【技术实现步骤摘要】
本公开涉及清洁能源领域，尤其涉及检测，公开了一种基于无监督学习的发电站光伏组件缺陷检测方法及装置。
技术介绍
1、光伏发电利用可再生资源太阳能，通过清洁的光电转换技术实现大规模发电，可以显著减少对化石能源的依赖，大幅减少温室气体的排放。并且，光伏发电具有成本优势，增加了能源多样性，保障了能源安全，对可持续发展和可再生能源战略具有重要意义。
2、发电站中的光伏组件由于长期暴露在自然环境中工作，所以容易产生故障，典型的故障如热斑，会导致热斑对应的区域电效率会明显下降，严重影响整个光伏组件的发电量，甚至可能导致整块组件全部发生问题。热斑属于温度敏感型的缺陷，另外光伏组件由于长期暴露在自然环境中，还会受到其他损伤，产生其他温度不敏感的缺陷，例如va脱落、异物遮挡、裂痕、黄化、气泡等，这些缺陷同样对发电效率产生很大的影响。
3、目前对上述缺陷的检测存在精度低、鲁棒性差、易受环境因素影响、检测效率低等缺陷。
技术实现思路
1、本公开至少提供了一种基于无监督学习的发电站光伏组件缺陷检测方法及装置，以解决上述至少一种缺陷。
2、根据本公开的一方面，提供了一种基于无监督学习的发电站光伏组件缺陷检测方法，包括：
3、采集设置有光伏组件的目标区域内待检测的热成像图像以及可见光图像；
4、利用训练好的光伏分割模型对所述热成像图像以及所述可见光图像进行分割，得到热成像图像中光伏组件所在区域的第一掩码图、所述可见光图像中光伏组件所在区域的第二掩码图；
5、利用训练好的光伏缺陷检测模型中的教师网络模型提取可见光光伏组件图像的第一测试特征矩阵，利用所述光伏缺陷检测模型中的可见光光伏学生网络模型提取可见光光伏组件图像的第二测试特征矩阵，确定所述第一测试特征矩阵和所述第二测试特征矩阵的误差矩阵，得到可见光测试误差矩阵；获取所述教师网络模型和所述可见光光伏学生网络模型针对可见光光伏组件验证图像集进行特征提取的最大可见光验证误差矩阵和最小可见光验证误差矩阵；根据所述可见光测试误差矩阵、最大可见光验证误差矩阵以及最小可见光验证误差矩阵，确定所述可见光光伏组件图像的可见光异常分数矩阵，并基于所述可见光异常分数矩阵中大于第一预设阈值的区域在所述可见光光伏组件图像中标示出可见光异常区域；基于所述可见光异常区域的位置信息确定并返回可见光异常光伏组件的位置信息；其中，所述光伏缺陷检测模型是通过无标签监督的方式训练得到的；
6、利用所述教师网络模型提取热成像光伏组件图像的第三测试特征矩阵，利用所述光伏缺陷检测模型中的热成像光伏学生网络模型提取热成像光伏组件图像的第四测试特征矩阵，确定所述第三测试特征矩阵和所述第四测试特征矩阵的误差矩阵，得到热成像测试误差矩阵；获取所述教师网络模型和所述热成像光伏学生网络模型针对热成像光伏组件验证图像集进行特征提取的最大热成像验证误差矩阵和最小热成像验证误差矩阵；根据所述热成像测试误差矩阵、最大热成像验证误差矩阵以及最小热成像验证误差矩阵，确定所述热成像光伏组件图像的热成像异常分数矩阵，并基于所述热成像异常分数矩阵中大于第二预设阈值的区域在所述热成像光伏组件图像中标示出热成像异常区域；基于所述热成像异常区域的位置信息确定并返回热成像异常光伏组件的位置信息。
7、在一种可能的实施方式中，所述教师网络模型、所述可见光光伏学生网络模型以及所述热成像光伏学生网络模型的结构均如下：
8、在补丁描述网络模型的第二层和第三层之间增加卷积层，并且所有卷积核的kernel为奇数。
9、在一种可能的实施方式中，所述教师网络模型按照如下步骤进行训练：
10、获取预设开源数据集以及训练好的预设开源网络模型；
11、针对预设开源数据集中的每张图像，将该图像输入所述预设开源网络模型中，获取所述预设开源网络模型的第一预设网络层提取的第一特征矩阵以及所述预设开源网络模型的第二预设网络层提取的第二特征矩阵；利用滑动窗口对所述第一特征矩阵进行滑动提取，得到第三特征矩阵；利用所述滑动窗口对所述第二特征矩阵进行滑动提取，并对提取的特征矩阵进行双线性插值处理，得到第四特征矩阵；利用预设特征矩阵维度、第三特征矩阵的维度、第四特征矩阵的维度，确定可适应均值池化时的步长，利用预设特征矩阵维度、第三特征矩阵的维度、第四特征矩阵的维度以及所述可适应均值池化时的步长，确定可适应均值池化时的核尺寸，利用所述步长、所述核尺寸以及预设补全大小，对第一特征矩阵和第二特征矩阵进行多次可适应均值池化处理，得到该图像对应的池化特征矩阵；计算池化特征矩阵在通道方向上的均值，得到该图像对应的第一均值矩阵；
12、计算所有第一均值矩阵的均值，得到第二均值矩阵；
13、针对预设开源数据集中的每张图像，将该图像输入所述预设开源网络模型中，并基于所述预设开源网络模型提取的特征矩阵确定该图像对应的池化特征矩阵；计算该图像对应的池化特征矩阵与所述第二均值矩阵的方差，得到方差矩阵；
14、计算所有方差矩阵的均值，并对得到的均值进行开平方处理，得到标准差矩阵；
15、针对预设开源数据集中的每张图像，将该图像分别输入所述预设开源网络模型和教师网络模型中，并基于所述预设开源网络模型提取的特征矩阵确定该图像对应的池化特征矩阵；计算该图像对应的池化特征矩阵在通道方向上的均值，得到第三均值矩阵，利用所述第二均值矩阵和所述标准差矩阵对所述第三均值矩阵进行归一化处理，得到该图像对应的教师归一化特征矩阵；将所述教师归一化特征矩阵作为所述教师网络模型对该图像进行特征提取得到的教师特征矩阵的标签，并确定所述教师归一化特征矩阵与所述教师特征矩阵的距离，得到教师网络训练距离；
16、将所有的教师网络训练距离的均值作为损失值，并利用所述损失值调整所述教师网络模型的权重参数。
17、在一种可能的实施方式中，所述可见光光伏学生网络模型按照如下步骤进行训练：
18、将可见光光伏组件训练图像集中的训练图像以单张迭代的方式输入到所述教师网络模型，获取各训练图像对应的第一训练特征矩阵；分别计算各第一训练特征矩阵在通道方向上的均值，得到第一训练均值矩阵；计算所有第一训练均值矩阵的均值，得到第二训练均值矩阵；
19、将可见光光伏组件训练图像集中的训练图像以单张迭代的方式输入到所述教师网络模型，获取各训练图像对应的第二训练特征矩阵；分别计算各第二训练特征矩阵与所述第二训练均值矩阵的方差，并计算得到的所有方差的均值，对得到的均值进行开平方处理，得到可见光训练标准差矩阵；
20、将可见光光伏组件训练图像集中的训练图像以单张迭代的方式输入到所述教师网络模型，得到各训练图像对应的第三训练特征矩阵；将可见光光伏组件训练图像集中的训练图像以单张迭代的方式输入到所述可见光光伏学生网络模型，得到各训练图像对本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的发电站光伏组件缺陷检测方法，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，所述教师网络模型、所述可见光光伏学生网络模型以及所述热成像光伏学生网络模型的结构均如下：
3.根据权利要求1所述的方法，其特征在于，所述教师网络模型按照如下步骤进行训练：
4.根据权利要求3所述的方法，其特征在于，所述可见光光伏学生网络模型按照如下步骤进行训练：
5.根据权利要求4所述的方法，其特征在于，所述获取所述教师网络模型和所述可见光光伏学生网络模型针对可见光光伏组件验证图像集进行特征提取的最大可见光验证误差矩阵和最小可见光验证误差矩阵，包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述光伏分割模型以yolov8-seg作为图像编码部分，在yolov8-seg的主干网络和颈部网络之间设置至少一个大核注意力块，并且将yolov8-seg中的分割识别头替换为可见光分割识别头和热成像分割识别头；其中，所述大核注意力块包括多个不同大小的卷积以及GELU激活函数；
7.根据权利要求6所述
8.根据权利要求7所述的方法，其特征在于，还包括训练所述光伏分割模型的步骤：
9.根据权利要求7所述的方法，其特征在于，还包括生成训练所述光伏缺陷检测模型的数据集的步骤：
10.一种基于无监督学习的发电站光伏组件缺陷检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于无监督学习的发电站光伏组件缺陷检测方法，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，所述教师网络模型、所述可见光光伏学生网络模型以及所述热成像光伏学生网络模型的结构均如下：
3.根据权利要求1所述的方法，其特征在于，所述教师网络模型按照如下步骤进行训练：
4.根据权利要求3所述的方法，其特征在于，所述可见光光伏学生网络模型按照如下步骤进行训练：
5.根据权利要求4所述的方法，其特征在于，所述获取所述教师网络模型和所述可见光光伏学生网络模型针对可见光光伏组件验证图像集进行特征提取的最大可见光验证误差矩阵和最小可见光验证误差矩阵，包括：
6.根据权利要求1至5任一项所述的方法，其...
【专利技术属性】
技术研发人员：刘港，何翔，麻霞，梁莉莉，杨璐忆，刘鸿玲，郭彦明，
申请(专利权)人：北京数字绿土科技股份有限公司，
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。