CN112927222B - 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 - Google Patents
一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 Download PDFInfo
- Publication number
- CN112927222B CN112927222B CN202110330963.8A CN202110330963A CN112927222B CN 112927222 B CN112927222 B CN 112927222B CN 202110330963 A CN202110330963 A CN 202110330963A CN 112927222 B CN112927222 B CN 112927222B
- Authority
- CN
- China
- Prior art keywords
- detection
- hot spot
- type
- cnn
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于混合改进Faster R‑CNN实现多种类光伏阵列热斑检测方法。该方法采集光伏阵列多尺度的红外图像数据,剔除异常的图像数据后,进行热斑等光伏缺陷的类别和回归框标注。通过在线数据增强增加样本的数据量,先输入训练热斑阴影类检测模型,接着输入训练光伏面板类检测模型。通过光伏面板类检测模型的面板检测结果,将热斑阴影类模型检测结果中不在检测面板内的目标去除掉,最后输出原图和图像中光伏面板、一类热斑、二类热斑和阴影四类的检测结果。本发明能够准确对光伏阵列的红外热斑进行检测与定位。
Description
技术领域
本发明涉及光伏阵列热斑检测技术领域,特别是一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法。
背景技术
在2010年至2019年间,太阳能光伏发电成本下降了82%。得益于此,光伏发电累计装机容量增长迅速。这意味着光伏系统越来越复杂,随之带来复杂的维护和操作任务。故而,需要有效的方法和工具减少维护成本,确保光伏系统的生产率。近年来,各种检查和故障诊断方法得到发展,最常见的方法包括目视检查、性能测量,电致发光和红外热成像。其中,基于红外热成像的方法,因可以无接触、无损地监测,并能简单快速获得大量确切物理位置信息,具有强大吸引力。已有研究将该方法应用于光伏故障监测领域。
然而,对于红外图像,通常需要进行视觉评估和大量图像祯的分析。对于此,数字图像处理方法通常需要繁琐的图像处理过程。而近年来快速发展的卷积神经网络,在图像分类和目标检测等视觉识别任务中表现出明显的优越性。已有国内外学者应用于光伏系统故障检测中,取得一定效果。Alvaro等人采用基于区域的卷积神经网络(Regionconvolution neural network,R-CNN)自动识别光伏面板并标注面板上的热斑,其精度比数字图像处理方法有很大提升。郭梦浩等人则采用Faster R-CNN目标识别网络实现热斑检测,该方法相比R-CNN网络识别速度快并可减少运算和存储资源,但是检测目标的类别较少且尺度固定,并且他们优化后的模型参数量较大。
为检测光伏阵列红外图像中的多种类目标,包括阴影和两种类型热斑。首先,引进残差网络作为Faster R-CNN的特征提取网络以提升对抽象特征的提取能力。其次,为提高多尺度目标检测精度,改进了RPN网络的锚框选区方案,提升对小尺度目标的关注。如此改进的模型增强了对输入数据的敏感度,但也包括噪声。因此,进一步考虑到屋顶光伏周围环境因素复杂,检测噪声较大,容易造成模型误检。基于此,本文提出混合改进的Faster R-CNN模型,聚焦光伏阵列,降低环境噪声对热斑检测的影响。
目前,公开发表的文献及专利中尚未见有将基于混合改进Faster R-CNN应用于光伏阵列多种类热斑检测的研究。
发明内容
本发明的目的在于提供一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,能够高精度、高鲁棒性的检测光伏阵列的多种类热斑。
为实现上述目的,本发明的技术方案是:一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,包括:
采集光伏阵列的多尺度红外图像数据;
去除光伏阵列的多尺度红外图像数据中的异常数据,对剩余数据进行类别和回归框标注,以及在线数据增强;
搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到热斑阴影类检测模型;
搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到光伏面板类检测模型;
将光伏面板类检测模型结果和热斑阴影类检测模型的结果进行整合,输出为混合改进Faster R-CNN的检测结果。
在本发明一实施例中,所述采集光伏阵列的多尺度红外图像数据的具体实现方式为:从不同角度、不同的相机到光伏阵列的高度和距离拍摄得到的不同尺度光伏面板的红外图像数据,采集的多尺度红外图像数据,包括不同光照度和温度情况下光伏阵列运行下获取的红外图像数据。
在本发明一实施例中,所述对剩余数据进行类别和回归框标注,以及在线数据增强的预处理的具体实现过程如下:
