CN117934451A - 应用于光伏电站的无人机巡检方法及系统 - Google Patents
应用于光伏电站的无人机巡检方法及系统 Download PDFInfo
- Publication number
- CN117934451A CN117934451A CN202410282202.3A CN202410282202A CN117934451A CN 117934451 A CN117934451 A CN 117934451A CN 202410282202 A CN202410282202 A CN 202410282202A CN 117934451 A CN117934451 A CN 117934451A
- Authority
- CN
- China
- Prior art keywords
- inspection
- vector
- candidate
- instance
- patrol
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 491
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 378
- 238000001514 detection method Methods 0.000 claims abstract description 148
- 230000006978 adaptation Effects 0.000 claims abstract description 127
- 230000009466 transformation Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000003044 adaptive effect Effects 0.000 claims description 36
- 238000007906 compression Methods 0.000 claims description 30
- 230000006835 compression Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 239000000284 extract Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提供一种应用于光伏电站的无人机巡检方法及系统，通过获取光伏电站的巡检图像帧序列并利用光伏电站巡检模型中的图像检测网络，确定关键设备区域的目标巡检共性矢量。接着，基于巡检图像帧序列或者候选图像矢量，通过实例适应调整单元确定多个巡检检测实例分别对应的目标适应巡检检测矢量。最后，依据每个巡检结果预测网络，基于相应的巡检检测实例的目标适应巡检检测矢量和目标巡检共性矢量，确定巡检预测结果，从而可以根据具体的巡检图像帧序列动态调整巡检检测实例的目标适应巡检检测矢量，增强了模型的适应性和灵活性，并且根据已经确定的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量，准确预测巡检结果，提高预测准确性。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种应用于光伏电站的无人机巡检方法及系统。
背景技术
随着光伏技术的迅速发展和广泛应用，光伏电站的规模和数量不断增加。光伏电站作为一种可再生能源发电设备，其运行状态直接影响到电力系统的稳定和安全。因此，为了确保光伏电站的正常运行和发电效率，对光伏设备的定期巡检变得至关重要。传统的光伏电站巡检方法主要依赖人工巡检，但这种方法存在效率低下、成本高昂以及巡检质量易受人为因素影响等问题，而且在一些复杂环境下可能存在安全隐患。并且，现有的无人机巡检方法，其巡检模型通常是固定的，缺乏对特定巡检检测实例条件下的适应性，因此可能无法准确地识别和判断设备状态。
发明内容
有鉴于此，本申请的目的在于提供一种应用于光伏电站的无人机巡检方法及系统。
依据本申请的第一方面，提供一种应用于光伏电站的无人机巡检方法，所述方法包括：
