CN115797270A - 漏光检测模型的训练方法、检测方法、设备及存储介质 - Google Patents
漏光检测模型的训练方法、检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115797270A CN115797270A CN202211430060.8A CN202211430060A CN115797270A CN 115797270 A CN115797270 A CN 115797270A CN 202211430060 A CN202211430060 A CN 202211430060A CN 115797270 A CN115797270 A CN 115797270A
- Authority
- CN
- China
- Prior art keywords
- light leakage
- training
- image
- cell
- detection model
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种漏光检测模型的训练方法、检测方法、设备及存储介质,漏光检测模型的训练方法包括:获取光伏组件图像以及光伏组件图像的组件漏光标注;根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。训练得到的目标漏光检测模型可用于待检测光伏组件中电池片的漏光检测,并且具有较高的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种漏光检测模型的训练方法、检测方法、设备及存储介质。
背景技术
太阳能光伏组件(也叫太阳能电池板)是太阳能发电系统中的核心部分,也是太阳能发电系统中最重要的部分,由多个电池片串并联组成;其作用是将太阳能转化为电能,或送往蓄电池中存储起来,或推动负载工作。
由于电池片是通过吸收光照,然后进行能量转换,因此电池片的漏光缺陷会严重影响电池片的发电性能;因此,亟需一种对光伏组件的电池片的漏光检测方法。
发明内容
针对现有技术中所存在的不足,本发明提供一种漏光检测模型的训练方法、检测方法、设备及存储介质。
第一方面,在一个实施例中,本发明提供一种漏光检测模型的训练,包括:
获取光伏组件图像以及光伏组件图像的组件漏光标注;
根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
在一个实施例中,根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注,包括:
对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像;
根据组件漏光标注中每个漏光缺陷的位置信息以及每个训练电池片图像在光伏组件图像中的位置信息,确定每个训练电池片图像对应的电池片漏光标注。
在一个实施例中,对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像,包括:
获取已训练的目标图像分割模型;
将光伏组件图像输入至目标图像分割模型中,得到目标图像分割模型输出的分割信息;
根据分割信息对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像。
在一个实施例中,根据组件漏光标注中每个漏光缺陷的位置信息以及每个训练电池片图像在光伏组件图像中的位置信息,确定每个训练电池片图像的电池片漏光标注,包括:
根据每个训练电池片图像在光伏组件图像中的位置信息以及组件漏光标注中每个漏光缺陷的位置信息,得到包含漏光缺陷的第一训练电池片图像、漏光缺陷在第一训练电池片图像的位置信息以及未包括漏光缺陷的第二训练电池片图像;
根据漏光缺陷在第一训练电池片图像的位置信息,对第一训练电池片图像进行第一漏光标注,得到第一训练电池片的电池片漏光标注;
对第二训练电池片图像进行第二漏光标注,得到第二训练电池片图像的电池片漏光标注;第一漏光标注表征存在漏光缺陷的标注,第二漏光标注表征未存在漏光缺陷的标注。
在一个实施例中,电池片漏光标注包括标注漏光位置、标注漏光类型、以及标注漏光置信度;根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型,包括:
将训练样本数据输入至初始漏光检测模型,得到每个训练电池片图像的训练预测漏光位置、训练预测漏光类型以及训练预测漏光置信度;
根据训练预测漏光位置以及标注漏光位置,得到位置损失;
根据训练预测漏光类型以及标注漏光类型,得到类型损失;
根据训练预测漏光置信度以及标注漏光置信度,得到置信度损失;
根据位置损失、类型损失以及置信度损失,得到目标损失;
若目标损失不满足预设条件,则根据目标损失调整初始漏光检测模型的模型参数,直至得到的目标损失满足预设条件,得到目标漏光检测模型。
在一个实施例中,根据位置损失、类型损失以及置信度损失,得到目标损失,包括:
确定位置损失、类型损失以及置信度损失的损失权重;
根据损失权重,对位置损失、类型损失以及置信度损失进行加权处理,得到目标损失。
在一个实施例中,本发明提供一种光伏组件的漏光检测方法,基于上述任一种实施例中的漏光检测模型的训练方法得到的已训练的目标漏光检测模型进行漏光检测,方法包括:
获取待检测光伏组件对应的待检测电池片图像;
基于目标漏光检测模型,对待检测电池片图像进行漏光检测,得到目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度;
