CN114627044A - 一种基于深度学习的太阳能光伏组件热斑检测方法 - Google Patents

一种基于深度学习的太阳能光伏组件热斑检测方法 Download PDF

Info

Publication number
CN114627044A
CN114627044A CN202111399216.6A CN202111399216A CN114627044A CN 114627044 A CN114627044 A CN 114627044A CN 202111399216 A CN202111399216 A CN 202111399216A CN 114627044 A CN114627044 A CN 114627044A
Authority
CN
China
Prior art keywords
module
hot spot
attention
deep learning
detection method
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.)
Pending
Application number
CN202111399216.6A
Other languages
English (en)
Inventor
王道累
姚勇
张世恒
朱瑞
袁斌霞
韩清鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202111399216.6A priority Critical patent/CN114627044A/zh
Publication of CN114627044A publication Critical patent/CN114627044A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度学习的太阳能光伏组件热斑检测方法，包括以下步骤：S1：获取光伏组件的热斑图像，构建数据集；S2：对数据集中的热斑图像数据进行数据增强；S3：构建热斑识别模型，基于数据集对热斑识别模块进行训练；S4：将待识别的光伏组件图像送入热斑识别模型进行识别，获取热斑检测结果。与现有技术相比，本发明具有识别准确性高，可视化效果好等优点。