获取光伏电站的巡检图像帧序列；
依据光伏电站巡检模型中的图像检测网络，基于所述巡检图像帧序列，确定关键设备区域的目标巡检共性矢量；所述光伏电站巡检模型用于依据加载样本特征执行多个巡检检测实例；
依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量；所述实例适应调整单元中包括共性矢量编码器和所述多个巡检检测实例分别关联的实例编码器，所述共性矢量编码器用于提取候选巡检共性矢量，所述实例编码器用于依据所述候选巡检共性矢量提取其对应的巡检检测实例的候选适应巡检检测矢量，所述巡检检测实例的目标适应巡检检测矢量基于所述巡检检测实例的候选适应巡检检测矢量确定；
依据所述光伏电站巡检模型中的每个巡检结果预测网络，基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果；所述光伏电站巡检模型中包括所述多个巡检检测实例分别关联的巡检结果预测网络。
在第一方面的一种可能的实施方式中，所述依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量，包括：
依据所述实例适应调整单元中的所述共性矢量编码器，基于所述巡检图像帧序列或者所述候选图像矢量，确定所述候选巡检共性矢量；
依据所述实例适应调整单元中的特征划分模块，基于所述候选巡检共性矢量，确定第一子候选巡检共性矢量和第二子候选巡检共性矢量；
依据所述实例适应调整单元中的每个所述实例编码器，基于所述第二子候选巡检共性矢量，确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量；
针对每个所述巡检检测实例，基于所述第一子候选巡检共性矢量以及所述巡检检测实例的候选适应巡检检测矢量，确定所述巡检检测实例的目标适应巡检检测矢量。
在第一方面的一种可能的实施方式中，所述依据所述实例适应调整单元中的所述共性矢量编码器，基于所述巡检图像帧序列或者所述候选图像矢量，确定所述候选巡检共性矢量，包括：
依据所述共性矢量编码器中的注意力单元，对所述巡检图像帧序列或者所述候选图像矢量进行注意力权重分配，生成候选注意力矢量；
依据所述共性矢量编码器中的压缩单元，对所述候选注意力矢量进行压缩处理，生成候选压缩矢量；
依据所述共性矢量编码器中的特征解耦单元，对所述候选压缩矢量进行解耦处理，生成所述候选巡检共性矢量。
在第一方面的一种可能的实施方式中，所述依据所述实例适应调整单元中的每个所述实例编码器，基于所述第二子候选巡检共性矢量，确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量，包括：
依据所述实例编码器中的编码控制矩阵，对所述第二子候选巡检共性矢量进行矩阵变换，生成候选变换矢量；
依据所述实例编码器中的特征映射矩阵，对所述候选变换矢量进行特征映射，生成所述巡检检测实例的候选适应巡检检测矢量。
在第一方面的一种可能的实施方式中，所述依据所述实例编码器中的编码控制矩阵，对所述第二子候选巡检共性矢量进行矩阵变换，生成候选变换矢量的步骤，包括：
从实例编码器中获取预先定义的编码控制矩阵，所述编码控制矩阵用于将所述第二子候选巡检共性矢量映射到适合当前巡检检测实例的特征空间；
将所述第二子候选巡检共性矢量与所述编码控制矩阵进行矩阵乘法运算，生成中间变换结果；
对所述中间变换结果应用非线性激活函数，生成非线性变换特征；
对所述非线性变换特征进行标准化或归一化处理后，将处理结果作为候选变换矢量输出，所述候选变换矢量是针对当前巡检检测实例优化后的特征表示。
在第一方面的一种可能的实施方式中，所述依据所述共性矢量编码器中的特征解耦单元，对所述候选压缩矢量进行解耦处理，生成所述候选巡检共性矢量的步骤，包括：
从所述共性矢量编码器中获取特征解耦单元，所述特征解耦单元用于将所述候选压缩矢量分解为多个独立的特征成分；
将所述候选压缩矢量输入到所述特征解耦单元中，通过线性变换或非线性变换，分解为多个解耦后的特征成分，所述特征成分之间的耦合度小于预设阈值；
根据解耦后的特征成分的重要性或贡献度进行特征筛选，将筛选后的特征成分进行重组后，生成候选巡检共性矢量。
在第一方面的一种可能的实施方式中，所述图像检测网络中包括多个深度残差单元，所述光伏电站巡检模型中包括所述多个深度残差单元分别关联的实例适应调整单元；
所述依据光伏电站巡检模型中的图像检测网络，基于所述巡检图像帧序列，确定关键设备区域的目标巡检共性矢量，包括：
依据所述图像检测网络中的每个所述深度残差单元，基于所述深度残差单元的加载样本特征，确定所述深度残差单元生成的目标巡检共性矢量；所述深度残差单元的加载样本特征为所述巡检图像帧序列、或者其它所述深度残差单元生成的目标巡检共性矢量；
所述依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量，包括：
依据每个所述实例适应调整单元，基于所述实例适应调整单元的加载样本特征，确定所述实例适应调整单元生成的所述多个巡检检测实例分别对应的目标适应巡检检测矢量；所述实例适应调整单元的加载样本特征为所述实例适应调整单元对应的深度残差单元的加载样本特征、或者所述实例适应调整单元对应的深度残差单元生成的候选图像矢量。
在第一方面的一种可能的实施方式中，所述依据所述光伏电站巡检模型中的每个巡检结果预测网络，基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果，包括：
依据每个所述巡检结果预测网络，基于各个所述深度残差单元分别生成的目标巡检共性矢量、以及各个所述实例适应调整单元分别生成的所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果。
在第一方面的一种可能的实施方式中，所述光伏电站巡检模型的训练步骤，包括：
获取所述多个巡检检测实例分别关联的样例学习数据；所述样例学习数据中包括样例图像帧序列及其对应的标签携带数据；
针对每个所述巡检检测实例，依据初始化权重参数的所述光伏电站巡检模型，基于所述巡检检测实例对应的样例学习数据中的样例图像帧序列，确定所述样例学习数据对应的巡检学习结果；
基于所述巡检学习结果和所述样例学习数据中的标签携带数据，更新所述光伏电站巡检模型中所述实例适应调整单元包括的所述共性矢量编码器和所述巡检检测实例对应的实例编码器的网络权重信息、以及所述巡检检测实例对应的巡检结果预测网络的网络权重信息。
依据本申请的第二方面，提供一种应用于光伏电站的无人机巡检系统，所述应用于光伏电站的无人机巡检系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该应用于光伏电站的无人机巡检系统实现前述的应用于光伏电站的无人机巡检方法。
依据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的应用于光伏电站的无人机巡检方法。
依据上述任意一个方面，本申请的技术效果在于：
本申请实施例通过获取光伏电站的巡检图像帧序列，并依据专门设计的光伏电站巡检模型进行处理，实现了对光伏电站关键设备区域的高效、准确巡检。首先利用图像检测网络从巡检图像帧序列中提取出关键设备区域的目标巡检共性矢量，有效地聚焦了巡检的关键区域，提高了巡检的针对性。接着，通过实例适应调整单元对巡检图像帧序列或生成的候选图像矢量进行处理，确定了多个巡检检测实例分别对应的目标适应巡检检测矢量，通过共性矢量编码器和实例编码器的协同工作，实现了对巡检检测实例的个性化处理，进一步提高了巡检的准确性和适应性。最后，利用每个巡检结果预测网络，基于其对应的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量，确定了巡检检测实例的巡检预测结果，实现了对巡检结果的准确预测，为光伏电站的运行和维护提供了有力支持。由此，通过无人机巡检和智能模型处理相结合的方式，显著提高了光伏电站巡检的效率和准确性，对于光伏电站的安全运行和效能提升具有重要意义。
