【技术实现步骤摘要】
本专利技术涉及缺陷智能检测，尤其涉及一种机理模型与图像融合驱动的光伏板缺陷检测方法及系统。
技术介绍
1、随着光伏产业的迅猛发展，光伏板的使用量日益增加。然而，光伏板在长期运行过程中容易受到环境因素、制造缺陷及老化等因素的影响，导致其性能下降和故障发生。因此，及时准确地检测和诊断光伏板的缺陷，确保其高效稳定运行，成为光伏发电系统维护中的重要任务。传统的光伏板检测方法主要依赖于人工检查和简单的仪器检测，不仅效率低下，而且难以准确识别出光伏板的细微缺陷类型。因此，研究智能化、高效化的光伏板缺陷检测方法，成为光伏发电系统维护的关键需求。
2、现有智能检测方法大多采用单一数据类型驱动的缺陷检测方法，只采用图像数据时则无法检测光伏板内部缺陷；如果只依赖电气数据来进行缺陷诊断，那么光伏板表面或附近的遮挡物(如灰尘、树叶、阴影等)所产生的电气数据变化，可能会干扰或误导对光伏板内部缺陷的准确诊断。因此，亟需一种可以准确检测光伏板缺陷的方法。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种机理模型与图像融合驱动的光伏板缺陷检测方法及系统，所述方法基于显隐性分层决策构建由隐性缺陷识别网络和显性缺陷识别网络组成的缺陷识别模型，通过利用光伏板机理模型输出的电流-电压数据、实际电流-电压数据以及光伏板图像数据作为训练和检测的输入数据，并引入机理模型的约束，引导不同的网络进行缺陷识别的训练和检测，进而准确的识别出光伏板的各种缺陷。
2、为了实现上述目的，本专利技术采用如下技术
3、第一方面，本专利技术提供一种机理模型与图像融合驱动的光伏板缺陷检测方法，包括：
4、采集同一时间戳的光伏板图像数据和监测数据；所述监测数据包括光照强度、环境温度、风速、电流和电压信息；
5、根据监测数据计算电流-电压实验数据；
6、将所述图像数据和电流-电压实验数据输入训练好的显隐性缺陷分层识别模型，得到光伏板显性缺陷和隐性缺陷识别结果；
7、其中，所述显隐性缺陷分层识别模型包括依次串联的缺陷分类网络、显性缺陷识别网络和隐性缺陷识别网络；所述缺陷分类网络用于基于电流-电压实验数据识别光伏板是否存在缺陷；若存在缺陷，将所述电流-电压实验数据对应的图像数据输入显性缺陷识别网络，识别显性缺陷；将无显性缺陷的图像数据对应的电流-电压实验数据输入隐性缺陷识别网络，识别隐性缺陷。
8、优选地，所述根据监测数据计算电流-电压实验数据，具体包括：
9、根据光伏板机理，基于光照强度、环境温度和风速信息，计算理论电流-电压数据；
10、基于电流和电压信息，计算实际电流-电压数据；
11、对理论电流-电压数据和实际电流-电压数据做差，得到偏差电流-电压数据；
12、将理论电流-电压数据和偏差电流-电压数据相加得到电流-电压实验数据。
13、优选地，所述根据监测数据计算电流-电压实验数据，将所述图像数据和电流-电压实验数据输入训练好的显隐性缺陷分层识别模型之前，还包括：对图像数据进行图像增强、位置矫正、统一图像尺寸的预处理操作；对监测数据进行数据清洗和数据去噪的预处理。
14、优选地，所述显性缺陷包括裂纹、破损和遮挡；所述隐性缺陷包括隐裂、电流泄露和pid效应。
15、优选地，所述缺陷分类网络为基于残差网络构建的二分类网络；缺陷分类网络的训练过程包括：
16、将电流-电压实验数据样本输入缺陷分类网络，基于无缺陷标签和缺陷标签进行训练；所述缺陷标签包括显性缺陷标签和隐性缺陷标签；显性缺陷标签包括裂纹标签、破损标签和遮挡标签，隐性缺陷标签包括隐裂标签、电流泄露标签和pid效应标签；
17、计算第一损失函数，当第一损失函数最小时，缺陷分类网络训练完成。
18、优选地，所述显性缺陷识别网络的训练过程包括：
19、获取被缺陷分类网络识别为存在缺陷的电流-电压实验数据样本对应的图像数据样本；
20、将所述图像数据样本输入显性缺陷识别网络，将隐性缺陷标签整体作为显性无缺陷标签，基于显性缺陷标签和显性无缺陷标签进行训练；
21、计算第二损失函数，当第二损失函数最小时，显性缺陷识别网络训练完成。
22、优选地，所述隐性缺陷识别网络的训练过程包括：
23、获取被显性缺陷识别网络识别为显性无缺陷的图像数据样本对应的电流-电压实验数据样本；
24、将所述电流-电压实验数据样本输入隐性缺陷识别网络，基于隐性缺陷标签进行训练；
25、计算第三损失函数，当第三损失函数最小时，隐性缺陷识别网络训练完成。
26、第二方面，本专利技术提供一种机理模型与图像融合驱动的光伏板缺陷检测系统，包括：
27、数据采集模块，用于采集同一时间戳的光伏板图像数据和监测数据；所述监测数据包括光照强度、环境温度、风速、电流和电压信息；
28、光伏板机理模块，用于根据监测数据计算电流-电压实验数据；
29、缺陷识别模块，用于将所述图像数据和电流-电压实验数据输入训练好的显隐性缺陷分层识别模型，得到光伏板显性缺陷和隐性缺陷识别结果；
30、其中，所述显隐性缺陷分层识别模型包括依次串联的缺陷分类网络、显性缺陷识别网络和隐性缺陷识别网络；所述缺陷分类网络用于基于电流-电压实验数据识别光伏板是否存在缺陷；若存在缺陷，将所述电流-电压实验数据对应的图像数据输入显性缺陷识别网络，识别显性缺陷；将无显性缺陷的图像数据对应的电流-电压实验数据输入隐性缺陷识别网络，识别隐性缺陷。
31、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法中的步骤。
32、第四方面，本专利技术提供一种计算机设备，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，所述处理器执行所述程序时实现第一方面所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法中的步骤。
33、与现有技术相比，本专利技术的有益效果为：
34、1.本专利技术通过环境数据构建光伏板机理模型，融合电气数据和图像数据，并在深度神经网络训练过程中引入光伏板机理模型的约束，增强了模型对物理过程的理解，实现了模型与图像融合驱动检测光伏板缺陷；
35、2.本专利技术通过运用显隐性分层决策方法，先检测光伏板可视化显性缺陷类型，再检测光伏板内部隐性缺陷类型，很好的解决了显性缺陷的电气数据被误判为隐性缺陷类型，隐性缺陷的图像数据被误判无缺陷的情况，大大提升了模型检测准确率；
36、3.本专利技术通过实现自动化的光伏板缺陷检测过程，大大提升了检测效率，显著减少了对人工检测的依赖，提高了大规模光伏电站的运营管理效率。
37、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本本文档来自技高网...
【技术保护点】
1.一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述根据监测数据计算电流-电压实验数据，具体包括：
3.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述根据监测数据计算电流-电压实验数据，将所述图像数据和电流-电压实验数据输入训练好的显隐性缺陷分层识别模型之前，还包括：对图像数据进行图像增强、位置矫正、统一图像尺寸的预处理操作；对监测数据进行数据清洗和数据去噪的预处理。
4.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述显性缺陷包括裂纹、破损和遮挡；所述隐性缺陷包括隐裂、电流泄露和PID效应。
5.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述缺陷分类网络为基于残差网络构建的二分类网络；缺陷分类网络的训练过程包括：
6.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述显性缺陷识别
7.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述隐性缺陷识别网络的训练过程包括：
8.一种机理模型与图像融合驱动的光伏板缺陷检测系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法中的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法中的步骤。
...【技术特征摘要】
1.一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述根据监测数据计算电流-电压实验数据，具体包括：
3.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述根据监测数据计算电流-电压实验数据，将所述图像数据和电流-电压实验数据输入训练好的显隐性缺陷分层识别模型之前，还包括：对图像数据进行图像增强、位置矫正、统一图像尺寸的预处理操作；对监测数据进行数据清洗和数据去噪的预处理。
4.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述显性缺陷包括裂纹、破损和遮挡；所述隐性缺陷包括隐裂、电流泄露和pid效应。
5.如权利要求1所述的一种机理模型与图像融合驱动的光伏板缺陷检测方法，其特征在于，所述缺陷分类网络为...
【专利技术属性】
技术研发人员：李成栋，马文珂，彭伟，刘洪彬，郝雅婷，彭一博，鹿一凡，
申请(专利权)人：山东建筑大学，
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。