【技术实现步骤摘要】
本专利技术属于检测分割方法领域，具体地说，涉及一种光伏电池缺陷全自动快速检测分割方法。
技术介绍
1、气候变化是当前人类生存和发展所面临的共同挑战，受到世界各国人民和政府的高度关注。风电、光伏发电、水电等可再生能源是天然的绿色能源。我国的光伏发电更是以前所未有的速度实现碳达峰、碳中和的宏伟目标。根据国际能源署发布的2024年上半年我国可再生能源报告显示，截至2023年底，我国可再生能源累计装机容量达到15.17亿千瓦，在全球可再生能源发电装机中占比超过50％。特别是风电、光伏去年新增装机约3.03亿千瓦，超过世界其他国家新增可再生能源装机的总和。数据表明：我国已经成为全球可再生能源发展不可或缺的中坚力量。随着光伏发电的大规模应用，如何保障光伏供电稳定及可持续发展成为行业研究的重中之重。光伏电池(pv)作为光伏发电系统的重要组成部件之一，其在生产和使用过程中受各种复杂因素影响，极易发生模块划痕、破损、隐裂、断栅、脏污等缺陷，影响整体电池阵列的使用性能和寿命。如果不及时发现缺陷，极大可能造成整个光伏供电系统功率降低，埋下火灾安全隐患，给国民经济带来极大损失。对光伏电池进行准确的缺陷检测是保障光伏发电系统正常运行的重要手段，因此，国内外学者开展了广泛的研究。近年来，因其较高的检测精度和准确性，以深度学习为基础的光伏电池检测方法得到了快速发展，并取得了重要进展。
2、jumaboev等人率先采用特征金字塔(featurepyramidnetworks,fpn)、u-net模型和deeplab模型对光伏电池阵列进行缺陷分割及检
3、bpga-detector缺陷检测方法将双通道特征金字塔融入yolov5方法中，提高了复杂背景下小目标缺陷检测的精度。采用yolov5作为模型骨干网络，将注意力模块和可变形卷积相结合，以提取不同尺度的缺陷特征，提高缺陷识别精度。sohail等人采用融合方法attentionu-net、u-net、linknet和fpn方法集成在一起，显著提高了对裂纹的检测效果。otamendi等人改进了现有方法，提出一种端到端的缺陷检测框架，实现了对电致发光(electroluminescence,el)图像的缺陷检测、定位及分割。
4、sachinmehta等人提出了一种基于卷积神经网络的光伏电池脏污检测方法。该方法以光伏组件和环境因素的图像作为输入，预测功率损失、脏污位置及类型，同时引入了一种双向感知融合模块，以便对缺陷类型进行学习。pv的快速发展对pv的现场维护和故障诊断要求越来越高。然而，现有所采用的基于深度学习模型算法的参数往往非常大，深度模型的性能通常与其参数的多少成正比，且对边缘端或者移动设备的硬件资源要求非常严格，难以满足在移动设备上的部署要求。为了同时满足光伏发电领域对缺陷检测的精度和速度的要求，需要一个快速、轻量级的检测方法。基于以上难题，武汉科技大学的刘等人提出了一种特征增强的轻量化cnn模型来检测光伏电池板中漏检率较高的小目标。方法设计了多尺度特征提取模块，增强了小目标预测层的识别能力，从而实现了多尺度缺陷预测的目的。chen等人基于shufflenetv2网络针对光伏模块故障检测的类型对模型进行改进，改进后的方法对缺陷诊断的效果较好，但无法准确识别形变及小目标缺陷。史册等人在inceptionv3网络中融入平衡因子，结合迁移学习构建光伏电池缺陷检测模型，并引入新的损失函数以修正检测结果。zhang等人设计了一种轻量级神经框架搜索网来检测光伏电池板缺陷，利用多尺度特征，同时采用知识蒸馏模型完成轻量级网络的迁徙学习。综上，现有光伏电池缺陷检测方法普遍存在以下几方面的问题：
5、1)现有光伏电池缺陷检测的深度模型多为中、大型模型，参数多，推理速度慢，难以满足部署的效率需求。
6、2)由于光伏电池板缺陷的多样性和复杂性，现有方法多采用深度学习模型进行缺陷特征的半自动检测范式，而且缺乏需要大量标注的样本集合，无法实现零样本的任务泛化，检测分割精度不高。
7、3)目前的模型对于形变及小目标缺陷难以保证检测精度，极易发生漏检和错检问题，缺乏泛化性和鲁棒性。
8、有鉴于此特提出本专利技术。
技术实现思路
1、本专利技术要解决的技术问题在于克服现有技术的不足，提供一种光伏电池缺陷全自动快速检测分割方法，解决了上述
技术介绍
中提出的问题。
2、为解决上述技术问题，本专利技术采用技术方案的基本构思是：
3、一种光伏电池缺陷全自动快速检测分割方法，包括以下步骤：
4、步骤s1：通过图像采集装置获取光伏电池的高分辨率图像；
5、步骤s2：将所述获取的光伏电池图像输入至轻量化的ssa-vit图像编码器中，利用ssa-vit对图像特征进行编码以此获取图像特征向量；
6、步骤s3：基于所述上述步骤得到的图像特征向量，利用yolov10模型进行目标位置的预测和分类；
7、步骤s4：将所述yolov10模型的预测结果作为分割提示信息，输入至yomo-sam模型的掩码解码器中，生成缺陷分割掩码；
8、步骤s5：采用可分离卷积(sc)对所述分割掩码进行下采样和上采样操作，以增加通道维度，进一步提高对小目标和形变目标的检测与分割精度，得到最终优化的分割结果。
9、可选的，ssa-vit图像编码器采用可分离自注意力机制(ssa)替代多头注意力机制(mha)，在可分离自注意力机制中，首先，将图像x输入到输入i、关键词k、值v三个分支中进行处理；
10、输入i使用一个权重为的线性层将图像x中每个d维图像嵌入映射到一个标量中，权值wi作为图中的潜在节点l，并采用内积操作来计算线性投影，计算潜在的图像节点l和输入图像x之间的距离，得到一个k维的向量；接着，将softmax操作应用于上述k维向量，以产生上下文因素ssa通过只计算相对于某个潜在片段的上下文因子，将计算成本从降低到
11、将输入图像x通过关键词分支k带权值的线性层投影到d维空间，生成对应的输出然后利用上下文因子cs计算上下文向量作为输入图像x的加权和，其计算公式为：其中，cv对输入图像x中的所有图像嵌入进行编码，cv中编码的上下文因子与x中所有图像共享标记信息，最后，值分支v的权重将输入图像x线性投影到d维空间，并通过softmax激活函数生成输出；
12、将上下文向量cv通过广播乘法运算应用于图像的卷积操作，最终通过以下公式计算特征输出y：其中，σ表示激活函数，relu表示修正线性单元，wo为输出权重。
13、可选的，基于上述预处理输出的图像特征向量，输入至yolov10模型进行目标位置的预测和分类的步骤为：<本文档来自技高网...
【技术保护点】
1.一种光伏电池缺陷全自动快速检测分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，SSA-ViT图像编码器采用可分离自注意力机制(SSA)替代多头注意力机制(MHA)，在可分离自注意力机制中，首先，将图像Z输入到输入I、关键词K、值V三个分支中进行处理；
3.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，基于上述预处理输出的图像特征向量，输入至YOLOv10模型进行目标位置的预测和分类的步骤为：
4.根据权利要求3所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，步骤S2中两个分支的监督差距通过不同分类目标的Wasserstein距离来计算，其表达式为：随着to2m，i的增加，分类目标与预测目标之间的差距逐渐减小，即当to2m，i＝u*时，表示第i个样本在Ω中的分数最高，对应于最优的匹配，意味着mo2o＝r·mo2m，αo2o＝r·αo2m和βo2o＝r·βo2m，这意味着mo2o＝mΓo2m，因此，一对多头的最佳正样本，对应着一对一头的最佳正样
5.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，所述YoMo-SAM模型包括骨干网络(Backbone)、颈部(Neck)和头部(Head)，骨干部分采用轻量级图像编码器SSA-ViT作为骨干网络，用于提取图像的深层特征，颈部部分使用YOLOv10模型作为颈部，负责处理骨干网络提取的特征向量，并对目标的位置和类别进行初步预测，YoMo-SAM模型的头部包含分割掩码分支和检测提示分支，分割掩码分支用于生成目标区域的分割掩码，而检测提示分支用于对目标进行分类和位置回归的最终预测。
6.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，将所述YOLOv10模型的预测结果作为分割提示信息，输入至YoMo-SAM模型的掩码解码器中，生成缺陷分割掩码的步骤为：
7.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，采用可分离卷积(SC)对所述分割掩码进行下采样和上采样操作，以增加通道维度，进一步提高对小目标和形变目标的检测与分割精度，得到最终优化的分割结果的步骤为：
...【技术特征摘要】
1.一种光伏电池缺陷全自动快速检测分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，ssa-vit图像编码器采用可分离自注意力机制(ssa)替代多头注意力机制(mha)，在可分离自注意力机制中，首先，将图像z输入到输入i、关键词k、值v三个分支中进行处理；
3.根据权利要求1所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，基于上述预处理输出的图像特征向量，输入至yolov10模型进行目标位置的预测和分类的步骤为：
4.根据权利要求3所述的一种光伏电池缺陷全自动快速检测分割方法，其特征在于，步骤s2中两个分支的监督差距通过不同分类目标的wasserstein距离来计算，其表达式为：随着to2m，i的增加，分类目标与预测目标之间的差距逐渐减小，即当to2m，i＝u*时，表示第i个样本在ω中的分数最高，对应于最优的匹配，意味着mo2o＝r·mo2m，αo2o＝r·αo2m和βo2o＝r·βo2m，这意味着mo2o＝mγo2m，因此，一对多头的最佳正样本，对应着一对一头的最佳正样本，就此...
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。