也即，本申请通过获取光伏电站的巡检图像帧序列并利用光伏电站巡检模型中的图像检测网络，确定关键设备区域的目标巡检共性矢量。接着，基于巡检图像帧序列或者候选图像矢量，通过实例适应调整单元确定多个巡检检测实例分别对应的目标适应巡检检测矢量。最后，依据每个巡检结果预测网络，基于相应的巡检检测实例的目标适应巡检检测矢量和目标巡检共性矢量，确定巡检预测结果。通过实例适应调整单元，可以根据具体的巡检图像帧序列动态调整巡检检测实例的目标适应巡检检测矢量，增强了模型的适应性和灵活性，并且根据已经确定的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量，准确预测巡检结果，提高了预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的应用于光伏电站的无人机巡检方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的应用于光伏电站的无人机巡检方法的应用于光伏电站的无人机巡检系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加至少一个其它操作，也可以从流程图中销毁至少一个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都对应于本申请保护的范围。
图1示出了本申请实施例提供的应用于光伏电站的无人机巡检方法及系统的流程示意图，应当理解，在其它实施例中，本实施例的应用于光伏电站的无人机巡检方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该应用于光伏电站的无人机巡检方法的详细步骤包括：
步骤S110，获取光伏电站的巡检图像帧序列。
本实施例中，服务器首先启动图像采集程序，该图像采集程序与光伏电站的监控系统或摄像头设备相连。其中，服务器通过图像采集程序从摄像头中实时获取视频流数据，或者从已存储的视频文件中读取数据。这些数据包含了光伏电站不同时间点的图像帧，形成了巡检图像帧序列。这些巡检图像帧序列将作为后续步骤的输入数据。
也即，所述巡检图像帧序列是指从光伏电站的监控摄像头捕获的一系列连续图像帧，用于表示电站的实时或历史状态。例如，假设有一个视频文件，它记录了光伏电站一天的运行情况。那么，可以从这个视频中提取出一系列的图像帧，形成一个巡检图像帧序列。
步骤S120，依据光伏电站巡检模型中的图像检测网络，基于所述巡检图像帧序列，确定关键设备区域的目标巡检共性矢量。所述光伏电站巡检模型用于依据加载样本特征执行多个巡检检测实例。
其中，所述光伏电站巡检模型是一个预先训练好的机器学习模型，用于光伏电站的巡检任务，能够通过输入的图像数据来识别和分析光伏电站中的各种设备和组件。例如，某个深度学习模型经过大量光伏电站图像的训练，学会了如何识别太阳能电池板、逆变器、电缆等关键设备，并能够判断这些设备是否正常运行。
所述图像检测网络是光伏电站巡检模型中的一个组成部分，是一个深度学习网络，用于在输入的图像中检测和定位目标对象，如光伏设备。在图像检测网络中，可以使用卷积神经网络（CNN）来检测图像中的光伏设备。当给定一帧巡检图像时，CNN能够输出图像中设备的边界框坐标和类别标签。
所述关键设备区域是指在巡检图像中需要特别关注和分析的设备或组件所在的区域。例如，在一张光伏电站的图像中，太阳能电池板、逆变器和电缆连接点都可能被标记为关键设备区域，因为这些区域的运行状态直接关系到整个电站的性能和安全。
所述目标巡检共性矢量是一个特征向量，编码了从关键设备区域中提取的共性特征（即多个设备或实例共有的特征）。这个目标巡检共性矢量用于表示设备的状态或属性。例如，假设从多个太阳能电池板的图像中提取了颜色、形状和纹理等特征，并将这些特征编码成一个特征向量。这个特征向量就可以作为目标巡检共性矢量，用于后续的故障检测或状态评估。
执行多个巡检检测实例是指巡检模型能够同时处理和分析多个不同的巡检任务或场景，每个任务或场景都被视为一个独立的检测实例。例如，假设光伏电站有多个不同的区域或设备类型需要巡检。可以为每个区域或设备类型设置一个独立的巡检检测实例，每个巡检检测实例都专注于其特定的任务。这样，就可以同时对整个电站进行全面的巡检和分析。
详细地，本实施例中，服务器加载预先训练好的光伏电站巡检模型，该光伏电站巡检模型中包含了一个图像检测网络。服务器将巡检图像帧序列输入到图像检测网络中，所述图像检测网络会自动识别并定位图像中的关键设备区域，如光伏板、支架、逆变器等。同时，图像检测网络会提取这些关键设备区域的特征，生成一个共性矢量（即包含这些设备共同特征的特征向量）。这个共性矢量被称为目标巡检共性矢量，将用于后续的巡检检测实例的适应调整。
步骤S130，依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量。所述实例适应调整单元中包括共性矢量编码器和所述多个巡检检测实例分别关联的实例编码器，所述共性矢量编码器用于提取候选巡检共性矢量，所述实例编码器用于依据所述候选巡检共性矢量提取其对应的巡检检测实例的候选适应巡检检测矢量，所述巡检检测实例的目标适应巡检检测矢量基于所述巡检检测实例的候选适应巡检检测矢量确定。
详细地，所述实例适应调整单元是光伏电站巡检模型中的一个组件，能够根据不同的巡检检测实例调整或优化模型的输出，使得模型能够更好地适应各种实际巡检场景。例如，假设光伏电站巡检模型需要检测不同类型的光伏设备，如太阳能电池板和逆变器。这些设备在外观、尺寸和功能上可能存在差异，因此需要不同的检测策略。实例适应调整单元能够根据输入图像的特征和设备类型，自动调整模型的参数或结构，以优化对特定设备的检测性能。
所述候选图像矢量是指从巡检图像帧序列中提取出的一种中间表示形式，通常是一个向量或一组数值，用于编码图像中的某些关键信息或特征。这些信息或特征可能是潜在的、与巡检任务相关的候选对象或区域。例如，在图像处理中，可以使用特征提取技术（如SIFT、HOG等）从图像中生成一个特征向量，这个向量就包含了图像中的关键信息，如边缘、角点、纹理等。在光伏电站巡检的上下文中，候选图像矢量可能编码了潜在的设备故障、阴影遮挡等异常情况。
所述共性矢量编码器是一个专门用于提取共性特征（即多个实例或场景中共同存在的特征）的编码器，能够将输入的数据（如图像或特征向量）编码成一个共性矢量，这个共性矢量反映了输入数据中的共性和基本结构。例如，假设有一组光伏设备的图像，这些图像虽然拍摄于不同的时间和地点，但都包含了太阳能电池板这一共同元素。共性矢量编码器能够从这些图像中提取出太阳能电池板的共性特征（如形状、颜色等），并将这些特征编码成一个共性矢量。这个共性矢量就可以用于后续的识别、分类或检测任务。
所述实例编码器是与特定巡检检测实例相关联的编码器，它的作用是根据输入的共性矢量或其他相关信息，生成该实例特有的适应性特征表示。这个特征表示包含了该实例所需的所有必要信息，以便进行准确的巡检检测。例如，假设有一个专门用于检测逆变器故障的巡检检测实例。这个实例需要关注逆变器的特定特征（如温度、电压波动等）。实例编码器能够根据输入的共性矢量和逆变器的特定信息，生成一个包含这些关键特征的适应性特征表示。这个表示将用于后续的故障检测和分析。
所述候选适应巡检检测矢量是指实例编码器生成的、针对特定巡检检测实例的适应性特征表示的一种候选形式。它可能是一个或多个候选向量，每个向量都编码了该实例在不同方面的信息或特征。例如，在逆变器故障检测的上下文中，候选适应巡检检测矢量可能包含了逆变器的温度、电压、电流等多个方面的特征信息。这些特征信息以向量的形式表示，并作为后续故障检测算法的输入。
所述目标适应巡检检测矢量是从候选适应巡检检测矢量中确定的、最终用于特定巡检检测实例的特征向量。它包含了该实例所需的所有关键信息，并且已经过优化和调整，以适应实际的巡检场景和需求。例如，在确定了逆变器故障检测的候选适应巡检检测矢量后，可能还需要根据实际的故障类型和检测难度对这些矢量进行进一步的筛选和优化。最终得到的目标适应巡检检测矢量将是最适合当前巡检任务的特征表示，能够最大限度地提高故障检测的准确性和效率。
详细地，本实施例中，服务器进一步利用光伏电站巡检模型中的实例适应调整单元。这个实例适应调整单元包含了共性矢量编码器和与多个巡检检测实例分别关联的实例编码器。服务器首先将巡检图像帧序列或图像检测网络生成的候选图像矢量输入到共性矢量编码器中，提取出候选巡检共性矢量。然后，服务器将候选巡检共性矢量分别输入到与各个巡检检测实例关联的实例编码器中。每个实例编码器都会根据输入的候选巡检共性矢量提取出其对应的巡检检测实例的候选适应巡检检测矢量。最后，服务器根据一定的算法从候选适应巡检检测矢量中确定出每个巡检检测实例的目标适应巡检检测矢量。