Description

一种基于深度学习的太阳能光伏组件热斑检测方法
技术领域
本发明涉及光伏热斑检测领域，尤其是涉及一种基于深度学习的太阳能光伏 组件热斑检测方法。
背景技术
随着全球能源革命的深入，可再生能源市场将继续扩大，光伏发电已经成为了 可再生能源的重要组成部分，具有较大的发展空间。随着光伏设备建设的增加，其 设备的故障问题日益增多，人力巡检已经不堪重负。
在光伏发电系统中，由光伏热斑缺陷引起的火灾等事故占光伏发电系统故障的比例最高。通过检查光伏组件红外图形的状况可以大大提高维修决策的效率，进一 步降低光伏电站故障的可能性，保证安全可靠供电。
然而，光伏检测面临着面积大、部件多、自然环境复杂等挑战性问题。传统的 检查方法包括人工地面测量和直升机辅助巡逻。这两种方法都是通过人的视觉观察 来检查，具有高成本、高风险以及低效率等缺点。近年来，无人机和数字图像技术 的发展为光伏电站巡检提供了新的平台。无人机巡检方法通过检查员远程操作无人 机为检查目标收集图像，然后将捕获的图像或视频进行数据分析与检测。由于无人 机检查具有低成本、高安全性和高效率的优点，部署无人机检查来取代传统的人工 检查方法已经得到了广泛的应用。
中国专利CN202110840607.0公开了一种基于Yolov4和热红外图像的光伏缺陷 检测方法，通过深度学习、热红外图像结合无人机成像技术实现红外热斑光伏检测, 操作流程简单，此专利所用模型权重以及数据量过大，不便于部署嵌入式设备中； 中国专利CN202010725625.X的中国发明专利公开了一种基于YOLOv3的新型太 阳能电池板热斑检测方法，该方法以YOLOv3为基础进行改进，解决了传统检测 模式受背景纹理、环境光照、不同图片之间的调参问题，此模型准确率较低且参数 较大，会产生更多的冗余信息，影响检测后的非最大抑制结果；中国专利CN202110745971.9公开了一种基于SSD算法模型和远红外视频的光伏故障智能识 别方法，采用无人机拍摄红外录像，大大减少了人工，为大型光伏电站的检修工作 降低了难度，提高了效率，此模型过于陈旧，检测的准确率较低，会出现较多的错 检和漏检。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学 习的太阳能光伏组件热斑检测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的太阳能光伏组件热斑检测方法，包括以下步骤：
S1：获取光伏组件的热斑图像，构建数据集；
S2：对数据集中的热斑图像数据进行数据增强；
S3：构建热斑识别模型，基于数据集对热斑识别模块进行训练；
S4：将待识别的光伏组件图像送入热斑识别模型进行识别，获取热斑检测结 果。
优选地，所述的热斑识别模型包括主干网络、注意力组件、特征金字塔组件和 预测模块，所述热斑识别模型的输入依次经过主干网络、注意力组件、特征金字塔 组件后获取特征图，所述特征图送入预测模块后获取热斑检测结果。
优选地，所述的主干网络为CSPDarkNet53-Tiny网络。
优选地，所述的CSPDarkNet53-Tiny网络包括依次连接的第一提取模块、第二 提取模块、第三提取模块、第四提取模块、第五提取模块和第六提取模块，所述热 斑识别模型的输入图像送入第一提取模块、第二提取模块、第三提取模块、第四提 取模块、第五提取模块和、第六提取模块依次进行特征提取。
优选地，所述的注意力组件包括第一注意力模块、第二注意力模块，
所述第五提取模块的输出特征图送入第一注意力模块处理后送入特征金字塔 组件，所述第六提取模块的输出特征图送入第二注意力模块处理后送入特征金字塔 组件。
优选地，所述的第一注意力模块、第二注意力模块均采用CBAM注意力机制 的注意力模块。
优选地，所述的特征金字塔组件包括多个卷积层、第一拼接模块、第二拼接模 块、上采样模块、下采样模块，
所述的第二注意力模块的输出经过卷积层、上采样模块处理得到中间特征层，
所述的第一注意力模块的输出经过卷积层处理后送入第一拼接模块与中间特 征层拼接后经过三个卷积层处理后分别送入预测模块和下采样模块，
所述的下采样模块的输出与上采样模块的输入在第二拼接模块中拼接后经过 三个卷积层处理后送入预测模块。
优选地，所述的步骤S2采用伽马变换进行数据增强。
优选地，所述的伽马变换的具体公式为：
s＝crγ
其中，r为灰度图像的输入值(原来的灰度值)，取值范围为[0,1]，s为经过伽 马变换后的灰度输出值，c为灰度缩放系数，γ为伽马因子大小。
优选地，所述的热斑检测结果包括热斑预测框的中心点坐标和热斑预测框的宽、高。
与现有技术相比，本发明具有如下优点：
1)本发明使用数据增强手段提升数据集质量，有效解决数据集数量不够、模 型训练过程中的欠拟合等问题，且无需重复标注，工作量较少。
2)本发明提出一种改进YOLOv4-tiny网络，并添加了路径聚合网络PANet 的思想替换原有的FPN结构，可以有效的适配光伏热斑的红外图像分布特征，有 效提高检测准确率和可视化效果。
3)本发明将CBAM注意力机制与主干网络相结合，使模型在复杂颜色的红 外图像中，检测准确率大幅提升，可以有效解决目标被遮挡、有阴影以及背景纹理 复杂的问题。
附图说明
图1为本发明的流程图；
图2为热斑识别模型的结构示意图；
图3为特征金字塔组件的结构示意图；
图4为注意力模块的结构示意图；
图5为本发明实施例中热斑识别模型训练过程中的损失图；
图6为本发明实施例中的检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的 说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明 并不限定于以下的实施方式。
实施例
一种基于深度学习的太阳能光伏组件热斑检测方法，如图1所示，包括以下步 骤：
S1：获取光伏组件的热斑图像，构建数据集；
本实施例中，通过无人机巡检对光伏组件电站的光伏板进行拍摄，之后针对拍 摄的原始红外图像进行筛选，对不包含热斑的图片、质量较差的图片例如角度重复、 拍摄模糊以及未拍摄到目标的图片进行剔除，初步得到不同场景下的光伏组件热斑 图片共计570张。使用LabelImg对原始红外图像进行标注。
S2：对数据集中的热斑图像数据进行数据增强；
本实施例中，步骤S2采用伽马变换进行数据增强，本实施例所使用数据集格 式为VOC格式，并通过伽马变换进行数据增强。通过这种非线性变换，让图像中 较暗的区域的灰度值得到增强，图像中灰度值过大的区域的灰度值得到降低，共生 成1140个光伏组件热斑数据集图像。将最终得到的数据集按8：2的比例将数据集 分为训练集和测试集输入网络训练。
伽马变换的具体公式为：
s＝crγ
其中，r为灰度图像的输入值(原来的灰度值)，取值范围为[0,1]，s为经过伽 马变换后的灰度输出值，c为灰度缩放系数，γ为伽马因子大小。
S3：构建热斑识别模型，基于数据集对热斑识别模块进行训练。
