CN116843691A - 光伏板热斑检测方法及存储介质、电子设备 - Google Patents

光伏板热斑检测方法及存储介质、电子设备 Download PDF

Info

Publication number
CN116843691A
CN116843691A CN202311121802.3A CN202311121802A CN116843691A CN 116843691 A CN116843691 A CN 116843691A CN 202311121802 A CN202311121802 A CN 202311121802A CN 116843691 A CN116843691 A CN 116843691A
Authority
CN
China
Prior art keywords
model
photovoltaic panel
infrared
trained
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.)
Granted
Application number
CN202311121802.3A
Other languages
English (en)
Other versions
CN116843691B (zh
Inventor
洪流
柴东元
李小飞
王飞
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.)
Snegrid Electric Technology Co ltd
Original Assignee
Snegrid Electric Technology Co ltd
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 Snegrid Electric Technology Co ltd filed Critical Snegrid Electric Technology Co ltd
Priority to CN202311121802.3A priority Critical patent/CN116843691B/zh
Publication of CN116843691A publication Critical patent/CN116843691A/zh
Application granted granted Critical
Publication of CN116843691B publication Critical patent/CN116843691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种光伏板热斑检测方法及存储介质、电子设备，该方法获取光伏板红外图像；利用预先训练好的图像分割轻量化模型对光伏板红外图像进行分割，得到光伏组件红外图像，其中，图像分割轻量化模型采用剪枝后的U2‑Net模型；利用预先训练好的缺陷检测轻量化模型分别对光伏组件红外图像进行热斑检测，得到各光伏组件红外图像的热斑检测结果，其中，缺陷检测轻量化模型采用剪枝后的YOLOv5模型；根据光伏组件红外图像的热斑检测结果，得到光伏板红外图像的热斑检测结果。该方法利用计算机视觉技术实现高精度的热斑检测，比传统的人工巡检方法更加准确，检测精度更高。

Description

光伏板热斑检测方法及存储介质、电子设备
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种光伏板热斑检测方法及存储介质、电子设备。
背景技术
随着人类对环境保护意识的不断加强和对能源需求的不断增加，太阳能光伏产业在全球范围内迅速发展，建设大量太阳能光伏电站。在建设太阳能光伏电站后还需要对太阳能光伏电站进行维护。相关光伏板的检测采用传统的人工巡检，满足不了当前需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种光伏板热斑检测方法，具有自动化程度高、检测精度高、鲁棒性强和多类别识别等优势。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种电子设备。
为达到上述目的，本发明第一方面实施例提出一种光伏板热斑检测方法，所述方法包括：获取光伏板红外图像；利用预先训练好的图像分割轻量化模型对所述光伏板红外图像进行分割，得到光伏组件红外图像，其中，所述图像分割轻量化模型采用剪枝后的U2-Net模型；利用预先训练好的缺陷检测轻量化模型分别对所述光伏组件红外图像进行热斑检测，得到各所述光伏组件红外图像的热斑检测结果，其中，所述缺陷检测轻量化模型采用剪枝后的YOLOv5模型；根据所述光伏组件红外图像的热斑检测结果，得到所述光伏板红外图像的热斑检测结果。
根据本发明实施例的光伏板热斑检测方法，利用计算机视觉技术实现高精度的热斑检测，比传统的人工巡检方法更加准确，检测精度更高。
另外，根据本发明上述实施例提出的光伏板热斑检测方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，所述图像分割轻量化模型的训练过程包括：构建分割数据集，其中，所述分割数据集中包括多个光伏板红外样本图像；分别对各所述光伏板红外样本图像中的光伏组件进行分割标注，并将标注好的光伏板红外样本图像按照第一预设比例划分为分割训练集和分割测试集；利用所述分割训练集中的光伏板红外样本图像对所述图像分割模型进行训练，其中，所述图像分割模型采用U2-Net模型；利用所述分割测试集中的光伏板红外样本图像对训练后的图像分割模型进行测试，得到训练好的图像分割模型；对所述训练好的图像分割模型进行剪枝；利用所述分割训练集中的光伏板红外样本图像对剪枝后的图像分割模型进行训练，得到所述训练好的图像分割轻量化模型。
根据本发明的一个实施例，所述对所述训练好的图像分割模型进行剪枝，包括：计算所述训练好的图像分割模型的第一精度，以及各通道的第一通道数量和每一通道对应的第一权重值；根据各所述第一权重值对所述训练好的图像分割模型进行剪枝，并计算剪枝后的图像分割模型的第二精度以及各通道的第二通道数量；根据所述第一精度、所述第二精度、所述第二通道数量和预设阈值，确定第一最优通道数量；根据所述第一最优通道数量对所述训练好的图像分割模型进行剪枝。
根据本发明的一个实施例，所述缺陷检测轻量化模型的训练过程包括：构建检测数据集，其中，所述分割数据集中包括多个光伏组件红外样本图像；分别对各所述光伏组件红外样本图像中的热斑进行检测标注，并将标注好的光伏组件红外样本图像按照第二预设比例划分为检测训练集和检测测试集；利用所述检测训练集中的光伏组件红外样本图像对创建的缺陷检测模型进行训练，其中，所述缺陷检测模型采用YOLOv5模型；利用所述检测测试集中的光伏组件红外样本图像对训练后的缺陷检测模型进行测试，得到训练好的缺陷检测模型；对所述训练好的缺陷检测模型进行剪枝；利用所述分割训练集中的光伏板红外样本图像对剪枝后的缺陷检测模型进行训练，得到所述训练好的缺陷检测轻量化模型。
根据本发明的一个实施例，所述缺陷检测模型采用基于CSPDarknet53骨干网络的YOLOv5模型，所述缺陷检测轻量化模型包括基于Shufflenetv2骨干网络的YOLOv5模型，对所述训练好的缺陷检测模型进行剪枝之前，所述方法还包括：将所述训练好的缺陷检测模型中基于CSPDarknet53骨干网络，替换为基于Shufflenetv2骨干网络；其中，基于Shufflenetv2结构的骨干网络包括一个输入层、一个卷积层、5个Shufflenetv2-res层和一个输出层，所述Shufflenetv2-res层包括channel split模块、卷积模块、深度可分离卷积模块和通道重排模块。
根据本发明的一个实施例，所述对所述训练好的缺陷检测模型进行剪枝，包括：计算所述训练好的缺陷检测模型的第三精度，以及各通道第三通道数量，和每一通道对应的第二权重值；根据各所述第二权重值对所述训练好的缺陷检测模型进行剪枝，并计算剪枝后缺陷检测模型的第四精度以及各通道的第四数量；根据所述第三精度、所述第四精度、所述第四数量和第二预设阈值，确定第二最优通道数量；根据所述第二最优通道数量对所述训练好的缺陷检测模型进行剪枝。
根据本发明的一个实施例，所述获取光伏板红外图像，包括：控制无人机按照预设飞行路线在光伏板区域进行巡航，采集光伏板红外视频，其中，所述无人机上搭载有热成像摄像头；对所述光伏板红外视频进行解析，得到光伏板红外图像。
根据本发明的一个实施例，所述无人机上搭载有GPS定位模块，所述方法还包括：获取所述光伏板红外图像对应的GPS定位信息；根据所述光伏板红外图像对应的GPS定位信息和热斑检测结果，确定所述光伏板的目标位置。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面实施例提出的光伏板热斑检测方法。
为达到上述目的，本发明第三方面实施例提出了一种电子设备，包括存储器、处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本发明第一方面实施例提出的光伏板热斑检测方法。
附图说明
图1是本发明一个实施例的光伏板热斑检测方法的流程图；
图2是本发明一个实施例的图像分割轻量化模型的训练流程图；
图3（a）是本发明一个实施例的光伏板红外样本图像的示意图；
图3（b）是本发明一个实施例的光伏板红外样本图像的示意图；
图4是本发明一个实施例的对训练好的图像分割模型进行剪枝的流程图；
图5是本发明一个实施例的缺陷检测轻量化模型的训练流程图；
图6（a）-图6（e）是本发明一个实施例的热斑缺陷类别依次分别为电池片故障、反光、热斑、二极管故障、遮挡对应的缺陷图像；
图7是本发明一个实施例的channel split模块的示意图；
图8是本发明一个实施例的shufflenetv2-res模块的示意图；
图9是本发明一个实施例的对训练好的缺陷检测模型进行剪枝的流程图；
图10是本发明一个具体实施例的光伏板热斑检测效果示意图；
图11是本发明一个实施例的获取光伏板红外图像的流程图；
图12是本发明一个实施例的确定光伏板的目标位置的流程图；
图13是本发明一个实施例的电子设备的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合说明书附图1-附图13以及具体的实施方式对本发明实施例的光伏板热斑检测方法及存储介质、电子设备进行详细说明。
图1是本发明一个实施例的光伏板热斑检测方法的流程图。如图1所示，光伏板热斑检测方法可包括：
S101，获取光伏板红外图像。
可实施的，利用热成像摄像头采集光伏板区域的光伏板红外图像，其中，热成像摄像头可以捕捉到拍摄区域的红外热信号。
S102，利用预先训练好的图像分割轻量化模型对光伏板红外图像进行分割，得到光伏组件红外图像，其中，图像分割轻量化模型采用剪枝后的U2-Net模型。
具体地，将光伏板红外图像输入预先训练好的图像分割轻量化模型，预先训练好的图像分割轻量化模型对光伏板红外图像中感兴趣区域（光伏组件红外图像）进行分割，得到以得到不包括背景图的光伏组件红外图像。
S103，利用预先训练好的缺陷检测轻量化模型分别对光伏组件红外图像进行热斑检测，得到各光伏组件红外图像的热斑检测结果，其中，缺陷检测轻量化模型采用剪枝后的YOLOv5模型。
具体地，将得到的光伏组件红外图像输入预先训练好的缺陷检测轻量化模型，预先训练好的缺陷检测轻量化模型对光伏组件红外图像进行热斑检测，输出光伏组件红外图像的热斑检测结果。
在本发明的实施例中，热斑检测结果包括热斑缺陷类别和热斑缺陷中心位置，以及热斑缺陷大小。
在本发明的实施例中，缺陷检测轻量化模型输出的热斑检测结果为，其中，/>表示热斑缺陷类别，/>、/>表示热斑缺陷框中心位置的坐标，/>和/>表示热斑缺陷框宽和高。其中，热斑缺陷类别至少包括电池片故障 、反光、热斑、二极管故障、遮挡。
S104，根据光伏组件红外图像的热斑检测结果，得到光伏板红外图像的热斑检测结果。
具体地，由于光伏板红外图像中可能分割出多个光伏组件红外图像，一个光伏组件红外图像可能存在多个热斑检测结果，根据缺陷检测轻量化模型输出的各个光伏组件红外图像的热斑检测结果，得到光伏板红外图像中各光伏组件的热斑检测结果。
在本发明的一个实施例中，如图2所示，图像分割轻量化模型的训练过程可包括：
S201，构建分割数据集，其中，分割数据集中包括多个光伏板红外样本图像。
在构建分割数据集时，可利用无人机获取大量的光伏板红外样本图像，也可从离线数据库中获取大量光伏板红外样本图像。其中，从离线数据库中获取光伏板红外样本图像，可提高图像分割轻量化模型的鲁棒性。
其中，在利用无人机获取大量的光伏板红外图像时，控制无人机在光伏板区域上空巡航采集光伏板红外视频。对光伏板红外视频进行解析，得到大量光伏板红外图像。由于连续帧之间可能存在很大的相似性，可采用随机选取、间隔选取的方式从光伏板红外视频中选取不连续帧的光伏板红外图像作为光伏板红外样本图像。其中，选择不连续的帧可以增加分割数据集的多样性和覆盖面，可提高图像分割轻量化模型的泛化能力。
S202，分别对各光伏板红外样本图像中的光伏组件进行分割标注，并将标注好的光伏板红外样本图像按照第一预设比例划分为分割训练集和分割测试集。
可实施的，采用标注工具labelimg，使用矩形框或者多边形对各光伏板红外样本图像中的光伏组件进行分割标注。如图3（a）和图3（b）所示，图3（a）为光伏板红外样本图像，图3（b）为图3（a）对应的光伏板红外样本图像（分割标签），其中白色边框对应图3（a）中的边界。
S203，利用分割训练集中的光伏板红外样本图像对创建的图像分割模型进行训练，其中，图像分割模型采用U2-Net模型。
具体地，将分割训练集中的光伏板红外样本图像依次输入图像分割模型，对创建的图像分割模型进行训练。
在本发明的实施例中，图像分割模型采用U2-Net模型。其中，U2-Net模型是一个基于深度学习的图像分割模型，用于将图像中的前景和背景进行分割，可以在保持分割精度的同时，大幅减少模型参数和计算量。
在本发明的实施例中，U2-Net模型采用了U型网络（U-Net）的结构，包括编码器和解码器两个部分。其中，编码器部分采用了ResNet结构，可以提取图像的高级特征。解码器则采用了反卷积和跳跃连接的方式，可以将特征图还原成原始大小，并且利用编码器中的特征图恢复细节信息。此外，U2-Net模型还引入了多尺度特征融合和级联式结构等技术，可以进一步提高分割精度和鲁棒性。
S204，利用分割测试集中的光伏板红外样本图像对训练后的图像分割模型进行测试，得到训练好的图像分割模型。
具体地，将分割测试集中的光伏板红外样本图像依次输入训练后的图像分割模型，以对训练后的图像分割模型进行测试，得到符合预设要求的图像分割模型（训练好的图像分割模型）。
S205，对训练好的图像分割模型进行剪枝。
具体地，为降低图像分割模型的参数量和存储空间，提升图像分割模型的检测速度，实现实时处理大量数据的需求，对训练好的图像分割模型进行剪枝。
S206，利用分割训练集中的光伏板红外样本图像对剪枝后的图像分割模型进行训练，得到训练好的图像分割轻量化模型。
由于剪枝后图像分割模型的精度会略有下降，对剪枝后的图像分割模型进行训练，微调图像分割模型，提升剪枝后的图像分割模型的精度，使剪枝后的图像分割模型的精度达到剪枝前的精度，得到训练好的图像分割轻量化模型。
在本发明的一个实施例中，如图4所示，对训练好的图像分割模型进行剪枝，可包括：
S301，计算训练好的图像分割模型的第一精度，以及各通道的第一通道数量和每一通道对应的第一权重值；
S302，根据各第一权重值对训练好的图像分割模型进行剪枝，并计算剪枝后的图像分割模型的第二精度以及各通道的第二通道数量；
S303，根据第一精度、第二精度、第二通道数量和第一预设阈值，确定第一最优通道数量；
S304，根据第一最优通道数量对训练好的图像分割模型进行剪枝。
具体地，可使用L1-norm（L1范数）计算训练好的图像分割模型中所有通道的权重值，得到集合。其中，L1-norm的计算公式如下：
其中，表示训练好的图像分割模型中各通道第一权重值的集合，/>表示第一通道数量，/>表示某个通道第一权重值。
剪枝前参数量，剪枝后参数量/>，剪枝的操作定义为函数/>，表示将训练好的图像分割模型中的通道权重置为0，使训练好的图像分割模型具有稀疏性。
对集合U中的权重值进行排序，返回排序后值对应的索引序列。
其中，表示剪枝通道数的百分比分数，/>表示第二通道数量，/>表示第一通道数量。
其中，为预设阈值，/>剪枝前图像分割模型的第一精度，/>剪枝后图像分割模型的第二精度，/>小于设定的阈值/>，最终剪枝后参数量/>取最小值时为最优解。
剪枝后训练好的图像分割模型的精度会略有下降，再次训练剪枝后的图像分割模型，微调网络，提升剪枝后的图像分割模型的精度，剪枝后图像分割模型的精度值接近于/>得到训练好的图像分割轻量化模型。
在本发明的实施例中，使用通道剪枝后，U2-Net模型的参数量和计算量分别降低约60%和50%，推理速度可以提高约2倍。
在本发明的一个实施例中，如图5所示，缺陷检测轻量化模型的训练过程可包括：
S401，构建检测数据集，其中，分割数据集中包括多个光伏组件红外样本图像。