用labelImg软件,给去除异常数据的采集数据标注:对于类别分为一类热斑hospot_1,二类热斑hospot_2,阴影类shadow以及光伏面板类panel;回归框为矩形,有四个参数项:矩形左上角顶点坐标(x,y),矩形框的长度w和高h;标注完所有的数据生成每张图对应的xml文件;
在线数据增强是按水平中轴线和垂直中轴线对输入图像进行水平镜像翻转和垂直镜像翻转。
在本发明一实施例中,所述热斑阴影类检测模型对应的改进的Faster R-CNN网络的参数为:卷积特征提取网络为ResNet50,初始化参数为ImageNet上的预训练模型ResNet_V1_50对应的参数;RPN网络的锚框尺寸为1,2,4,8;检测类别为一类热斑、二类热斑和阴影三类;迭代次数为15000;其余参数为默认参数。
在本发明一实施例中,所述光伏面板类检测模型对应的改进Faster R-CNN网络参数为:卷积特征提取网络为VGG16,初始化参数为ImageNet上的预训练模型VGG16对应的参数;RPN网络的锚框长宽比增加比例4;检测类别为光伏面板一类;迭代次数为5000;其余参数为默认参数。
在本发明一实施例中,所述将光伏面板类检测模型结果和热斑阴影类检测模型的结果进行整合,输出为混合改进Faster R-CNN的检测结果的实现方式为:将所需检测的图像数据分别经过热斑阴影类检测模型和光伏面板类检测模型,对应得到两个模型的目标检测结果即检测回归框和检测类别;根据两者结果目标的检测回归框重叠面积的情况,去除面板外的热斑阴影类检测目标;具体实现如下:
热斑阴影类检测模型获得的目标回归框参数和光伏面板类检测模型获得的目标回归框参数为回归框左上顶点的坐标,回归框的高度和回归框的宽度;根据这四个参数,计算面积重叠比例SP,SP则根据下式给出:
若SP大于0.5保留热斑阴影类模型的回归框,否则舍弃。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
1、本发明能够检测多种类的光伏阵列热斑缺陷。
2、本发明用混合改进Faster R-CNN网络检测光伏热斑数据,有效提升检测的准确率及提高模型的鲁棒性。以采集的实验光伏阵列的测试数据集为例,本发明的平均准确率为98.36%,平均AP值为0.855,平均误检率为0.82%。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的数据采集光伏阵列图。
图3为本发明实施例的故障模拟示意图。
图4为本发明实施例的光伏系统红外灰度图。
图5为本发明实施例的热斑误检结果示意图。
图6为本发明实施例的混合改进Faster R-CNN模型检测结果示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,具体包括以下步骤:
步骤S1:采集光伏阵列的多尺度红外图像数据;
步骤S2:去除异常数据,对剩余数据进行类别和回归框标注及数据增强的预处理;
步骤S3:搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到热斑阴影类检测模型;
步骤S4:搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到光伏面板类检测模型;
步骤S5:将光伏面板类检测模型结果和热斑阴影类检测模型的结果进行整合,输出为混合改进Faster R-CNN的检测结果。
较佳的,本实施例中采集数据所采用的是包括三个组串和两个参考板组件,每个组串由6个光伏组件串联,3个组串组成工作的光伏阵列,该光伏阵列如图2所示。
在本实施例中,步骤S1中,所述样本组合包括从不同角度、不同的相机到光伏阵列的高度和距离拍摄得到的不同尺度光伏面板的红外图像数据,采集的多尺度红外图像数据,包括不同光照度和温度情况下光伏阵列运行下获取的。
特别的,所采集数据的热斑和阴影,是用树叶、纸片以及自制的小旗子遮挡,加上模拟串间短路,以及板子自身的故障组成,如图3。实验中热斑有两种情况,如图所示,亮度均匀的为一类热斑,中间暗旁边亮为二类热斑,如图4。热斑的采集基于工作的光伏阵列上进行采集,阴影涉及全部的光伏组件。红外相机采集红外灰度图像,采取多角度、不同高度及距离进行多样化多尺度的拍摄。采集用于模型训练和测试的数据集情况如下表1所示。
表1测试数据集情况(单位:个)
在本实施例中,步骤S2中,去除异常数据后,对采集数据进行类别标注和回归框标注,以及进行在线数据增强。具体操作如下:
用labelImg软件,给采集数据标注。对于类别分为一类热斑hospot_1,二类热斑hospot_2,阴影类shadow以及光伏面板类panel。回归框为矩形,有四个参数项:矩形左上角顶点坐标(x,y),矩形框的长度w和高h。标注完所有的数据生成每张图对应的xml文件。
在本实施例中,步骤S3中,所述的热斑阴影类检测模型对应的改进的Faster R-CNN网络的参数情况如下:卷积特征提取网络为ResNet50,初始化参数为ImageNet上的预训练模型ResNet_V1_50对应的参数;RPN网络的锚框尺寸为1,2,4,8;检测类别为一类热斑、二类热斑和阴影三类;迭代次数为15000;其余参数为默认参数。
在本实施例中,步骤S4中,面板类模型对应的改进Faster R-CNN网络参数情况如下:卷积特征提取网络为VGG16,初始化参数为ImageNet上的预训练模型VGG16对应的参数;RPN网络的锚框长宽比增加比例4;检测类别为光伏面板一类;迭代次数为5000;其余参数为默认参数。