根据目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度,得到待检测电池片图像的目标漏光检测结果。
第二方面,在一个实施例中,本发明提供一种漏光检测模型的训练装置,包括:
图像获取模块,用于获取光伏组件图像以及光伏组件图像的组件漏光标注;
漏光标注模块,用于根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
样本生成模块,用于根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
模型训练模块,用于根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
第三方面,在一个实施例中,本发明提供一种计算机设备,包括存储器和处理器;存储器存储有计算机程序,处理器用于运行存储器内的计算机程序,以执行上述任一种实施例中的漏光检测模型的训练方法中的步骤或上述任一种实施例中的光伏组件的漏光检测方法中的步骤。
第四方面,在一个实施例中,本发明提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器进行加载,以执行上述任一种实施例中的漏光检测模型的训练方法中的步骤或上述任一种实施例中的光伏组件的漏光检测方法中的步骤。
通过上述漏光检测模型的训练方法、检测方法、设备及存储介质,先得到光伏组件图像整体上的组件漏光标注,然后再根据组件漏光标注得到光伏组件图像中每个训练电池片图像的电池片漏光标注,并根据每个训练电池图像的电池片漏光标注构建训练样本数据,如此,通过构建得到的训练样本数据对初始漏光检测模型进行训练,即可使训练得到的目标漏光检测模型用于待检测光伏组件中电池片的漏光检测,具有较高的效率和精度;此外,仅需一次对光伏组件图像的标注,就可以得到不同尺寸的训练电池片图像的电池片漏光标注,提高了多尺寸训练电池片图像的漏光标注效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例中漏光检测模型的训练方法的应用场景示意图;
图2为本发明一个实施例中漏光检测模型的训练方法的流程示意图;
图3为本发明一个实施例中漏光检测模型的训练装置的结构示意图;
图4为本发明一个实施例中计算机设备的内部结构示意图;
图5为本发明一个实施例中人工标注后带矩形框的光伏组件图像的示意图;
图6为本发明一个实施例中对应训练电池片图像并带矩形框的子中间图像的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例中的漏光检测模型的训练方法应用于漏光检测模型的训练装置,漏光检测模型的训练装置设置于计算机设备;计算机设备可以是终端,例如,手机或平板电脑,计算机设备还可以是一台服务器,或者多台服务器组成的服务集群。
如图1所示,图1为本发明实施例中漏光检测模型的训练方法的应用场景示意图,本发明实施例中漏光检测模型的训练方法的应用场景中包括计算机设备100(计算机设备100中集成有漏光检测模型的训练装置),计算机设备100中运行漏光检测模型的训练方法对应的计算机可读存储介质,以执行漏光检测模型的训练方法的步骤。
可以理解的是,图1所示漏光检测模型的训练方法的应用场景中的计算机设备,或者计算机设备中包含的装置并不构成对本发明实施例的限制,即,漏光检测模型的训练方法的应用场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现,均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中计算机设备100可以是独立的设备,也可以是设备组成的设备网络或设备集群,例如,本发明实施例中所描述的计算机设备100,其包括但不限于电脑、网络主机、单个网络设备、多个网络设备集或多个设备构成的云设备。其中,云设备由基于云计算(Cloud Computing)的大量电脑或网络设备构成。
本领域技术人员可以理解,图1中示出的应用场景,仅仅是与本发明的技术方案对应的一种应用场景,并不构成对本发明的技术方案的应用场景的限定,其他的应用场景还可以包括比图1中所示更多或更少的计算机设备,或者计算机设备网络连接关系,例如图1中仅示出1个计算机设备,可以理解的,该漏光检测模型的训练方法的场景还可以包括一个或多个其他计算机设备,具体此处不作限定;该计算机设备100中还可以包括存储器,用于存储漏光检测模型的训练方法相关的信息。
此外,本发明实施例中的漏光检测模型的训练方法的应用场景中计算机设备100可以设置显示装置,或者计算机设备100中不设置显示装置并与外接的显示装置200通讯连接,显示装置200用于输出计算机设备中漏光检测模型的训练方法执行的结果。计算机设备100可以访问后台数据库300(后台数据库300可以是计算机设备100的本地存储器,后台数据库300还可以设置在云端),后台数据库300中保存有漏光检测模型的训练方法相关的信息。
需要说明的是,图1所示的漏光检测模型的训练方法的应用场景仅仅是一个示例,本发明实施例描述的漏光检测模型的训练方法的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定。
基于上述漏光检测模型的训练方法的应用场景,提出了漏光检测模型的训练方法的实施例。
第一方面,如图2所示,在一个实施例中,本发明提供一种漏光检测模型的训练方法,包括:
步骤201,获取光伏组件图像以及光伏组件图像的组件漏光标注;
其中,光伏组件图像是由拍摄设备拍摄得到,具体的,可用高分辨率的工业相机进行拍摄,然后将得到的光伏组件图像发送至本实施例中漏光检测模型的训练方法的执行主体(可理解为模型训练计算机设备);当然在其他实施例中,模型训练计算机设备也可以是拍摄设备中的一个处理模块;