具体地，可将上述训练好的图像分割轻量化模型输出的光伏组件红外图像作为光伏组件红外样本图像，也可从离线数据库中获取大量光伏组件红外样本图像，得到检测数据集，其中/>表示检测数据集，/>的取值范围0-/>，/>的值表示第几个样本,/>表示检测数据集中的样本。其中，从离线数据库中获取光伏组件红外样本图像，可提高图像分割轻量化模型的鲁棒性。
S402，分别对各光伏组件红外样本图像中的热斑进行检测标注，并将标注好的光伏组件红外样本图像按照第二预设比例划分为检测训练集和检测测试集。
具体地，根据缺陷类别对各光伏组件红外样本图像中的热斑进行检测标注，得到光伏组件红外样本的标注信息，/>表示数据集中的样本，/>表示/>的标签，/>，其中，/>表示热斑缺陷类别，/>、/>表示热斑缺陷框中心位置的坐标，/>和/>表示热斑缺陷框宽和高，/>的取值范围0-/>，/>的值代表第几个检测目标。
在本发明的实施例中热斑缺陷类别至少包括电池片故障 、反光、热斑、二极管故障、遮挡。其中，电池片故障、反光、热斑、二极管故障、遮挡对应的缺陷图像依次参见图6（a）-图6（e）。
S403，利用检测训练集中的光伏组件红外样本图像对创建的缺陷检测模型进行训练，其中，缺陷检测模型采用YOLOv5模型。
具体地，将检测训练集中的光伏组件红外样本图像输入缺陷检测模型，对创建的缺陷检测模型进行训练。
在本发明的实施例中YOLOv5模型结构是由一个基于CSPDarknet53的backbone和一个基于SPP和PAN结构的neck，以及一个基于YOLOv3的head组成。YOLOv5的backbone使用了CSPNet和SE模块等技术，可以提高模型的特征表示能力和计算效率。neck部分包括了SPP和PAN模块，可以进一步提高模型的感受野和特征融合能力。head部分则使用了YOLOv3的特征预测方式，可以输出目标的类别、位置和置信度等信息。
其中，基于CSPDarknet53的backbone包括了一系列卷积层、池化层、CSPNet模块和SE模块，可以提取输入图像的特征表示。backbone的输出为一个特征图。基于SPP和PAN结构的neck包括了一系列卷积层、SPP模块和PAN模块，可以进一步提高特征图的感受野和特征融合能力。SPP模块可以在不改变特征图尺寸的情况下，对不同大小的感受野进行特征提取，而PAN模块则可以将不同层级的特征图进行融合，以提高目标检测的精度。基于YOLOv3的head包括了一系列卷积层和特征预测层。特征预测层可以将特征图转换为目标的类别、位置和置信度等信息。YOLOv5的head与YOLOv3相比，增加了一些卷积层和BatchNormalization层，以进一步提高模型的性能。
S404，利用检测测试集中的光伏组件红外样本图像对训练后的缺陷检测模型进行测试，得到训练好的缺陷检测模型；
具体地，将检测测试集中的光伏组件红外样本图像输入训练后的缺陷检测模型，以对训练后的缺陷检测模型进行测试，得到符合预设要求的缺陷检测模型（训练好的图像分割模型）。
S405，对训练好的缺陷检测模型进行剪枝。
为降低缺陷检测模型的参数量和存储空间，提升缺陷检测模型的检测速度，实现实时处理大量数据的需求，对训练好的缺陷检测模型进行剪枝。
S406，利用分割训练集中的光伏板红外样本图像对剪枝后的缺陷检测模型进行训练，得到训练好的缺陷检测轻量化模型。
由于剪枝后缺陷检测模型的精度会略有下降，对剪枝后的缺陷检测模型进行训练，微调缺陷检测模型，提升剪枝后的缺陷检测模型的精度，使剪枝后的缺陷检测模型的精度达到剪枝前的精度，以得到训练好的缺陷检测轻量化模型。
在本发明的一个实施例中，缺陷检测模型采用基于CSPDarknet53骨干网络的YOLOv5模型，缺陷检测轻量化模型包括基于Shufflenetv2骨干网络的YOLOv5模型，对训练好的缺陷检测模型进行剪枝之前，光伏板热斑检测方法还可包括：
将训练好的缺陷检测模型中基于CSPDarknet53骨干网络，替换为基于Shufflenetv2骨干网络；
其中，基于Shufflenetv2结构的骨干网络包括一个输入层、一个卷积层、5个Shufflenetv2-res层和一个输出层，Shufflenetv2-res层包括channel split模块、卷积模块、深度可分离卷积模块和通道重排模块。
具体地，Shufflenetv1采用了通道重排和分组卷积操作，减少了模型的计算量和参数数量，Shufflenetv2在v1的基础上进行了改进，增加了深度可分离卷积DW Conv和channel split等操作。Shufflenet单元包含四个基本模块，分别为：1×1卷积模块，channel split模块、3×3深度可分离卷积模块（DW Conv）和通道重排模块。
其中，参见图7，channel split模块将输入通道分成两个部分，输入的通道数为c，一个分支的通道数为，另一个分支的通道数为/>，标准卷积（1×1 Conv）、深度可分离卷积模块（3×3 DW Conv），通道切分可以在不增加计算量和参数量的前提下，提升模型的表达能力和适应性。标准卷积用于提取输入特征图的空间信息和通道信息，DW Conv则是将标准卷积分解为深度卷积和逐点卷积，Shufflenetv2先使用深度卷积提前每个通道内的特征信息，然后再通过Concat模块逐点卷积将不同通道的特征信息进行合并。减小了模型的参数量和计算量，同时也提高了模型的效率和速度，此外，DW Conv可以提升模型的感受野和特征表达能力。channel shuffle（通道混洗）模块和Sufflenetv1中相似，目的是提升模型的表达能力和适应性，最后将不同通道部分的通道进行交错合并。
由于随着网络深度的增加会出现信息丢失和梯度消失，本发明实施例在shufflenetv2中的可分离卷积部分增加了残差连接，本发明实施例中称之为ShuffleNetv2-res，减少信息的丢失和梯度消失问题，提升模型的准确性和稳定性。其中，ShuffleNetv2-res的网络结构如图8所示，将第一个1×1 Conv后的输出结果x和3×3DWConv后的结果相加作为输出的中间层。相对于单独使用shufflenetv2作为yolov5的backbone，模型的识别准确性提升2%。
如图8所示。ShuffleNetv2-res的网络模型包括一个输入层、一个卷积层和5个Shufflenetv2-res 层，以及一个输出层。其中，每个Shufflenetv2-res 层包括了多个分组卷积、通道重排和残差连接等操作，可以有效提高特征提取和计算效率，并在保持模型精度的同时大大减少参数量。其中，卷积层(24 channels，3×3 kernel)，24 channels表示上一层的输入通道数为24，3×3表示卷积核的尺寸为3×3；Shufflenetv2-res 层(116channels，2 groups)，116 channels表示上一层的输出通道数，2 groups表示是两个分组卷积。
在本发明的一个实施例中，如图9所示，对训练好的缺陷检测模型进行剪枝，包括：
S501，计算训练好的缺陷检测模型的第三精度，以及各通道第三通道数量，和每一通道对应的第二权重值；
S502，根据各第二权重值对训练好的缺陷检测模型进行剪枝，并计算剪枝后的缺陷检测模型的第四精度以及各通道的第四数量；
S503，根据第三精度、第四精度和第二预设阈值，确定第二最优通道数量；
S504，根据第二最优通道数量对训练好的缺陷检测模型进行剪枝。
利用如上步骤对训练好的缺陷检测模型进行剪枝和训练，得到训练好的缺陷检测轻量化模型。
在本发明的实施例中，训练好的缺陷检测轻量化模型，即剪枝后的YOLOv5模型可以达到每秒100帧/s（s级模型），每秒60帧/s（m模型），每秒30帧/s（l模型）。
在本发明的一个实施例中，如图11所示，获取光伏板红外图像，可包括：
S601，控制无人机按照预设飞行路线在光伏板区域进行巡航，采集光伏板红外视频，其中，无人机上搭载有热成像摄像头；
S602，对光伏板红外视频进行解析，得到光伏板红外图像。
具体地，可利用无人机采集光伏板红外图像。可实施的，在无人机上搭载热成像摄像头，控制无人机在光伏板区域上空飞行，以采集光伏板红外图像。
为了防止利用无人机在光伏板区域上空飞行时漏采，可根据光伏板区域设置预设飞行路线，控制无人机按照预设飞行路线在光伏板区域上空进行巡航，采集光伏板区域的光伏板红外视频。对光伏板红外视频进行解析，得到光伏板红外图像。
由于对光伏板红外视频进行解析得到的是连续的光伏板红外图像，连续的帧之间可能存在很大的相似性，可采用随机选取或间隔选取的方式从光伏板红外视频中获取选取不连续的光伏板红外图像，对不连续的光伏板红外图像进行光斑检测。
需要说明的是，无人机定向巡航和飞行参数设置是热斑检测应用中非常关键的因素，可以影响热成像摄像头的拍摄效果和热斑检测的准确性。合理的飞行高度、飞行速度和飞行方式可以保证无人机在巡航过程中稳定飞行，同时也可以保证热成像摄像头拍摄到足够的视野和充分覆盖到要检测的区域。合理的视频拍摄角度和分辨率可以保证热成像摄像头拍摄到的热斑图像具有更高的清晰度和细节，从而提高热斑检测的精度和准确性。
作为一具体实施例，无人机定向巡航，飞行参数设置如下：飞行高度设置为200m≤飞行高度≤300m；飞行速度设置为8m/s左右；飞行方式可设置为平行或垂直光伏板飞行；视频拍摄角度可设置为垂直于地面拍摄，视频分辨率设置为1920*1080或更高。
在本发明的一个实施例中，如图12所示，无人机上搭载有GPS定位模块，光伏板热斑检测方法还可包括：
S701，获取光伏板红外图像对应的GPS定位信息；
S702，根据光伏板红外图像对应的GPS定位信息和热斑检测结果，确定光伏板的目标位置。
具体地，在无人机上搭载GPS定位模块，在控制无人机巡航，利用热成像摄像头采集光伏板红外图像的同时，利用GPS定位模块获取对应的GPS定位信息。结合光伏板红外图像对应的GPS定位信息和热斑检测结果实现对缺陷光伏板的具体目标位置定位，提高无人机巡检平台的效率和精度。
为实现光伏板的热斑检测，可搭建无人机巡检平台，将构建的深度学习构建的图像分割轻量化模型和缺陷检测轻量化模型部署在无人机巡检平台上，以利用无人机巡检平台对光伏板红外热斑进行识别，实现热斑检测和定位。
本发明实施例利用无人机等方式进行巡检，降低了人工巡检成本，提高了效率，提高光伏热斑检测的自动化程度。本发明实施例利用计算机视觉技术实现高精度的热斑检测，比传统的人工巡检方法更加准确，检测精度更高。本发明实施例适用于多种不同场景的热斑检测，例如水面、山地、屋顶等场景，且误检率低、漏检少，鲁棒性强。本发明实施例可以识别多种不同类型的异常，例如电路板内部异常、二极管故障、红外热斑、遮挡、吊串等异常，包括人无法识别的异常，可以实现更全面的异常检测。
本发明实施例的光伏板热斑检测方法相比传统的人工巡检方法具有自动化程度高、检测精度高、鲁棒性强和多类别识别等优势，可以在多种不同场景下实现高效、高精度的热斑检测，对于提高安全性、降低人工成本等方面的应用具有重要的意义。
本发明提供一种计算机可读存储介质。
在该实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现如上述的光伏板热斑检测方法。
本发明提供一种电子设备。
在该实施例中，电子设备可包括存储器、处理器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上述的光伏板热斑检测方法。
图13是本发明一个实施例的电子设备的结构框图。
如图13所示，控制器500包括：处理器501和存储器503。其中，处理器501和存储器503相连，如通过总线502相连。可选地，控制器500还可以包括收发器504。需要说明的是，实际应用中收发器504不限于一个，该控制器500的结构并不构成对本发明实施例的限定。
处理器501可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框、模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器503用于存储与本发明上述实施例的光伏板热斑检测方法对应的计算机程序，该计算机程序由处理器501来控制执行。处理器501用于执行存储器503中存储的计算机程序，以实现前述方法实施例所示的内容。图13示出的控制器500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例的计算机可读存储介质、电子设备，利用如上光伏板热斑检测方法，具有自动化程度高、检测精度高、鲁棒性强和多类别识别等优势，可以在多种不同场景下实现高效、高精度的热斑检测，对于提高安全性、降低人工成本等方面的应用具有重要的意义。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种光伏板热斑检测方法，其特征在于，所述方法包括：
获取光伏板红外图像；
利用预先训练好的图像分割轻量化模型对所述光伏板红外图像进行分割，得到光伏组件红外图像，其中，所述图像分割轻量化模型采用剪枝后的U2-Net模型；
利用预先训练好的缺陷检测轻量化模型分别对所述光伏组件红外图像进行热斑检测，得到各所述光伏组件红外图像的热斑检测结果，其中，所述缺陷检测轻量化模型采用剪枝后的YOLOv5模型；
根据所述光伏组件红外图像的热斑检测结果，得到所述光伏板红外图像的热斑检测结果。
2.根据权利要求1所述的光伏板热斑检测方法，其特征在于，所述图像分割轻量化模型的训练过程包括：
构建分割数据集，其中，所述分割数据集中包括多个光伏板红外样本图像；
分别对各所述光伏板红外样本图像中的光伏组件进行分割标注，并将标注好的光伏板红外样本图像按照第一预设比例划分为分割训练集和分割测试集；
利用所述分割训练集中的光伏板红外样本图像对所述图像分割模型进行训练，其中，所述图像分割模型采用U2-Net模型；
利用所述分割测试集中的光伏板红外样本图像对训练后的图像分割模型进行测试，得到训练好的图像分割模型；
对所述训练好的图像分割模型进行剪枝；
利用所述分割训练集中的光伏板红外样本图像对剪枝后的图像分割模型进行训练，得到所述训练好的图像分割轻量化模型。
3.根据权利要求2所述的光伏板热斑检测方法，其特征在于，所述对所述训练好的图像分割模型进行剪枝，包括：
计算所述训练好的图像分割模型的第一精度，以及各通道的第一通道数量和每一通道对应的第一权重值；
根据各所述第一权重值对所述训练好的图像分割模型进行剪枝，并计算剪枝后的图像分割模型的第二精度以及各通道的第二通道数量；
根据所述第一精度、所述第二精度、所述第二通道数量和预设阈值，确定第一最优通道数量；
根据所述第一最优通道数量对所述训练好的图像分割模型进行剪枝。
4.根据权利要求2所述的光伏板热斑检测方法，其特征在于，所述缺陷检测轻量化模型的训练过程包括：
构建检测数据集，其中，所述分割数据集中包括多个光伏组件红外样本图像；
分别对各所述光伏组件红外样本图像中的热斑进行检测标注，并将标注好的光伏组件红外样本图像按照第二预设比例划分为检测训练集和检测测试集；
利用所述检测训练集中的光伏组件红外样本图像对创建的缺陷检测模型进行训练，其中，所述缺陷检测模型采用YOLOv5模型；
利用所述检测测试集中的光伏组件红外样本图像对训练后的缺陷检测模型进行测试，得到训练好的缺陷检测模型；
对所述训练好的缺陷检测模型进行剪枝；
利用所述分割训练集中的光伏板红外样本图像对剪枝后的缺陷检测模型进行训练，得到所述训练好的缺陷检测轻量化模型。
5.根据权利要求4所述的光伏板热斑检测方法，其特征在于，所述缺陷检测模型采用基于CSPDarknet53骨干网络的YOLOv5模型，所述缺陷检测轻量化模型包括基于Shufflenetv2骨干网络的YOLOv5模型，对所述训练好的缺陷检测模型进行剪枝之前，所述方法还包括：
将所述训练好的缺陷检测模型中基于CSPDarknet53骨干网络，替换为基于Shufflenetv2骨干网络；
其中，基于Shufflenetv2结构的骨干网络包括一个输入层、一个卷积层、5个Shufflenetv2-res层和一个输出层，所述Shufflenetv2-res层包括channel split模块、卷积模块、深度可分离卷积模块和通道重排模块。
6.根据权利要求5所述的光伏板热斑检测方法，其特征在于，所述对所述训练好的缺陷检测模型进行剪枝，包括：
计算所述训练好的缺陷检测模型的第三精度，以及各通道第三通道数量，和每一通道对应的第二权重值；
根据各所述第二权重值对所述训练好的缺陷检测模型进行剪枝，并计算剪枝后缺陷检测模型的第四精度以及各通道的第四数量；
根据所述第三精度、所述第四精度、所述第四数量和第二预设阈值，确定第二最优通道数量；
根据所述第二最优通道数量对所述训练好的缺陷检测模型进行剪枝。
7.根据权利要求1所述的光伏板热斑检测方法，其特征在于，所述获取光伏板红外图像，包括：
控制无人机按照预设飞行路线在光伏板区域进行巡航，采集光伏板红外视频，其中，所述无人机上搭载有热成像摄像头；
对所述光伏板红外视频进行解析，得到光伏板红外图像。
8.根据权利要求7所述的光伏板热斑检测方法，其特征在于，所述无人机上搭载有GPS定位模块，所述方法还包括：
获取所述光伏板红外图像对应的GPS定位信息；
根据所述光伏板红外图像对应的GPS定位信息和热斑检测结果，确定所述光伏板的目标位置。
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，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的光伏板热斑检测方法。
10.一种电子设备，包括存储器、处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的光伏板热斑检测方法。
CN202311121802.3A 2023-09-01 2023-09-01 光伏板热斑检测方法及存储介质、电子设备 Active CN116843691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311121802.3A CN116843691B (zh) 2023-09-01 2023-09-01 光伏板热斑检测方法及存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311121802.3A CN116843691B (zh) 2023-09-01 2023-09-01 光伏板热斑检测方法及存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN116843691A true CN116843691A (zh) 2023-10-03
CN116843691B CN116843691B (zh) 2024-01-26

Family

ID=88160291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311121802.3A Active CN116843691B (zh) 2023-09-01 2023-09-01 光伏板热斑检测方法及存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN116843691B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396100A (zh) * 2020-11-16 2021-02-23 中保车服科技服务股份有限公司 一种细粒度分类模型的优化方法、系统及相关装置
AU2021100684A4 (en) * 2021-02-03 2021-04-22 Ajay Sharma, Ajay Sharma DR DEPCADDX - A MATLAB App for Caries Detection and Diagnosis from Dental X-rays
WO2021135331A1 (zh) * 2019-12-30 2021-07-08 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN113657383A (zh) * 2021-08-24 2021-11-16 凌云光技术股份有限公司 一种基于轻量化分割模型的缺陷区域检测方法及装置
CN114332101A (zh) * 2021-12-29 2022-04-12 杭州电子科技大学 一种基于遗传算法的U-Net网络模型剪枝方法
CN114565617A (zh) * 2022-01-12 2022-05-31 合肥工业大学 基于剪枝U-Net++的乳腺肿块图像分割方法及系统
CN115797336A (zh) * 2023-02-01 2023-03-14 尚特杰电力科技有限公司 光伏组件的故障检测方法、装置、电子设备和存储介质
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法
CN116187398A (zh) * 2022-05-16 2023-05-30 山东巍然智能科技有限公司 一种无人机海洋图像检测用轻量神经网络搭建方法及设备
US20230184927A1 (en) * 2021-12-15 2023-06-15 Anhui University Contextual visual-based sar target detection method and apparatus, and storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021135331A1 (zh) * 2019-12-30 2021-07-08 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
CN112396100A (zh) * 2020-11-16 2021-02-23 中保车服科技服务股份有限公司 一种细粒度分类模型的优化方法、系统及相关装置
AU2021100684A4 (en) * 2021-02-03 2021-04-22 Ajay Sharma, Ajay Sharma DR DEPCADDX - A MATLAB App for Caries Detection and Diagnosis from Dental X-rays
CN113657383A (zh) * 2021-08-24 2021-11-16 凌云光技术股份有限公司 一种基于轻量化分割模型的缺陷区域检测方法及装置
US20230184927A1 (en) * 2021-12-15 2023-06-15 Anhui University Contextual visual-based sar target detection method and apparatus, and storage medium
CN114332101A (zh) * 2021-12-29 2022-04-12 杭州电子科技大学 一种基于遗传算法的U-Net网络模型剪枝方法
CN114565617A (zh) * 2022-01-12 2022-05-31 合肥工业大学 基于剪枝U-Net++的乳腺肿块图像分割方法及系统
CN116187398A (zh) * 2022-05-16 2023-05-30 山东巍然智能科技有限公司 一种无人机海洋图像检测用轻量神经网络搭建方法及设备
CN115797336A (zh) * 2023-02-01 2023-03-14 尚特杰电力科技有限公司 光伏组件的故障检测方法、装置、电子设备和存储介质
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANLIN YE等: "CNN based Real-time Forest Fire Detection System for Low-power Embedded Devices", 2023 31ST MEDITERRANEAN CONFERENCE ON CONTROL AND AUTOMATION (MED), pages 138 - 140 *
白士磊;殷柯欣;朱建启;: "轻量级YOLOv3的交通标志检测算法", 计算机与现代化, no. 09, pages 87 - 92 *

Also Published As

Publication number Publication date
CN116843691B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Hu et al. Object detection of UAV for anti-UAV based on improved YOLO v3
CN108647655B (zh) 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法
CN113361354B (zh) 轨道部件巡检方法、装置、计算机设备和存储介质
CN111222396A (zh) 一种全天候多光谱行人检测方法
CN110009010A (zh) 基于兴趣区域重检测的宽幅光学遥感目标检测方法
CN110059539A (zh) 一种基于图像分割的自然场景文本位置检测方法
CN113052106A (zh) 一种基于PSPNet网络的飞机起降跑道识别方法
CN116503318A (zh) 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN113052108A (zh) 基于深度神经网络的多尺度级联航拍目标检测方法和系统
CN115984543A (zh) 一种基于红外与可见光图像的目标检测算法
Zhang et al. CFANet: Efficient detection of UAV image based on cross-layer feature aggregation
CN103942786A (zh) 无人机可见光和红外图像的自适应团块目标检测方法
CN115409814A (zh) 一种基于融合图像的光伏组件热斑检测方法及系统
Zhao et al. YOLO‐Highway: An Improved Highway Center Marking Detection Model for Unmanned Aerial Vehicle Autonomous Flight
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN113706496A (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN112542800A (zh) 一种输电线路故障识别的方法及其系统
CN116843691B (zh) 光伏板热斑检测方法及存储介质、电子设备
CN117315441A (zh) 基于改进yolox的道路井盖状态检测方法
CN114550016B (zh) 一种基于上下文信息感知的无人机定位方法及系统
CN116580324A (zh) 一种基于YOLOv5的无人机对地目标检测方法
Wang et al. Insulator defect detection based on improved YOLOv5 algorithm
CN115035429A (zh) 一种基于复合主干网络和多预测头的航拍目标检测方法
CN112241691B (zh) 基于无人机巡检与图像特征的渠道冰情智能识别方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 230088 Building J6, Phase II, Zhong'an Chuanggu Science and Technology Park, Wangjiang West Road, High tech Zone, Hefei City, Anhui Province

Patentee after: SNEGRID ELECTRIC TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: Room 1701, Block C, Building 1, Zone J, Phase II, Hefei Innovation Industrial Park, No. 2800, Innovation Avenue, High-tech Zone, Hefei City, Anhui Province, 230088

Patentee before: SNEGRID ELECTRIC TECHNOLOGY Co.,Ltd.

Country or region before: China