热斑识别模型包括主干网络、注意力组件、特征金字塔组件和预测模块，所述 热斑识别模型的输入依次经过主干网络、注意力组件、特征金字塔组件后获取特征 图，所述特征图送入预测模块后获取热斑检测结果。
具体地，热斑识别模型的结构图如图2所示，主干网络为CSPDarkNet53-Tiny 网络，包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模 块、第五提取模块和第六提取模块，热斑识别模型的输入图像送入第一提取模块、 第二提取模块、第三提取模块、第四提取模块、第五提取模块和、第六提取模块依 次进行特征提取。如图2所示，第一提取模块、第二提取模块、第三提取模块、第 四提取模块、第五提取模块和第六提取模块分别为Darknet_block1、Darknet_block2、 Resblock1、Resblock2、Resblock3、Darknet_block3。
注意力组件包括第一注意力模块、第二注意力模块，Resblock3的输出输出特 征图送入第一注意力模块处理后送入特征金字塔组件，Darknet_block3的输出特征 图送入第二注意力模块处理后送入特征金字塔组件。本实施例中，第一注意力模块、 第二注意力模块均采用CBAM注意力机制的注意力模块，如图4所示。
采用CBAM注意力机制的注意力模块首先将输入的特征图F(H×W×C)分 别经过基于width和height的global max pooling(全局最大池化)和global average pooling(全局平均池化)，得到两个1×1×C的特征图，接着，再将它们分别送入 一个两层的神经网络(MLP)，第一层神经元个数为C/r(r为减少率)，激活函数 为Relu，第二层神经元个数为C，这个两层的神经网络是共享的。而后，将MLP 输出的特征进行基于element-wise的加和操作，再经过sigmoid激活操作，生成最 终的channel attention feature，即M_c。最后，将M_c和输入特征图F做element-wise 乘法操作，生成Spatial attention模块需要的输入特征。
然后将Channel attention模块输出的特征图F作为本模块的输入特征图。首先做一个基于channel的global max pooling和global average pooling，得到两个H× W×1的特征图，然后将这2个特征图基于channel做concat操作(通道拼接)。 然后经过一个7×7卷积(7×7比3×3效果要好)操作，降维为1个channel，即 H×W×1。再经过sigmoid生成spatial attention feature，即M_s。最后将该feature 和该模块的输入feature做乘法，得到最终生成的特征。
本实施例的特征金字塔组件包括多个卷积层、第一拼接模块、第二拼接模块、 上采样模块、下采样模块，第二注意力模块的输出经过卷积层、上采样模块处理得 到中间特征层，第一注意力模块的输出经过卷积层处理后送入第一拼接模块与中间 特征层拼接后经过三个卷积层处理后分别送入预测模块和下采样模块，所述下采样 模块的输出与上采样模块的输入在第二拼接模块中拼接后经过三个卷积层处理后 送入预测模块。
具体地，如图3所示，第一注意力模块的输出为C1，第一注意力模块的输出 为C2，Conv代表卷积层，ConCat代表卷积模块，Upsampling为上采样模块、Downsampling为下采样模块，特征金字塔组件的构建步骤如下：
1.输入C2经过1×1卷积层处理以及归一化处理和激活函数处理之后通道数由512降至256，得到特征层N，再经过上采样模块处理之后特征图的宽和高翻倍， 得到中间特征层M，尺寸为(26,26,128)；
2.输入C1首先经过1×1卷积层处理后通道数降至128，然后与步骤1中的 中间特征层M在第一拼接模块中进行第1维(通道维，dim＝1)堆叠，尺寸变为 (26,26,256)；
3.步骤2的输出再经过三次卷积层处理(卷积核大小分别为1×1、3×3和1 ×1)之后，通道数依次变为128、256和128，特征图的高和宽保持不变，并得 到第二个输出P2，送入预测模块。其中，卷积核大小为1×1的卷积层可以有效 降低网络的参数量；
4.输出P2还经过下采样模块处理之后(利用核大小为3×3、步长为2的卷 积层实现)通道数由128升至256，同时特征图的高和宽减半，尺寸为(13,13,256)， 并与特征层N在通道维度进行堆叠，尺寸又变为(13,13,512)；
5.上一步的输出再经过类似步骤2中的三次卷积处理之后，通道数由512降 至256，得到第一个输出P1，送入预测模块。
本实施例中，预测模块包括Yolo Head1、Yolo Head2两个预测层，需要注意的 是，此结构的输出P1、P2同样需要经过少量卷积处理之后才能得到相应的预测特 征层YoloHead1和Yolo Head2，预测特征层还需要进行信息解码以及非极大值抑 制之后才能得到最终的目标预测框。
最终将从特征金字塔输出的两个特征图用以预测，每个特征图分别被划分为不同个网格，每个网格输出一套独立的预测信息，包括生成框中心点坐标、生成框宽 高，通过将生成框的值解码得到预测框的信息，包括预测框中心点坐标、宽高。
本实施例中，使用Pytorch框架实现模型搭建，基于python编程语言，实验操 作系统为Ubuntu16.04、NVIDIA Tesla T4(16G显存)，batch size设置为16，初始 学习率为0.001，采用随机梯度下降法对总损失函数进行优化训练，输入图像大小 为416 416。
本文使用的评价指标为平均准确率(mAP)，通过衡量预测标签框与真实标签 框的交并比(IOU)得到每个类别的精确度(Precision)和召回率(Recall)，由精 确度和召回率所绘制的曲线面积即为准确率均值(AP)，多个类别的AP平均值即 为平均准确率。其计算式可表示为：
Figure BDA0003371048850000071
式中n为类别总数，p表示精准度(Precision)，r表示召回率(Recall)。
将处理好的数据集输入模型进行训练，图像首先经过候选框生成网络，通过卷 积与非线性处理提取特征信息，之后经过CBAM注意力机制处理，结合目标通道 和空间的特征信息，获得两个方向的注意力权重，并于原始特征图相乘，得到具有 权重信息的特征图，提升网络对光伏组件热斑的重视度。经过100个轮次的训练， 得到训练好的模型权重。图5为训练过程中的损失图。
S4：将训练好的权重载入模型，并将待识别的光伏组件图像送入热斑识别模 型进行识别，通过解码得到目标在图像上的位置信息，最终在图像上显示出来，完 成检测，获取热斑检测结果，热斑检测结果包括热斑预测框的中心点坐标和热斑预 测框的宽、高。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其 它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变 更。