其中,光伏组件图像的组件漏光标注则是由人工标注得到,具体的,可使用标注工具labelimg,即图形图像注释工具,模型训练计算机设备可将获取到的光伏组件图像导入到该图形图像注释工具中,使光伏组件图像处于可标注的状态,对应的操作人员可通过肉眼观察,确定哪些区域有漏光缺陷,然后输入对应的标注指令(即通过相应的外设在漏光缺陷的区域进行圈画,比如使用矩形框框住,从而代表该区域为漏光缺陷的区域),模型训练计算机设备根据标注指令完成矩形框的写入,然后将对应的标注tag写为“漏光”等(如图5所示,图中的小圈即代表漏光缺陷),在完成光伏组件图像中所有漏光缺陷的标注后,即可得到对应的组件漏光标注;
步骤202,根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
其中,组件漏光标注是基于光伏组件图像的,光伏组件图像中包括多个训练电池片图像(即光伏组件由多个电池片组成,对应的光伏组件图像也由多个电池片图像组成),后续漏光检测模型的训练以及使用都是基于电池片图像实现,因此在该步骤中,需要基于光伏组件图像和对应的组件漏光标注来得到多个训练电池片图像以及每个训练电池片图像的电池片漏光标注;
其中,具体的,可根据光伏组件图像和对应的组件漏光标注,得到一个带矩形框的目标中间图像,然后根据所需要的电池片图像的规格(比如包含一个电池片、两个电池片还是两个以上的电池片)对中间图像进行分割,从而得到多个对应电池片图像规格大小并且带有矩形框的子中间图像,然后针对每个子中间图像,进行图像处理,比如针对子中间图像中矩形框的边缘检测处理,从而确定到矩形框在子中间图像中的位置信息,进而根据矩形框在子中间图像中的位置信息,确定到对应的训练电池片图像的电池片漏光标注;
其中,需要注意的是,不是每个训练电池片图像中都存在对应的漏光缺陷,因此每个训练电池片图像的电池片漏光标注可划分为两类,一类是表征存在漏光缺陷的电池片漏光标注,另一类是表征不存在漏光缺陷的电池片漏光标注;
其中,需要说明的是,本实施例先针对光伏组件图像进行人工标注,然后通过相应的处理来得到每个电池片图像以及对应的电池片漏光标注,是为了后续需要得到其他尺寸的电池片图像以及对应的电池片漏光标注时,仍然可根据之前得到的光伏组件图像以及对应的组件漏光标注进行处理得到,实现了一次人工标注,多次使用的目的;当然,在其他实施例中,也可以先分割得到电池片图像,然后针对每个电池片图像进行人工标注,当需要得到其他尺寸的电池片图像以及对应的电池片漏光标注时,可将之前分割得到电池片图像进行再分割和/或拼接;比如之前得到的电池片图像包含两个电池片,若需要得到一个电池片的电池片图像时,可对之前得到的电池片图像采用上述提到的方式来得到;若需要得到四个电池片的电池片图像时,可对之前得到的电池片图像进行拼接得到;但需要得到九个电池片的电池片图像时,需要对之前得到的电池片图像依次进行拼接和分割,操作复杂;针对九个电池片的电池片图像的情形,还可以先对光伏组件图像进行分割,从而得到九个电池片的电池片图像,但之前的人工标注是基于两个电池片的电池片图像,因此在得到九个电池片的电池片图像后还需要根据两个电池片的电池片图像的电池片漏光标注进行位置映射,具体的,可先确定两个电池片的电池片图像在光伏组件图像中的位置信息,然后根据电池片漏光标注中漏光缺陷的位置信息以及两个电池片的电池片图像在光伏组件图像中的位置信息,确定漏光缺陷在光伏组件图像中的位置信息,接着确定九个电池片的电池片图像在光伏组件图像中的位置信息,最后根据漏光缺陷在光伏组件图像中的位置信息以及九个电池片的电池片图像在光伏组件图像中的位置信息,确定漏光缺陷在九个电池片的电池片图像中的位置信息,从而得到九个电池片的电池片图像的电池片漏光标注,操作复杂;
步骤203,根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
其中,每个训练电池片图像都可以作为后续漏光检测模型训练时的输入,每个训练电池片图像的电池片漏光标注都可以作为后续漏光检测模型训练时的期望输出,从而使漏光检测模型根据训练样本数据进行有监督训练;
步骤204,根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
通过上述漏光检测模型的训练方法,先得到光伏组件图像整体上的组件漏光标注,然后再根据组件漏光标注得到光伏组件图像中每个训练电池片图像的电池片漏光标注,并根据每个训练电池图像的电池片漏光标注构建训练样本数据,如此,通过构建得到的训练样本数据对初始漏光检测模型进行训练,即可使训练得到的目标漏光检测模型用于待检测光伏组件中电池片的漏光检测,具有较高的效率和精度;此外,仅需一次对光伏组件图像的标注,就可以得到不同尺寸的训练电池片图像的电池片漏光标注,提高了多尺寸训练电池片图像的漏光标注效率。
在一个实施例中,根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注,包括:
对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像;
根据组件漏光标注中每个漏光缺陷的位置信息以及每个训练电池片图像在光伏组件图像中的位置信息,确定每个训练电池片图像对应的电池片漏光标注;
其中,上述实施例已经提到,可先得到对应光伏组件图像并带有矩形框的目标中间图像,然后对目标中间图像进行分割、边缘检测,从而得到训练电池片图像对应的电池片漏光标注,但在该过程中,边缘检测会存在一定误差,从而影响后续得到的电池片漏光标注的精度;因此,在本实施例中,可采用位置映射的方式,具体的,可先确定训练电池片图像在光伏组件图像中的位置信息,然后根据组件漏光标注中漏光缺陷的位置信息以及训练电池片图像在光伏组件图像中的位置信息,得到漏光缺陷在训练电池片图像中的位置信息,从而得到训练电池片图像的电池片漏光标注。
通过位置映射的方式,处理过程中涉及的位置信息都是可以准确得到的,因此基本不存在误差,从而保障了后续得到的电池片漏光标注的精度。
在一个实施例中,对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像,包括:
获取已训练的目标图像分割模型;
其中,目标图像分割模型已经根据对应的训练样本数据进行了训练,其能够检测到光伏组件图像中每个电池片图像对应区域;具体的,先对光伏组件图像进行预处理,预处理主要包括格式转换,使其符合目标图像分割模型的要求,转换后的格式包括B、C、H、W(B代表batch,即一次性读取的第几张光伏组件图像,C代表channel,正常是3通道,即R、G、B,H代表图像resize的高度,W代表图像resize的宽度);格式转换后的光伏组件图像可输入至目标图像分割模型中进行预测处理;
将光伏组件图像输入至目标图像分割模型中,得到目标图像分割模型输出的分割信息;
其中,目标图像分割模型会对光伏组件图像进行关键点预测,比如每个训练电池片图像的左上位置和右下位置的两个关键点,以及每个关键点的置信度,然后将置信度小于阈值(比如为0.8)的关键点去除,剩余的关键点可表征训练电池片图像在光伏组件图像中的位置(由于训练电池片图像为矩形,因此可根据左上位置和右下位置的两个关键点确定到一个矩形,该矩形对应的区域即为训练电池片图像的区域),最后根据剩余的关键点,得到对应的分割信息,比如关键点的位置坐标,或者关键点对应的矩形框的位置坐标;
根据分割信息对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像;
其中,得到分割信息后,即可使用对应的分割工具进行分割,比如可以使用opencv(一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库),opencv能够基于分割信息对光伏组件图像进行分割,从而得到对应的训练电池片图像。
在一个实施例中,根据组件漏光标注中每个漏光缺陷的位置信息以及每个训练电池片图像在光伏组件图像中的位置信息,确定每个训练电池片图像的电池片漏光标注,包括:
根据每个训练电池片图像在光伏组件图像中的位置信息以及组件漏光标注中每个漏光缺陷的位置信息,得到包含漏光缺陷的第一训练电池片图像、漏光缺陷在第一训练电池片图像的位置信息以及未包括漏光缺陷的第二训练电池片图像;
其中,训练电池片图像对应的一个矩形框,因此其位置信息为矩形框的四个顶点的位置坐标,同理,组件漏光标注中采用矩形框标注了光伏组件图像中每个漏光缺陷,即组件漏光标注中包含了每个漏光缺陷对应的矩形框的四个顶点的位置坐标,由于当前训练电池片图像的位置信息和漏光缺陷的位置信息都是相对于光伏组件图像的位置坐标,基于同一个参数坐标系,因此可根据两者的位置信息确定哪些训练电池片图像中包括漏光缺陷,哪些训练电池片图像中未包括漏光缺陷;
其中,具体的,训练电池片图像的位置信息可表示为(cell_xmin,cell_ymin,cell_xmax,cell_ymax),漏光缺陷的位置信息可表示为(louguang_xmin,louguang_ymin,louguang_xmax,louguang_ymax),然后确定两个位置信息之间的iou(即交并比,交集/并集),若iou大于零,则说明两者有交集,说明训练电池片图像中包括漏光缺陷,将这些训练电池片图像确定为第一训练电池片图像,将其他训练电池片图像确定为第二训练电池片图像;针对第一训练电池片图像,可进一步根据两者的位置信息,确定漏光缺陷在第一训练电池片图像中的位置信息(如图6所示,图中左上角和左下角分别有一处漏光缺陷),可表示为(new_xmin,new_ymin,new_xmax,new_ymax);
其中:
new_xmin=max(0-int(louguang_xmin)-int(cell_xmin));
new_ymin=max(0-int(louguang_ymin)-int(cell_ymin));
new_xmax=min(int(louguang_xmax)-int(cell_xmin),(cell_xmax-cell_xmin));
new_ymax=min(int(louguang_ymax)-int(cell_ymin),(cell_ymax-cell_ymin));
根据漏光缺陷在第一训练电池片图像的位置信息,对第一训练电池片图像进行第一漏光标注,得到第一训练电池片的电池片漏光标注;
对第二训练电池片图像进行第二漏光标注,得到第二训练电池片图像的电池片漏光标注;
其中,第一漏光标注包括存在漏光缺陷的标注,第二漏光标注包括未存在漏光缺陷的标注;
其中,得到漏光缺陷在第一训练电池片图像的位置信息,即可根据位置信息生成对应的电池片漏光标注;同理的,第二训练电池片图像中不存在漏光缺陷,即可直接生成不存在漏光缺陷的电池片漏光标注;
其中,第一训练电池片图像以及第一训练电池片图像的电池片漏光标注构成训练样本数据中的正样本,第二训练电池片图像以及第二训练电池片图像的电池片漏光标注构成训练样本数据中的负样本。
在一个实施例中,根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据,包括:
对每个电池片漏光标注进行修正,得到修正后的电池片漏光标注;
根据每个训练电池片图像以及每个训练电池片图像的修正后的电池片漏光标注,得到训练样本数据;
其中,模型训练计算机设备在处理过程中,可能会发生一定的错误,从而导致得到的电池片漏光标注出现差错,因此在得到电池片漏光标注后,还需要进行检查,具体的,可继续使用上述的labelimg,从而使操作人员对错标和漏标进行修正。
在一个实施例中,根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据,包括:
对每个电池片漏光标注进行格式转换,得到转换后的电池片漏光标注;
根据每个训练电池片图像以及每个训练电池片图像的转换后的电池片漏光标注,得到训练样本数据;
其中,直接得到的电池片漏光标注是基于训练电池片图像本身的实际尺寸的xml文件,因此为了后续漏光检测模型能够正常获取电池片漏光标注,还需要将其转换为txt文件,即对尺寸进行归一化;
其中,完成格式转换后,可以将训练样本数据按照类别存放在对应的文件夹中,包括训练电池片图像的“images”文件夹,包括转换前的xml文件的“annotations”文件夹以及包括转换后的txt文件的“labels”文件夹,为了后续漏光检测模型的读取,可将该三个文件夹存放在同一个父文件夹中;
其中,需要注意的是,虽然转换前的xml文件与转换后的txt文件和训练电池片图像存放在同一个父文件夹,但在后续漏光检测模型的训练过程中,xml文件并不会被使用到。
在一个实施例中,电池片漏光标注包括标注漏光位置、标注漏光类型、以及标注漏光置信度;根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型,包括:
将训练样本数据输入至初始漏光检测模型,得到每个训练电池片图像的训练预测漏光位置、训练预测漏光类型以及训练预测漏光置信度;
其中,漏光位置是指电池片图像上某个区域对应的位置坐标,漏光类型是指漏光位置中是否存在漏光缺陷(需要注意的是,只有在存在漏光缺陷的情况下,漏光位置具有对应的位置坐标,若不存在漏光缺陷则漏光位置实际上为空集),漏光置信度是指上述漏光位置和/或漏光类型中测量值与实际期望值之间的接近程度,置信度越高,表明越接近;
根据训练预测漏光位置以及标注漏光位置,得到位置损失;
其中,位置损失采用GIouLoss损失函数计算得到;
根据训练预测漏光类型以及标注漏光类型,得到类型损失;
根据训练预测漏光置信度以及标注漏光置信度,得到置信度损失;
其中,类型损失和置信度损失都分别采用BCEWithLogitsLoss损失函数计算得到;
根据位置损失、类型损失以及置信度损失,得到目标损失;
其中,可预先为位置损失、类型损失以及置信度损失分配对应的损失权重,然后根据损失权重对位置损失、类型损失以及置信度损失进行加权,从而得到对应的目标损失;
若目标损失不满足预设条件,则根据目标损失调整初始漏光检测模型的模型参数,直至得到的目标损失满足预设条件,得到目标漏光检测模型;
其中,再更新模型参数后,获取下一个训练样本数据,然后重复上述训练步骤,直至得到的目标损失满足预设条件,然后将最后一次得到的初始漏光检测模型确定为目标漏光检测模型。
在一个实施例中,本发明提供一种光伏组件的漏光检测方法,基于上述任一种实施例中的漏光检测模型的训练方法得到的已训练的目标漏光检测模型进行漏光检测,方法包括:
获取待检测光伏组件对应的待检测电池片图像;
其中,待检测电池片图像和上述实施例中的训练电池片图像的获取方式类似,在此不再赘述;
基于目标漏光检测模型,对待检测电池片图像进行特征提取和漏光预测,得到目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度;
根据目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度,得到待检测电池片图像的目标漏光检测结果;
其中,目标漏光检测模型可在目标预测漏光置信度大于阈值(比如为0.85)时,输出对应的目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度,即表征存在漏光缺陷的目标漏光检测结果;可在目标预测漏光置信度不大于阈值时,输出不存在漏光缺陷的目标漏光检测结果;
其中,在得到每个待检测电池片图像的目标漏光检测结果后,即可根据目标漏光检测结果在待检测光伏组件对应的光伏组件图像上显示对应的漏光缺陷(显示形式可参照图5);
其中,本实施例的执行主体为漏光检测计算机设备,漏光检测计算机设备与上述实施例中的模型训练计算机设备可以是同一个计算机设备,也可以是不同的计算机设备。
第二方面,如图3所示,在一个实施例中,本发明提供一种漏光检测模型的训练装置,包括:
图像获取模块301,用于获取光伏组件图像以及光伏组件图像的组件漏光标注;
漏光标注模块302,用于根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
样本生成模块303,用于根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
模型训练模块304,用于根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
通过上述漏光检测模型的训练装置,先得到光伏组件图像整体上的组件漏光标注,然后再根据组件漏光标注得到光伏组件图像中每个训练电池片图像的电池片漏光标注,并根据每个训练电池图像的电池片漏光标注构建训练样本数据,如此,通过构建得到的训练样本数据对初始漏光检测模型进行训练,即可使训练得到的目标漏光检测模型用于待检测光伏组件中电池片的漏光检测,具有较高的效率和精度;此外,仅需一次对光伏组件图像的标注,就可以得到不同尺寸的训练电池片图像的电池片漏光标注,提高了多尺寸训练电池片图像的漏光标注效率。
在一个实施例中,漏光标注模块具体用于对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像;根据组件漏光标注中每个漏光缺陷的位置信息以及每个训练电池片图像在光伏组件图像中的位置信息,确定每个训练电池片图像对应的电池片漏光标注。
在一个实施例中,漏光标注模块具体用于获取已训练的目标图像分割模型;将光伏组件图像输入至目标图像分割模型中,得到目标图像分割模型输出的分割信息;根据分割信息对光伏组件图像进行分割,得到光伏组件图像中的训练电池片图像。
在一个实施例中,漏光标注模块具体用于根据每个训练电池片图像在光伏组件图像中的位置信息以及组件漏光标注中每个漏光缺陷的位置信息,得到包含漏光缺陷的第一训练电池片图像、漏光缺陷在第一训练电池片图像的位置信息以及未包括漏光缺陷的第二训练电池片图像;根据漏光缺陷在第一训练电池片图像的位置信息,对第一训练电池片图像进行第一漏光标注,得到第一训练电池片的电池片漏光标注;对第二训练电池片图像进行第二漏光标注,得到第二训练电池片图像的电池片漏光标注;第一漏光标注包括存在漏光缺陷的标注,第二漏光标注包括未存在漏光缺陷的标注。
在一个实施例中,电池片漏光标注包括标注漏光位置、标注漏光类型、以及标注漏光置信度;模型训练模块具体用于将训练样本数据输入至初始漏光检测模型,得到每个训练电池片图像的训练预测漏光位置、训练预测漏光类型以及训练预测漏光置信度;根据训练预测漏光位置以及标注漏光位置,得到位置损失;根据训练预测漏光类型以及的标注漏光类型,得到类型损失;根据训练预测漏光置信度以及标注漏光置信度,得到置信度损失;根据位置损失、类型损失以及置信度损失,得到目标损失;若目标损失不满足预设条件,则根据目标损失调整初始漏光检测模型的模型参数,直至得到的目标损失满足预设条件,得到目标漏光检测模型。
在一个实施例中,模型训练模块具体用于确定位置损失、类型损失以及置信度损失的损失权重;根据损失权重,对位置损失、类型损失以及置信度损失进行加权处理,得到目标损失。
第三方面,在一个实施例中,本发明提供一种计算机设备,该计算机设备为上述实施例中的模型训练计算机设备或漏光检测计算机设备,如图4所示,其示出了本发明所涉及的计算机设备的结构,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的计算机设备的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,当计算机设备为模型训练计算机设备时,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的计算机程序,以执行如下步骤:
获取光伏组件图像以及光伏组件图像的组件漏光标注;
根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
通过上述计算机设备,先得到光伏组件图像整体上的组件漏光标注,然后再根据组件漏光标注得到光伏组件图像中每个训练电池片图像的电池片漏光标注,并根据每个训练电池图像的电池片漏光标注构建训练样本数据,如此,通过构建得到的训练样本数据对初始漏光检测模型进行训练,即可使训练得到的目标漏光检测模型用于待检测光伏组件中电池片的漏光检测,具有较高的效率和精度;此外,仅需一次对光伏组件图像的标注,就可以得到不同尺寸的训练电池片图像的电池片漏光标注,提高了多尺寸训练电池片图像的漏光标注效率。
本领域普通技术人员可以理解,上述实施例的任一种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
第四方面,在一个实施例中,本发明提供一种存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行如下步骤:
获取光伏组件图像以及光伏组件图像的组件漏光标注;
根据光伏组件图像和组件漏光标注,确定光伏组件图像中的训练电池片图像以及每个训练电池片图像的电池片漏光标注;
根据每个训练电池片图像以及每个训练电池片图像的电池片漏光标注,得到训练样本数据;
根据训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
通过上述存储介质,先得到光伏组件图像整体上的组件漏光标注,然后再根据组件漏光标注得到光伏组件图像中每个训练电池片图像的电池片漏光标注,并根据每个训练电池图像的电池片漏光标注构建训练样本数据,如此,通过构建得到的训练样本数据对初始漏光检测模型进行训练,即可使训练得到的目标漏光检测模型用于待检测光伏组件中电池片的漏光检测,具有较高的效率和精度;此外,仅需一次对光伏组件图像的标注,就可以得到不同尺寸的训练电池片图像的电池片漏光标注,提高了多尺寸训练电池片图像的漏光标注效率。
本领域普通技术人员可以理解,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
由于该存储介质中所存储的计算机程序,可以执行本发明所提供的任一种实施例中的漏光检测模型的训练方法中的步骤,因此,可以实现本发明所提供的任一种实施例中的漏光检测模型的训练方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
以上对本发明所提供的一种漏光检测模型的训练方法、检测方法、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.一种漏光检测模型的训练方法,其特征在于,包括:
获取光伏组件图像以及所述光伏组件图像的组件漏光标注;
根据所述光伏组件图像和所述组件漏光标注,确定所述光伏组件图像中的训练电池片图像以及每个所述训练电池片图像的电池片漏光标注;
根据每个所述训练电池片图像以及每个所述训练电池片图像的电池片漏光标注,得到训练样本数据;
根据所述训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;所述目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
2.根据权利要求1所述的漏光检测模型的训练方法,其特征在于,所述根据所述光伏组件图像和所述组件漏光标注,确定所述光伏组件图像中的训练电池片图像以及每个所述训练电池片图像的电池片漏光标注,包括:
对所述光伏组件图像进行分割,得到所述光伏组件图像中的训练电池片图像;
根据所述组件漏光标注中每个漏光缺陷的位置信息以及每个所述训练电池片图像在所述光伏组件图像中的位置信息,确定每个所述训练电池片图像对应的电池片漏光标注。
3.根据权利要求2所述的漏光检测模型的训练方法,其特征在于,所述对所述光伏组件图像进行分割,得到所述光伏组件图像中的训练电池片图像,包括:
获取已训练的目标图像分割模型;
将所述光伏组件图像输入至所述目标图像分割模型中,得到所述目标图像分割模型输出的分割信息;
根据所述分割信息对所述光伏组件图像进行分割,得到所述光伏组件图像中的训练电池片图像。
4.根据权利要求2所述的漏光检测模型的训练方法,其特征在于,所述根据所述组件漏光标注中每个漏光缺陷的位置信息以及每个所述训练电池片图像在所述光伏组件图像中的位置信息,确定每个所述训练电池片图像的电池片漏光标注,包括:
根据每个所述训练电池片图像在所述光伏组件图像中的位置信息以及所述组件漏光标注中每个所述漏光缺陷的位置信息,得到包含漏光缺陷的第一训练电池片图像、漏光缺陷在所述第一训练电池片图像的位置信息以及未包括漏光缺陷的第二训练电池片图像;
根据漏光缺陷在所述第一训练电池片图像的位置信息,对所述第一训练电池片图像进行第一漏光标注,得到所述第一训练电池片的电池片漏光标注;
对所述第二训练电池片图像进行第二漏光标注,得到所述第二训练电池片图像的电池片漏光标注;所述第一漏光标注表征存在漏光缺陷的标注,所述第二漏光标注表征未存在漏光缺陷的标注。
5.根据权利要求1所述的漏光检测模型的训练方法,其特征在于,所述电池片漏光标注包括标注漏光位置、标注漏光类型、以及标注漏光置信度;所述根据所述训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型,包括:
将所述训练样本数据输入至所述初始漏光检测模型,得到每个所述训练电池片图像的训练预测漏光位置、训练预测漏光类型以及训练预测漏光置信度;
根据所述训练预测漏光位置以及所述标注漏光位置,得到位置损失;
根据所述训练预测漏光类型以及所述标注漏光类型,得到类型损失;
根据所述训练预测漏光置信度以及所述标注漏光置信度,得到置信度损失;
根据所述位置损失、所述类型损失以及所述置信度损失,得到目标损失;
若所述目标损失不满足预设条件,则根据所述目标损失调整所述初始漏光检测模型的模型参数,直至得到的目标损失满足所述预设条件,得到所述目标漏光检测模型。
6.根据权利要求5所述的漏光检测模型的训练方法,其特征在于,所述根据所述位置损失、所述类型损失以及所述置信度损失,得到目标损失,包括:
确定所述位置损失、所述类型损失以及所述置信度损失的损失权重;
根据所述损失权重,对所述位置损失、所述类型损失以及所述置信度损失进行加权处理,得到所述目标损失。
7.一种光伏组件的漏光检测方法,其特征在于,基于权利要求1至6任一项所述的漏光检测模型的训练方法得到的已训练的目标漏光检测模型进行漏光检测,所述方法包括:
获取待检测光伏组件对应的待检测电池片图像;
基于所述目标漏光检测模型,对所述待检测电池片图像进行漏光检测,得到目标预测漏光位置、目标预测漏光类型以及目标预测漏光置信度;
根据所述目标预测漏光位置、所述目标预测漏光类型以及所述目标预测漏光置信度,得到所述待检测电池片图像的目标漏光检测结果。
8.一种漏光检测模型的训练装置,其特征在于,包括:
图像获取模块,用于获取光伏组件图像以及所述光伏组件图像的组件漏光标注;
漏光标注模块,用于根据所述光伏组件图像和所述组件漏光标注,确定所述光伏组件图像中的训练电池片图像以及每个所述训练电池片图像的电池片漏光标注;
样本生成模块,用于根据每个所述训练电池片图像以及每个所述训练电池片图像的电池片漏光标注,得到训练样本数据;
模型训练模块,用于根据所述训练样本数据,对初始漏光检测模型进行训练,得到已训练的目标漏光检测模型;所述目标漏光检测模型用于对待检测光伏组件所包括的电池片进行漏光检测。
9.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的所述计算机程序,以执行权利要求1至6任一项所述的漏光检测模型的训练方法中的步骤或权利要求7所述的光伏组件的漏光检测方法中的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至6任一项所述的漏光检测模型的训练方法中的步骤或权利要求7所述的光伏组件的漏光检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430060.8A CN115797270A (zh) | 2022-11-15 | 2022-11-15 | 漏光检测模型的训练方法、检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430060.8A CN115797270A (zh) | 2022-11-15 | 2022-11-15 | 漏光检测模型的训练方法、检测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115797270A true CN115797270A (zh) | 2023-03-14 |
Family
ID=85437957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430060.8A Pending CN115797270A (zh) | 2022-11-15 | 2022-11-15 | 漏光检测模型的训练方法、检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797270A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648322A (zh) * | 2019-09-25 | 2020-01-03 | 杭州智团信息技术有限公司 | 一种子宫颈异常细胞检测方法及系统 |
CN113962929A (zh) * | 2021-09-07 | 2022-01-21 | 湖南大学 | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 |
CN115205619A (zh) * | 2022-06-06 | 2022-10-18 | 湖南莱博赛医用机器人有限公司 | 检测模型的训练方法、检测方法、装置和存储介质 |
-
2022
- 2022-11-15 CN CN202211430060.8A patent/CN115797270A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648322A (zh) * | 2019-09-25 | 2020-01-03 | 杭州智团信息技术有限公司 | 一种子宫颈异常细胞检测方法及系统 |
CN113962929A (zh) * | 2021-09-07 | 2022-01-21 | 湖南大学 | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 |
CN115205619A (zh) * | 2022-06-06 | 2022-10-18 | 湖南莱博赛医用机器人有限公司 | 检测模型的训练方法、检测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230007989A1 (en) | Methods and devices for generating training sample, training model and recognizing character | |
US20200357111A1 (en) | Recognizing damage through image analysis | |
US10783643B1 (en) | Segmentation-based damage detection | |
CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN109408367A (zh) | 一种识别交互界面的控件元素的方法及终端 | |
US11967125B2 (en) | Image processing method and system | |
CN116152846A (zh) | 一种设计图转换方法、装置及相关设备 | |
CN113762109A (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN112036516A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN115797270A (zh) | 漏光检测模型的训练方法、检测方法、设备及存储介质 | |
CN111582388A (zh) | 一种图像数据快速标注的方法及系统 | |
CN116758041A (zh) | 一种密封钉断焊检测方法及密封钉断焊检测系统 | |
CN116403235A (zh) | 一种基于计算机视觉的电气接线图识别系统和方法 | |
CN116245808A (zh) | 工件缺陷检测方法、装置、电子设备及存储介质 | |
CN115937883A (zh) | 用于评估ocr识别质量的方法及相关产品 | |
CN112990131B (zh) | 获取电压转换开关工作档位的方法、装置、设备及介质 | |
CN110334430B (zh) | 图纸中电缆托架的自动标注方法、系统、设备和存储介质 | |
CN110705633B (zh) | 目标物检测、目标物检测模型的建立方法及装置 | |
CN114581360A (zh) | 光伏组件标签检测方法、装置、设备和计算机存储介质 | |
CN115830606A (zh) | 文字瑕疵检测方法、计算机装置及存储介质 | |
CN115393379A (zh) | 一种数据标注方法及相关产品 | |
CN111696154A (zh) | 坐标定位方法、装置、设备及存储介质 | |
CN112907705B (zh) | 涂改图像生成方法、装置、设备及存储介质 | |
CN117197248B (zh) | 一种电解电容方向判定方法、装置、设备及存储介质 |
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 |