CN115861223A - 一种太阳能电池板缺陷检测方法及系统 - Google Patents
一种太阳能电池板缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115861223A CN115861223A CN202211507387.0A CN202211507387A CN115861223A CN 115861223 A CN115861223 A CN 115861223A CN 202211507387 A CN202211507387 A CN 202211507387A CN 115861223 A CN115861223 A CN 115861223A
- Authority
- CN
- China
- Prior art keywords
- module
- layer
- solar panel
- defect detection
- features
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及缺陷检测技术领域,提供了一种太阳能电池板缺陷检测方法及系统,包括:获取太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块。对于太阳能电池板缺陷的图像检测,提升了准确性和可靠性。
Description
技术领域
本发明属于缺陷检测技术领域,尤其涉及一种太阳能电池板缺陷检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
现在光伏发电是人类运用太阳能解决传统能源问题的一种途径,随着清洁能源的技术进步和不断发展,太阳能电池板的应用越来越广泛。
在太阳能电池板的长期使用中,会因天气原因、鸟类粪便和植物遮挡造成不同程度的损伤,其中,热斑效应对于太阳能电池板的影响很大,热板效应会消耗光伏组件的部分能量,严重的可能会破坏或烧毁组件。
现有的光斑识别主要是通过人工识别和图像阈值分割方法,但这些方法存在不准确、效率低、成本高等问题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种太阳能电池板缺陷检测方法及系统,在图像识别网络结构中加入Mobilenetbone模块和C3GHOST模块,对于太阳能电池板缺陷的图像检测,提升了准确性和可靠性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种太阳能电池板缺陷检测方法,其包括:
获取太阳能电池板图像;
基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;
其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块,所述三个C3模块、Mobilenetbone模块和最后一个C3模块后分别输出不同尺寸的特征,三个不同尺寸的特征均进入所述多尺度特征融合模块,得到光斑特征。
进一步地,所述多尺度特征融合模块包括FPN结构和PAN结构;
所述FPN结构包括依次连接的一个卷积层、一个上采样层、一个张量拼接层、一个C3模块、一个卷积层、一个上采样层和一个张量拼接层;
所述PAN结构包括依次连接的一个C3模块、一个卷积层、一个张量拼接层、一个C3模块、一个卷积层、一个张量拼接层和一个C3模块。
进一步地,所述特征提取模块的三个C3模块输出的特征进入FPN结构的最后一个张量拼接层;所述特征提取模块的Mobilenetbone模块输出的特征进入FPN结构的第一个张量拼接层;所述特征提取模块的最后一个C3模块输出的特征进入FPN结构的第一个卷积层。
进一步地,所述FPN结构的第一个卷积层输出的特征进入PAN结构的最后一个张量拼接层;所述FPN结构的C3模块输出的特征进入PAN结构的第一个张量拼接层;所述FPN结构的最后一个张量拼接层进入PAN结构的第一个C3模块;所述PAN结构的三个C3模块分别输出三个不同尺寸的特征。
进一步地,所述Mobilenetbone模块除输入输出模块外,还包括依次连接的五个线性瓶颈的逆残差结构。
进一步地,所述C3模块包括依次连接的一个卷积层、一个Bottleneck层、一个张量拼接层和一个卷积层,再融合一个从输入到Bottleneck层的卷积残差结构。
进一步地,所述SPP模块首先对输入数据通过一个卷积层后,并列三次进行最大池化操作,再将三次最大池化操作的输出与卷积层的输出张量拼接在一起,最后输入一个卷积层。
本发明的第二个方面提供一种太阳能电池板缺陷检测系统,其包括:
图像获取模块,其被配置为:获取太阳能电池板图像;
缺陷检测模块,其被配置为:基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;
其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块,所述三个C3模块、Mobilenetbone模块和最后一个C3模块后分别输出不同尺寸的特征,三个不同尺寸的特征均进入所述多尺度特征融合模块,得到光斑特征。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种太阳能电池板缺陷检测方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种太阳能电池板缺陷检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种太阳能电池板缺陷检测方法,其将深度学习图像识别算法应用到太阳能电池板缺陷的图像检测中去,能极大程度解决热斑效应对太阳能电池板产生的影响,对于太阳能电池板故障检测具有一定的工程价值。