较佳的,在本实施例中,步骤S5中,所需检测的图像数据分别经过热斑阴影类检测模型和光伏面板类检测模型,对应得到两个模型的目标检测结果即检测回归框和检测类别。根据两者结果目标的检测回归框重叠面积的情况,去除面板外的热斑阴影类检测目标。具体如下:
热斑阴影类模型获得的目标和面板类模型获得的目标回归框参数为回归框左上顶点的坐标,回归框的高度和回归框的宽度。根据这四个参数,计算面积重叠比例,则根据下式给出:
若SP大于0.5保留热斑阴影类模型的回归框,否则舍弃。
特别的,本实施例测试样本中的某张测试图经过步骤3的模型后的输出如图5所示,而经过步骤5的模型后的输出如图6所示。图6很好地将图5中因为环境噪声误检的情况消除了,提高了检测精度。
相对应的,采用典型YOLOV3检测模型和原始Faster R-CNN(Faster R-CNN,FRCNN)模型作为对照组,采用混合改进Faster R-CNN(Hybird improved Faster R-CNN,HI_FRCNN)检测模型当做实验组,都选择表1的测试数据集作为训练和测试的输入,结果如表2所示。从平均AP值来看,实验组HI_FRCNN的平均AP值为0.855,比对照组的YOLOV3平均AP值0.677提高约17.8个百分点,比对照组的FRCNN平均AP值0.742提高11.3个百分点。实验组HI_FRCNN的检测平均准确率为98.36%,比对照组YOLOV3的平均准确率82.38%提高约16个百分点,比对照组FRCNN的平均准确率90.57%提高约8个百分点。从三个检测类别的AP值来看,实验组HI_FRCNN都比对照组无论YOLOV3还是FRCNN来得高。这是因为HI_FRCNN引入了ResNet残差网络提取特征,和改进锚框选区方案提高对小目标的检测能力,并且聚焦光伏阵列降低了环境噪声的误检率。所以,这个提高结果是合理的。因此,基于HI_FRCNN网络与YOLOV3和FRCNN相比精度更高,检测效果更好。
表2两组实验检测结果对比
对比指标 | YOLOV3 | FRCNN | HI_FRCNN |
一类热斑AP | 0.781 | 0.812 | 0.885 |
二类热斑AP | 0.587 | 0.789 | 0.812 |
阴影AP | 0.662 | 0.627 | 0.724 |
平均AP | 0.677 | 0.742 | 0.855 |
平均准确率 | 82.38% | 90.57% | 98.36% |
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,其特征在于,包括:
采集光伏阵列的多尺度红外图像数据;
去除光伏阵列的多尺度红外图像数据中的异常数据,对剩余数据进行类别和回归框标注,以及在线数据增强;
搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到热斑阴影类检测模型;
搭建和改进Faster R-CNN网络,利用采集的数据集训练,得到光伏面板类检测模型;
将光伏面板类检测模型结果和热斑阴影类检测模型的结果进行整合,输出为混合改进Faster R-CNN的检测结果;
所述热斑阴影类检测模型对应的改进的Faster R-CNN网络的参数为:卷积特征提取网络为ResNet50,初始化参数为ImageNet上的预训练模型ResNet_V1_50对应的参数;RPN网络的锚框尺寸为1,2,4,8;检测类别为一类热斑、二类热斑和阴影三类;迭代次数为15000;其余参数为默认参数;
所述光伏面板类检测模型对应的改进Faster R-CNN网络参数为:卷积特征提取网络为VGG16,初始化参数为ImageNet上的预训练模型VGG16对应的参数;RPN网络的锚框长宽比增加比例4;检测类别为光伏面板一类;迭代次数为5000;其余参数为默认参数;
所述将光伏面板类检测模型结果和热斑阴影类检测模型的结果进行整合,输出为混合改进Faster R-CNN的检测结果的实现方式为:将所需检测的图像数据分别经过热斑阴影类检测模型和光伏面板类检测模型,对应得到两个模型的目标检测结果即检测回归框和检测类别;根据两者结果目标的检测回归框重叠面积的情况,去除面板外的热斑阴影类检测目标;具体实现如下:
热斑阴影类检测模型获得的目标回归框参数和光伏面板类检测模型获得的目标回归框参数为回归框左上顶点的坐标,回归框的高度和回归框的宽度;根据这四个参数,计算面积重叠比例SP,SP则根据下式给出:
若SP大于0.5保留热斑阴影类模型的回归框,否则舍弃。
2.根据权利要求1所述的一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,其特征在于,所述采集光伏阵列的多尺度红外图像数据的具体实现方式为:从不同角度、不同的相机到光伏阵列的高度和距离拍摄得到的不同尺度光伏面板的红外图像数据,采集的多尺度红外图像数据,包括不同光照度和温度情况下光伏阵列运行下获取的红外图像数据。
3.根据权利要求1所述的一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法,其特征在于,所述对剩余数据进行类别和回归框标注,以及在线数据增强的预处理的具体实现过程如下:
用labelImg软件,给去除异常数据的采集数据标注:对于类别分为一类热斑hospot_1,二类热斑hospot_2,阴影类shadow以及光伏面板类panel;回归框为矩形,有四个参数项:矩形左上角顶点坐标(x,y),矩形框的长度w和高h;标注完所有的数据生成每张图对应的xml文件;
在线数据增强是按水平中轴线和垂直中轴线对输入图像进行水平镜像翻转和垂直镜像翻转。