Claims (10)

1.一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，包括以下步骤：
S1：获取光伏组件的热斑图像，构建数据集；
S2：对数据集中的热斑图像数据进行数据增强；
S3：构建热斑识别模型，基于数据集对热斑识别模块进行训练；
S4：将待识别的光伏组件图像送入热斑识别模型进行识别，获取热斑检测结果。
2.根据权利要求1所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的热斑识别模型包括主干网络、注意力组件、特征金字塔组件和预测模块，所述热斑识别模型的输入依次经过主干网络、注意力组件、特征金字塔组件后获取特征图，所述特征图送入预测模块后获取热斑检测结果。
3.根据权利要求2所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的主干网络为CSPDarkNet53-Tiny网络。
4.根据权利要求3所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的CSPDarkNet53-Tiny网络包括依次连接的第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块和第六提取模块，所述热斑识别模型的输入图像送入第一提取模块、第二提取模块、第三提取模块、第四提取模块、第五提取模块和第六提取模块依次进行特征提取。
5.根据权利要求4所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的注意力组件包括第一注意力模块、第二注意力模块，
所述第五提取模块的输出特征图送入第一注意力模块处理后送入特征金字塔组件，所述第六提取模块的输出特征图送入第二注意力模块处理后送入特征金字塔组件。
6.根据权利要求5所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的第一注意力模块、第二注意力模块均采用CBAM注意力机制的注意力模块。
7.根据权利要求5所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的特征金字塔组件包括多个卷积层、第一拼接模块、第二拼接模块、上采样模块、下采样模块，
所述的第二注意力模块的输出经过卷积层、上采样模块处理得到中间特征层，
所述的第一注意力模块的输出经过卷积层处理后送入第一拼接模块与中间特征层拼接后经过三个卷积层处理后分别送入预测模块和下采样模块，
所述的下采样模块的输出与上采样模块的输入在第二拼接模块中拼接后经过三个卷积层处理后送入预测模块。
8.根据权利要求1所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的步骤S2采用伽马变换进行数据增强。
9.根据权利要求8所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的伽马变换的具体公式为：
s＝crγ
其中，r为灰度图像的输入值(原来的灰度值)，取值范围为[0,1]，s为经过伽马变换后的灰度输出值，c为灰度缩放系数，γ为伽马因子大小。
10.根据权利要求1所述的一种基于深度学习的太阳能光伏组件热斑检测方法，其特征在于，所述的热斑检测结果包括热斑预测框的中心点坐标和热斑预测框的宽、高。
CN202111399216.6A 2021-11-24 2021-11-24 一种基于深度学习的太阳能光伏组件热斑检测方法 Pending CN114627044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111399216.6A CN114627044A (zh) 2021-11-24 2021-11-24 一种基于深度学习的太阳能光伏组件热斑检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111399216.6A CN114627044A (zh) 2021-11-24 2021-11-24 一种基于深度学习的太阳能光伏组件热斑检测方法