本发明提供了一种太阳能电池板缺陷检测方法,其图像识别网络结构中创新性的加入Mobilenetbone模块和C3GHOST模块模块,对于太阳能电池板缺陷的图像检测,提升了准确性和可靠性,与现有模型相比具有一定优势。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的一种太阳能电池板缺陷检测方法的流程图;
图2是本发明实施例一的数据输入模块图像处理流程图;
图3是本发明实施例一的太阳能电池板缺陷检测网络的结构图;
图4是本发明实施例一的Mobilenetbone模块的结构图;
图5是本发明实施例一的C3GHOST模块的结构图;
图6是本发明实施例一的C3模块的结构图;
图7是本发明实施例一的SPP模块的结构图;
图8是本发明实施例一的多尺度特征融合模块的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
本实施例提供了一种太阳能电池板缺陷检测方法,目的是能准确识别太阳能电池板光斑,具体包括如下步骤:
步骤1、获取太阳能电池板图像;
步骤2、基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果。
太阳能电池板缺陷检测网络包括依次连接的特征提取模块、多尺度特征融合模块和分类器。
如图1所示,太阳能电池板缺陷检测网络的构建和训练过程为:
步骤S1、对太阳能电池板拍摄红外热成像照片,获取带有太阳能电池板光斑缺陷的图像;
步骤S2、对带有光斑缺陷的图像进行数据集标注;
步骤S3、构建数据输入模块,保证数据能够正常进入训练网络;
步骤S4、构建特征提取模块,提取数据集光斑特征;
步骤S5、构建多尺度特征融合模块,将提取的多尺度特征进行融合,提高识别准确率;
步骤S6、构建完整的新网络(太阳能电池板缺陷检测网络)结构,能够实现对图像的训练和检测;
步骤S7、对数据集进行划分,划分为训练集和测试集;
步骤S8、将图像数据输入到网络结构中进行训练,学习光斑特征,并通过分类器基于光斑特征对太阳能电池板光斑进行检测。检测结果是在图片中标注出光斑缺陷位置。
在步骤S1中图像数据获取的步骤为:
首先,运用红外热成像相机对太阳能电池板拍摄,获取热成像图;
其次,对图像进行数据筛选,将图像划分为正常图像和带有光斑的图像;
最后,控制带有光斑的图像和正常图像的比例为2:1。
在步骤S2中数据集标注的步骤为:
首先,选取LabelImg作为数据集标注的软件;
其次,对图片中的光斑信息进行标注;
最后,构建带有标注新的完整数据集。
在步骤S3中构建数据输入模块的步骤为:
首先,对图像进行数据增强,如图2所示,对四张照片进行随机缩放、随机裁剪、随机排布;
其次,设定固定的输入图像尺寸为608像素点×608像素点;
最后,对图片进行缩放,缩放成固定尺寸,方便特征训练。
在步骤S4中构建特征提取模块的步骤为:
首先,运用卷积加C3卷积加C3的结构提取初步特征信息;
其次,加入Mobilenetbone模块,提高网络对于非冗余特征的提取能力;
其次,加入C3GHOST模块,增强网络的多样化线性特征提取能力;
最后,构建起完整的特征提取模块。
在一个具体实施例中,引入了Mobilenetbone模块,它包含深度可分离卷积和线性瓶颈逆残差结构,保证网络轻量化的同时提高了网络对于非冗余信息的提取能力。
在一个具体实施例中,引入了C3GHOST模块,它使用正常卷积生成真实的featuremap,再用这些真实的feature map经过线性变换得到幻想特征层,最终由真实特征层和幻想特征层组成完整的特征层。
在步骤S5中构建多尺度特征融合模块的步骤为:
首先,采用FPN结构自顶向下的,将高层的特征信息通过上采样的方式进行特征融合;
其次,在FPN的基础上加入PAN,自底向上传达强定位信息;
最后,两两联手,从不同的特征提取层(主干层)对不同的检测层进行参数聚合。
在步骤S6中构建完整的网络结构的步骤为:
首先,将数据输入、特征提取和特征融合模块进行衔接;
其次,将特征输出划分为19×19、38×38、76×76的三种特征图,对应检测不同尺寸的缺陷特征;
最后,构建起完整的缺陷检测网络模型。
在步骤S7中数据集划分的步骤为:
首先,将数据集划分为两部分;
其次,训练集占数据集前百分之80,测试集占数据集后百分之20;
最后,完成数据集的划分,训练集用作网络模型训练,测试集用作识别检测。
本发明首先将训练集输入到特征提取模块中,如图3所示,特征提取模块包括依次连接的一个3×3步长2的卷积核(卷积层)、一个C3模块、一个3×3步长2的卷积核、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个3×3步长2的卷积核、一个SPP模块和一个C3模块。其中浅层特征在三个C3模块后输出,中层特征在Mobilenetbone模块后输出,深层特征在最后一个C3模块后输出。
多尺度特征融合模块包括FPN结构和PAN结构,FPN结构包括依次连接的一个卷积层、一个上采样层、一个张量拼接层、一个C3模块、一个卷积层、一个上采样层和一个张量拼接层;PAN结构包括依次连接的一个C3模块、一个卷积层、一个张量拼接层、一个C3模块、一个卷积层、一个张量拼接层和一个C3模块。特征提取模块的三个C3模块输出的特征进入FPN结构的最后一个张量拼接层;特征提取模块的Mobilenetbone模块输出的特征进入FPN结构的第一个张量拼接层;特征提取模块的最后一个C3模块输出的特征进入FPN结构的第一个卷积层。FPN结构的第一个卷积层输出的特征进入PAN结构的最后一个张量拼接层;FPN结构的C3模块输出的特征进入PAN结构的第一个张量拼接层;FPN结构的最后一个张量拼接层进入PAN结构的第一个C3模块;PAN结构的三个C3模块分别输出三个不同尺寸的特征,即学习到的光斑特征。
本发明为了提高网络对非冗余特征的提取能力,使用了Mobilenetbone模块。Moblienetv3引入了深度可分离卷积(depthwise separable convolutions),线性瓶颈的逆残差结构(the inverted residual with linear bottleneck),是一种轻量化网络。本发明引入了Moblienetv3的一部分称为Mobilenetbone,如图4所示,其中Mobilenetbone模块除输入输出模块外还包括依次连接的五个InvertedResidual(线性瓶颈的逆残差结构)。本发明提出的新的特征提取网络结构保持前五层特征提取网络不变,使用了Mobilenetv3网络的五层InvertedResidual结构达到了提高网络对非冗余信息提取的能力。InvertedResidual的主要结构是卷积层,残差结构只存在于第一层和最后一层,因此该结构对非冗余信息具有较强的特征提取能力。InvertedResidual采用中间宽两端窄的结构,虽然残差结构较少,但极大地降低了特征提取过程中信息丢失的概率。这使得它在提取非冗余信息时损失的信息更少。
本发明为了增强网络的多样化线性特征的提取能力,提出使用C3GHOST模块。Ghostnet使用正常的卷积生成部分真实feature map,再用这些真实的feature map经过线性变换(Cheap operations)得到幻象特征层(Ghost feature map),最终由真实特征层和幻象特征层组成完整特征层,是一种常见的特征提取网络。如图6所示为传统的C3模块,其特征提取模块为依次连接的一个1×1步长为1的卷积核(卷积层)、一个Bottleneck层、一个张量拼接层、一个1×1步长为1卷积核,再融合一个从输入到Bottleneck后的卷积残差结构。其中Bottleneck层极大的降低了数据运算量,用小卷积核代替大卷积核,其结构依次为:先经过一个1×1的卷积核,再经过一个3×3卷积核,最后经过一个1×1卷积核。
与图5的C3GHOST模块相比,本发明将1×1步长为1的卷积核模块换成了GHOST卷积核模块,Ghostnet使用卷积提取的特征来映射出新的特征。将这种可以提取非冗余特征的特征提取结构放在特征提取结构的末端,以提高特征提取网络的抗干扰能力。这使得新的特征提取网络具有更强的泛化能力,因此,新网络对特征较差的目标更加敏感。
本发明中SPP模块如图7所示,首先对输入数据通过1×1步长为1的卷积核(一个卷积层)后,并列三次进行最大池化操作,再从最先通过的1×1步长为1的卷积核张量拼接在一起,最后经过另一个1×1步长为1的卷积核。
在卷积神经网络过程中,网络层数越深,目标的特征信息就越强,模型对目标的预测就更好,但同时也会使得目标的位置信息越来越弱,并且在不断的卷积过程中,对小目标的信息容易造成损失,因此,需要进行不同尺度的预测。如图8为通过FPN和PAN对图像进行多尺度特征融合,其中上层特征图因为网络层数更深,包含的光斑语义信息也就更强,而下层特征因为经过的卷积层数较少,光斑的位置信息损失就更少,FPN结构通过自顶向下进行上采样,使得底层特征图包含更强的光斑强语义信息;PAN结构自底向上进行下采样,使顶层特征包含强光斑位置信息,两个特征最后进行融合,使不同尺寸的特征图都包含强光斑语义信息和强光斑特征信息,保证了对不同尺寸的光斑图片的准确预测。
本发明在网络训练过程中使用了Alpha-IoU作为损失函数,平衡了辛模型的准确率和召回率,进一步提升了网络结构精度。Alpha-IoU是一种新型的IOU,在IOU及惩罚项表达式中进行了幂的运算,在干净或者嘈杂的环境中,不会引入额外的参数,也不会增加训练和推理的时间,对于小数据集更加明显,其公式如下:
α-IOU=1-IOUα
其中,参数α可作为调节α-IOU损失的超参数以满足不同水平的bbox回归精度,其中α>1通过更多地关注High IOU目标来获得高的回归精度(即High IOU阈值)。从经验上表明,α对不同的模型或数据集并不过度敏感,在大多数情况下,α=3表现一贯良好。α-IOU损失家族可以很容易地用于改进检测器的效果,在干净或嘈杂的环境下,不会引入额外的参数,也不增加训练/推理时间。
在具体实施例中,支撑本发明进行实验的操作系统为windows10,CPU为Intel(R)core(R)i7-8700 CPU 3.70GHZ,GPU为11GB显存的GeForce GTX 2080ti,框架选用Pytorch。将数据集按8:2的比例划分为训练集和测试集,并划分六次,分别进行实验。初始学习率为0.01,终止学习率为0.2,每次传入模型的图片为8,数据加载器数量为4,训练轮数为200轮,实验显示检测太阳能电池板光斑的平均准确率在90%左右。
本实施例提供的一种太阳能电池板缺陷检测方法,首先通过摄像机收集太阳能电池板图片;与此同时,搭建一种新的图像识别网络结构,有效识别和定位太阳能发电板光斑;其次图像识别网络结构中创新性的加入Mobilenetbone模块和C3GHOST模块模块,对于太阳能电池板缺陷的图像检测,提升了本发明的准确性和可靠性,与现有模型相比具有一定优势。
本实施例提供的一种太阳能电池板缺陷检测方法,有着更加优异的性能,能够更加准确的检验并识别出太阳能发电板的光斑,降低太阳能发电板维护成本。
本实施例提供的一种太阳能电池板缺陷检测方法,综合考虑太阳能发电板热斑效应问题,将一种新的深度学习图像识别算法应用到太阳能电池板缺陷的图像检测中去;能极大程度解决热斑效应对太阳能电池板产生的影响,对于太阳能电池板故障检测具有一定的工程价值。
实施例二
本实施例提供了一种太阳能电池板缺陷检测系统,其具体包括:
图像获取模块,其被配置为:获取太阳能电池板图像;
缺陷检测模块,其被配置为:基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;
其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块,所述三个C3模块、Mobilenetbone模块和最后一个C3模块后分别输出不同尺寸的特征,三个不同尺寸的特征均进入所述多尺度特征融合模块,得到光斑特征。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种太阳能电池板缺陷检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种太阳能电池板缺陷检测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种太阳能电池板缺陷检测方法,其特征在于,包括:
获取太阳能电池板图像;
基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;
其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块,所述三个C3模块、Mobilenetbone模块和最后一个C3模块后分别输出不同尺寸的特征,三个不同尺寸的特征均进入所述多尺度特征融合模块,得到光斑特征。
2.如权利要求1所述的一种太阳能电池板缺陷检测方法,其特征在于,所述多尺度特征融合模块包括FPN结构和PAN结构;
所述FPN结构包括依次连接的一个卷积层、一个上采样层、一个张量拼接层、一个C3模块、一个卷积层、一个上采样层和一个张量拼接层;
所述PAN结构包括依次连接的一个C3模块、一个卷积层、一个张量拼接层、一个C3模块、一个卷积层、一个张量拼接层和一个C3模块。
3.如权利要求2所述的一种太阳能电池板缺陷检测方法,其特征在于,所述特征提取模块的三个C3模块输出的特征进入FPN结构的最后一个张量拼接层;所述特征提取模块的Mobilenetbone模块输出的特征进入FPN结构的第一个张量拼接层;所述特征提取模块的最后一个C3模块输出的特征进入FPN结构的第一个卷积层。
4.如权利要求2所述的一种太阳能电池板缺陷检测方法,其特征在于,所述FPN结构的第一个卷积层输出的特征进入PAN结构的最后一个张量拼接层;所述FPN结构的C3模块输出的特征进入PAN结构的第一个张量拼接层;所述FPN结构的最后一个张量拼接层进入PAN结构的第一个C3模块;所述PAN结构的三个C3模块分别输出三个不同尺寸的特征。
5.如权利要求1所述的一种太阳能电池板缺陷检测方法,其特征在于,所述Mobilenetbone模块除输入输出模块外,还包括依次连接的五个线性瓶颈的逆残差结构。
6.如权利要求1所述的一种太阳能电池板缺陷检测方法,其特征在于,所述C3模块包括依次连接的一个卷积层、一个Bottleneck层、一个张量拼接层和一个卷积层,再融合一个从输入到Bottleneck层的卷积残差结构。
7.如权利要求1所述的一种太阳能电池板缺陷检测方法,其特征在于,所述SPP模块首先对输入数据通过一个卷积层后,并列三次进行最大池化操作,再将三次最大池化操作的输出与卷积层的输出张量拼接在一起,最后输入一个卷积层。
8.一种太阳能电池板缺陷检测系统,其特征在于,包括:
图像获取模块,其被配置为:获取太阳能电池板图像;
缺陷检测模块,其被配置为:基于太阳能电池板图像,通过太阳能电池板缺陷检测网络,得到太阳能电池板光斑检测结果;
其中,所述太阳能电池板缺陷检测网络包括依次连接的特征提取模块和多尺度特征融合模块;所述特征提取模块包括依次连接的一个卷积层、一个C3模块、一个卷积层、三个C3模块、一个Mobilenetbone模块、三个C3GHOST模块、一个卷积层、一个SPP模块和一个C3模块,所述三个C3模块、Mobilenetbone模块和最后一个C3模块后分别输出不同尺寸的特征,三个不同尺寸的特征均进入所述多尺度特征融合模块,得到光斑特征。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种太阳能电池板缺陷检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种太阳能电池板缺陷检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211507387.0A CN115861223A (zh) | 2022-11-29 | 2022-11-29 | 一种太阳能电池板缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211507387.0A CN115861223A (zh) | 2022-11-29 | 2022-11-29 | 一种太阳能电池板缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861223A true CN115861223A (zh) | 2023-03-28 |
