据所述第六特征矩阵输出所述区域特征矩阵。
7、在一个示例性实施例中，确定所述拼接图像的第一特征矩阵，包括：对所述拼接图像进行特征提取，以确定所述拼接图像的多个特征向量；将每一特征向量进行转换，以得到多个子特征矩阵；将所述多个子特征矩阵进行合并，以得到所述第一特征矩阵。
8、根据本申请实施例的另一方面，还提供了一种故障信息的确定装置，包括：拼接模块，用于获取目标对象对应的可见光图像和红外光图像，并将所述可见光图像和所述红外光图像进行拼接，以得到拼接图像；第一确定模块，用于确定所述拼接图像的第一特征矩阵，并将所述第一特征矩阵分别输入至多个卷积神经网络中，以得到所述拼接图像对应的多个区域特征矩阵，其中，不同的卷积神经网络的卷积核不同；第二确定模块，用于确定两两区域特征矩阵之间的关联关系矩阵，并根据多个所述关联关系矩阵确定所述目标对象的故障信息。
9、根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述故障信息的确定方法。
10、根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述故障信息的确定方法。
11、根据本申请实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行上述故障信息的确定方法。
12、通过本申请实施例，获取目标对象对应的可见光图像和红外光图像，并将所述可见光图像和所述红外光图像进行拼接，以得到拼接图像；确定所述拼接图像的第一特征矩阵，并将所述第一特征矩阵分别输入至多个卷积神经网络中，以得到所述拼接图像对应的多个区域特征矩阵，其中，不同的卷积神经网络的卷积核不同；确定两两区域特征矩阵之间的关联关系矩阵，并根据多个所述关联关系矩阵确定所述目标对象的故障信息。即本申请实施例中，通过多种尺度的并行卷积神经网络结构，来确定图片上不同区域大小的特征信息，且挖掘不同区域特征矩阵之间的关联性，实现了更好的光伏图像故障识别，解决了相关技术中光伏故障图像诊断任务中识别准确率较低的问题。
本文档来自技高网...【技术保护点】
1.一种故障信息的确定方法，其特征在于，包括：
2.根据权利要求1所述的故障信息的确定方法，其特征在于，根据多个所述关联关系矩阵确定所述目标对象的故障信息，包括：
3.根据权利要求2所述的故障信息的确定方法，其特征在于，根据所述多个第三特征矩阵确定所述目标对象的故障信息，包括：
4.根据权利要求1所述的故障信息的确定方法，其特征在于，确定两两区域特征矩阵之间的关联关系矩阵，包括：
5.根据权利要求1所述的故障信息的确定方法，其特征在于，将所述第一特征矩阵分别输入至多个卷积神经网络中，以得到所述拼接图像对应的多个区域特征矩阵，包括：
6.根据权利要求1所述的故障信息的确定方法，其特征在于，确定所述拼接图像的第一特征矩阵，包括：
7.一种故障信息的确定装置，其特征在于，包括：
8.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至6任一项中所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项中所述的方法。
...【技术特征摘要】
1.一种故障信息的确定方法，其特征在于，包括：
2.根据权利要求1所述的故障信息的确定方法，其特征在于，根据多个所述关联关系矩阵确定所述目标对象的故障信息，包括：
3.根据权利要求2所述的故障信息的确定方法，其特征在于，根据所述多个第三特征矩阵确定所述目标对象的故障信息，包括：
4.根据权利要求1所述的故障信息的确定方法，其特征在于，确定两两区域特征矩阵之间的关联关系矩阵，包括：
5.根据权利要求1所述的故障信息的确定方法，其特征在于，将所述第一特征矩阵分别输入至多个卷积神经网络中，以得到所述拼接图像对应的多个区域特征矩阵，包括：
6.根据权...
【专利技术属性】
技术研发人员：周涛，张慧君，王介昌，葛鎣，李景伟，李凌鑫，张立武，于波，安琪，翟强，张梦楠，
申请(专利权)人：华能吉林发电有限公司，
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。