Publications (1)

Publication Number Publication Date
CN114627044A true CN114627044A (zh) 2022-06-14

Family

ID=81897304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111399216.6A Pending CN114627044A (zh) 2021-11-24 2021-11-24 一种基于深度学习的太阳能光伏组件热斑检测方法

Country Status (1)

Country Link
CN (1) CN114627044A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955965A (zh) * 2023-09-20 2023-10-27 山东鑫泰莱光电股份有限公司 一种基于太阳能数据故障预测方法、设备以及存储介质
CN117237590A (zh) * 2023-11-10 2023-12-15 华能新能源股份有限公司山西分公司 基于图像识别的光伏组件热斑识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955965A (zh) * 2023-09-20 2023-10-27 山东鑫泰莱光电股份有限公司 一种基于太阳能数据故障预测方法、设备以及存储介质
CN116955965B (zh) * 2023-09-20 2024-02-02 山东鑫泰莱光电股份有限公司 一种基于太阳能数据故障预测方法、设备以及存储介质
CN117237590A (zh) * 2023-11-10 2023-12-15 华能新能源股份有限公司山西分公司 基于图像识别的光伏组件热斑识别方法及系统
CN117237590B (zh) * 2023-11-10 2024-04-02 华能新能源股份有限公司山西分公司 基于图像识别的光伏组件热斑识别方法及系统

Similar Documents

Publication Publication Date Title
CN110827251B (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN112200764B (zh) 一种基于热红外图像的光伏电站热斑检测与定位方法
CN113469953B (zh) 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法
CN110570363A (zh) 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法
CN114627044A (zh) 一种基于深度学习的太阳能光伏组件热斑检测方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN114494908A (zh) 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法
CN116883801A (zh) 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
CN115019302A (zh) 一种改进型yolox目标检测模型构建方法及其应用
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN115410087A (zh) 一种基于改进YOLOv4的输电线路异物检测方法
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
CN114782298A (zh) 一种具有区域注意力的红外与可见光图像融合方法
CN113160085B (zh) 一种基于生成对抗网络的水花遮挡图像数据集采集方法
CN117113066B (zh) 一种基于计算机视觉的输电线路绝缘子缺陷检测方法
CN111915565B (zh) 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法
CN114202505A (zh) 一种用于风机叶片表面缺陷的检测方法
CN114119454A (zh) 用于输电线路烟雾检测的装置及方法
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN113111740A (zh) 一种遥感图像目标检测的特征编织方法
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
CN114549391A (zh) 一种基于偏振先验的电路板表面缺陷检测方法
CN116580324A (zh) 一种基于YOLOv5的无人机对地目标检测方法
CN116844109A (zh) 一种改进YOLOv7和融合双向路由注意力机制的火焰检测方法

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