Family
ID=85667478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211507387.0A Pending CN115861223A (zh) | 2022-11-29 | 2022-11-29 | 一种太阳能电池板缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541587A (zh) * | 2024-01-10 | 2024-02-09 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
-
2022
- 2022-11-29 CN CN202211507387.0A patent/CN115861223A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541587A (zh) * | 2024-01-10 | 2024-02-09 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
CN117541587B (zh) * | 2024-01-10 | 2024-04-02 | 山东建筑大学 | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320297B (zh) | 一种视频目标实时跟踪方法及系统 | |
CN110378222B (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN112884064A (zh) | 一种基于神经网络的目标检测与识别方法 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN112084911B (zh) | 一种基于全局注意力的人脸特征点定位方法及系统 | |
CN115690675B (zh) | 基于通道非降维注意力机制与改进YOLOv5的ESB-YOLO模型养殖鱼群检测方法 | |
CN111626090A (zh) | 一种基于深度帧差卷积神经网络的运动目标检测方法 | |
CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
CN115661505A (zh) | 一种语义感知的图像阴影检测方法 | |
CN115861223A (zh) | 一种太阳能电池板缺陷检测方法及系统 | |
CN116342953A (zh) | 基于残差收缩注意力网络的双模态目标检测模型及方法 | |
CN115223009A (zh) | 基于改进型YOLOv5的小目标检测方法及装置 | |
Ma et al. | Cross-scale fusion and domain adversarial network for generalizable rail surface defect segmentation on unseen datasets | |
CN112633100B (zh) | 行为识别方法、装置、电子设备和存储介质 | |
CN116310293B (zh) | 一种基于弱监督学习的生成高质量候选框目标检测方法 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN117173547A (zh) | 一种基于改进的YOLOv6算法的水下目标检测方法 | |
Chen et al. | Alfpn: adaptive learning feature pyramid network for small object detection | |
CN115909192A (zh) | 一种基于改进EfficientDet的行人检测方法 | |
CN115439738A (zh) | 一种基于自监督协同重构的水下目标检测方法 | |
Li | Investigation of you only look once networks for vision-based small object detection | |
CN115272819A (zh) | 一种基于改进Faster-RCNN的小目标检测方法 | |
Wang et al. | Dunhuang mural line drawing based on multi-scale feature fusion and sharp edge learning | |
CN114998706B (zh) | 一种基于强化学习决策区域细划分的图像目标检测方法 |
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 |