4.一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330963.8A CN112927222B (zh) | 2021-03-29 | 2021-03-29 | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330963.8A CN112927222B (zh) | 2021-03-29 | 2021-03-29 | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927222A CN112927222A (zh) | 2021-06-08 |
CN112927222B true CN112927222B (zh) | 2022-10-04 |
Family
ID=76176277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330963.8A Active CN112927222B (zh) | 2021-03-29 | 2021-03-29 | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538391B (zh) * | 2021-07-25 | 2022-08-02 | 吉林大学 | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543585A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 基于卷积神经网络的水下光学目标检测与识别方法 |
CN111539355A (zh) * | 2020-04-27 | 2020-08-14 | 东北电力大学 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
CN111724342A (zh) * | 2020-05-18 | 2020-09-29 | 天津大学 | 一种用于超声影像中甲状腺微小结节的检测方法 |
CN112164038A (zh) * | 2020-09-16 | 2021-01-01 | 上海电力大学 | 一种基于深度卷积神经网络的光伏热斑检测方法 |
-
2021
- 2021-03-29 CN CN202110330963.8A patent/CN112927222B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112927222A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Accurate and robust crack detection using steerable evidence filtering in electroluminescence images of solar cells | |
CN109743019B (zh) | 基于气象因素的热斑温度预测及热斑定位的系统和方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN112802016A (zh) | 基于深度学习的实时布匹缺陷检测方法及系统 | |
CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN111738097A (zh) | 一种目标分类方法、装置、电子设备和可读存储介质 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN112927222B (zh) | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 | |
CN114596278A (zh) | 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置 | |
CN116229052A (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN114529537A (zh) | 光伏板的异常目标检测方法、系统、设备及介质 | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
Demirci et al. | Defective PV cell detection using deep transfer learning and EL imaging | |
CN117523573A (zh) | 基于多阶段视觉检测融合故障预警的水表读数方法、系统 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112288730A (zh) | 基于人工智能的光伏电池板表面缺陷定位方法及装置 | |
CN113822836A (zh) | 标记图像的方法 | |
CN115049648B (zh) | 光伏组件热斑缺陷检测方法及装置 | |
CN113592859B (zh) | 一种基于深度学习的用于显示面板缺陷的分类方法 | |
CN110766675A (zh) | 太阳能电池板缺陷检测方法 | |
Hu et al. | A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |