【技术实现步骤摘要】
本申请涉及计算机领域，具体而言，涉及一种目标对象的异常检测方法及装置、存储介质及电子装置。
技术介绍
1、光伏(pv)电池作为将太阳能转化为电能的关键组件，已经成为可再生能源领域的重要组成部分。近年来，随着全球能源需求的不断增长以及对环境保护的重视，光伏技术的发展迅速，光伏发电系统的应用范围也在不断扩大。然而，光伏电池在制造、运输和实际使用过程中，可能会受到各种因素的影响，从而导致不同类型的缺陷和故障。这些缺陷不仅会影响光伏电池的电能转化效率，还可能对整个光伏发电系统的安全性和稳定性产生负面影响。
2、在光伏电池制造过程中，从硅片的切割、清洗、掺杂到最终的电池封装，每一个环节都可能引入缺陷。例如，在硅片的切割过程中，可能会产生微裂纹；在清洗过程中，可能会遗留污染物；在掺杂过程中，可能会出现掺杂不均匀等。这些缺陷在初期可能并不明显，但在光伏电池的长期使用过程中，这些缺陷可能逐渐扩大，最终影响光伏电池的性能。此外，在光伏电池的运输和安装过程中，可能由于振动、撞击等外界因素，导致光伏电池出现新的缺陷或已有缺陷的扩大。例如，光伏电池在运输过程中可能受到机械应力的影响，从而产生新的裂纹或扩展已有的裂纹。
3、光伏电池的缺陷种类多样，常见的包括微裂纹、碎片、黑点、焊接缺陷、热斑等。微裂纹是光伏电池中常见的一种缺陷，通常由机械应力引起，它会导致光伏电池的电性能下降，甚至导致电池失效。碎片是指光伏电池表面或内部存在的异物，它们会遮挡阳光，影响电池的光电转换效率。黑点通常是由生产过程中残留的污染物或材料不均匀引起的，它们也
4、为了确保光伏电池的高效运行和长寿命，及时、准确地检测和识别这些缺陷显得尤为重要。传统的光伏电池缺陷检测方法主要包括人工检查和常规成像技术。人工检查通常依赖于经验丰富的操作人员，通过肉眼或显微镜观察电池表面的缺陷。这种方法虽然直观，但效率低下，难以满足大规模生产和应用的需求。而常规成像技术如电致发光成像(el)、红外成像(ir)和电压电流特性测试等，虽然在一定程度上能够检测和识别光伏电池的缺陷，但这些方法通常需要复杂的设备和较高的操作技能，且检测速度较慢，难以实现在线实时检测。
5、电致发光成像技术通过给光伏电池施加正向电压，使电池发光，通过拍摄电致发光图像，可以观察到电池内部的缺陷如微裂纹、碎片和焊接缺陷等。红外成像技术则是通过检测光伏电池在工作过程中发出的红外辐射，识别出热斑等热缺陷。电压电流特性测试是通过测量光伏电池在不同工作状态下的电压和电流特性，判断电池的整体性能和存在的缺陷。虽然这些方法在实验室条件下效果较好，但在实际应用中，由于设备复杂、成本高、检测速度慢等原因，难以大规模推广应用。
6、随着计算机视觉和人工智能技术的发展，基于深度学习的方法在光伏电池缺陷检测中展现出巨大的潜力。卷积神经网络(cnn)作为一种深度学习模型，因其在图像识别和目标检测任务中的优异表现，受到广泛关注。cnn通过自动提取图像特征，能够有效处理复杂背景和不同类型的缺陷，提高了检测的准确性和效率。yolo系列模型作为一种实时目标检测算法，能够在单个神经网络中同时完成目标定位和分类任务，具有检测速度快、精度高的特点，因此被认为是光伏电池缺陷检测的理想选择。
7、然而，现有的yolo模型在面对光伏电池图像中存在的缺陷大小变化、形状不规则和复杂背景时，仍存在一定的不足。首先，光伏电池的缺陷大小和形状差异较大，而传统的yolo模型在处理不同尺度的目标时，可能会出现漏检或误检。其次，光伏电池的图像背景复杂，可能包含各种噪声和不规则形状的物体，传统的卷积操作难以有效提取这些复杂背景中的有效特征。最后，光伏电池在实际应用中，可能会受到光照变化、阴影遮挡等外界环境的影响，导致图像质量下降，从而影响检测的准确性。
8、针对相关技术中，目前的异常检测模型yolo模型在面对光伏电池图像中存在的缺陷大小变化、形状不规则和复杂背景时，仍存在一定的不足，影响异常检测的准确性的问题，目前尚未提出有效的解决方案。
9、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目标对象的异常检测方法及装置、存储介质及电子装置，以至少解决相关技术中，目前的异常检测模型yolo模型在面对光伏电池图像中存在的缺陷大小变化、形状不规则和复杂背景时，仍存在一定的不足，影响异常检测的准确性的问题。
2、根据本申请实施例的一方面，提供一种目标对象的异常检测方法，包括：对目标对象进行图像采集，得到第一图像；对所述第一图像进行图像预处理，得到第二图像；通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果。
3、在一个示例性的实施例中，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果，包括：通过主干网络对所述第二图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图的分辨率不同；对所述多个第一特征图进行特征融合，并通过头部网络对得到的第二特征图进行异常检测，得到所述异常检测结果，其中，所述异常检测结果包括：多个异常目标、所述多个异常目标的位置信息和所述多个异常目标的异常概率分数，所述异常检测模型包括所述主干网络和所述头部网络。
4、在一个示例性的实施例中，通过主干网络对所述第二图像进行特征提取，得到多个第一特征图，包括：对所述第二图像通过二进制掩码进行有效像素标记，得到第三图像；对所述第三图像通过公式进行部分卷积，得到第一输出张量，其中，yi，j为所述第一输出张量，x为所述第三图像对应的第一输入张量，w为卷积核，m为所述二进制掩码，对所述第一输出张量通过公式进行可切换空洞卷积，得到第二输出张量，其中，yi为所述第三图像中位置i的第二输出张量，xi+j为所述第一输出张量，wj为滤波器j的权重，rj为空洞率，为二进制开关函数、用于控制是否在位置i+jrj'使用滤波器；根据所述第二输出张量生成所述多个第一特征图。
5、在一个示例性的实施例中，对所述多个第一特征图进行特征融合，并通过头部网络对得到的第二特征图进行异常检测，得到所述异常检测结果，包括：通过特征金字塔网络对所述多个第一特征图进行特征融合，得到所述第二特征图；通过所述头部网络中的预测模块对所述第二特征图进行预测处理，得到第三输出张量；对所述第三输出张量进行解码，得到所述异常检测结果。
6、在一个示例性的实施例中，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果之前，所述方法还包括：随机选择目标数量的第一训练图像，其中，所述第一训练图像用于训练所述异常检测模型；对所述第一训练图像进行随机对本文档来自技高网...
【技术保护点】
1.一种目标对象的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果，包括：
3.根据权利要求2所述的方法，其特征在于，通过主干网络对所述第二图像进行特征提取，得到多个第一特征图，包括：
4.根据权利要求3所述的方法，其特征在于，对所述多个第一特征图进行特征融合，并通过头部网络对得到的第二特征图进行异常检测，得到所述异常检测结果，包括：
5.根据权利要求1所述的方法，其特征在于，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果之前，所述方法还包括：随机选择目标数量的第一训练图像，其中，所述第一训练图像用于训练所述异常检测模型；
6.根据权利要求1所述的方法，其特征在于，对所述第一图像进行图像预处理，得到第二图像，包括：
7.一种目标对象的异常检测装置，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
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算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至6中任一项所述的方法。
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中任一项所述方法的步骤。
...【技术特征摘要】
1.一种目标对象的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果，包括：
3.根据权利要求2所述的方法，其特征在于，通过主干网络对所述第二图像进行特征提取，得到多个第一特征图，包括：
4.根据权利要求3所述的方法，其特征在于，对所述多个第一特征图进行特征融合，并通过头部网络对得到的第二特征图进行异常检测，得到所述异常检测结果，包括：
5.根据权利要求1所述的方法，其特征在于，通过异常检测模型对所述第二图像进行异常检测，得到所述目标对象的异常检测结果之前，所述方法还包括：随机选择目标数量的第一训练图像，其中，所述...
【专利技术属性】
技术研发人员：周涛，伊然，王介昌，葛鎣，李景伟，李凌鑫，张立武，于波，安琪，翟强，张梦楠，孙艳，周洪东，
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。