步骤S140，依据所述光伏电站巡检模型中的每个巡检结果预测网络，基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果。所述光伏电站巡检模型中包括所述多个巡检检测实例分别关联的巡检结果预测网络。
其中，所述巡检结果预测网络是光伏电站巡检模型中的一个子网络或模块，用于根据输入的特征矢量（如目标适应巡检检测矢量和目标巡检共性矢量）来预测特定巡检检测实例的巡检结果。这些巡检结果通常包括设备的状态、故障类型、故障位置等信息。例如，假设光伏电站巡检模型中包含一个用于预测太阳能电池板状态的巡检结果预测网络。这个巡检结果预测网络会根据输入的太阳能电池板图像的特征矢量（如颜色、纹理、形状等），结合历史数据和模型训练得到的知识，来预测电池板是否正常工作、是否存在故障以及故障的类型和位置等。
所述巡检检测实例的巡检预测结果是指巡检结果预测网络针对特定巡检检测实例输出的预测结果。这些结果通常是对设备状态、故障类型、故障位置等的判断和预测，是模型对输入数据的最终响应和输出。例如，在光伏电站的巡检中，巡检结果预测网络可能会输出以下类型的预测结果：太阳能电池板正常工作、逆变器温度过高、电缆连接处存在松动等。这些结果可以帮助运维人员及时发现问题并采取相应的措施进行修复和维护。
详细地，本实施例中，在服务器确定了每个巡检检测实例的目标适应巡检检测矢量后，可以将这些目标适应巡检检测矢量以及之前生成的目标巡检共性矢量一起输入到光伏电站巡检模型中与各个巡检检测实例关联的巡检结果预测网络中。每个巡检结果预测网络都会根据其输入的矢量和网络内部的算法模型，预测出其对应的巡检检测实例的巡检结果。这些巡检结果可能包括设备的正常状态、异常状态、故障类型等信息。服务器会收集并整理这些预测结果，为后续的故障诊断、维护决策等提供支持。
基于以上步骤，本申请实施例通过获取光伏电站的巡检图像帧序列，并依据专门设计的光伏电站巡检模型进行处理，实现了对光伏电站关键设备区域的高效、准确巡检。首先利用图像检测网络从巡检图像帧序列中提取出关键设备区域的目标巡检共性矢量，有效地聚焦了巡检的关键区域，提高了巡检的针对性。接着，通过实例适应调整单元对巡检图像帧序列或生成的候选图像矢量进行处理，确定了多个巡检检测实例分别对应的目标适应巡检检测矢量，通过共性矢量编码器和实例编码器的协同工作，实现了对巡检检测实例的个性化处理，进一步提高了巡检的准确性和适应性。最后，利用每个巡检结果预测网络，基于其对应的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量，确定了巡检检测实例的巡检预测结果，实现了对巡检结果的准确预测，为光伏电站的运行和维护提供了有力支持。由此，通过无人机巡检和智能模型处理相结合的方式，显著提高了光伏电站巡检的效率和准确性，对于光伏电站的安全运行和效能提升具有重要意义。
也即，本申请通过获取光伏电站的巡检图像帧序列并利用光伏电站巡检模型中的图像检测网络，确定关键设备区域的目标巡检共性矢量。接着，基于巡检图像帧序列或者候选图像矢量，通过实例适应调整单元确定多个巡检检测实例分别对应的目标适应巡检检测矢量。最后，依据每个巡检结果预测网络，基于相应的巡检检测实例的目标适应巡检检测矢量和目标巡检共性矢量，确定巡检预测结果。通过实例适应调整单元，可以根据具体的巡检图像帧序列动态调整巡检检测实例的目标适应巡检检测矢量，增强了模型的适应性和灵活性，并且根据已经确定的巡检检测实例的目标适应巡检检测矢量以及目标巡检共性矢量，准确预测巡检结果，提高了预测的准确性。
在一种可能的实施方式中，步骤S130可以包括：
步骤S131，依据所述实例适应调整单元中的所述共性矢量编码器，基于所述巡检图像帧序列或者所述候选图像矢量，确定所述候选巡检共性矢量。
本实施例中，服务器调用实例适应调整单元中的共性矢量编码器。这个共性矢量编码器的任务是从输入的巡检图像帧序列或候选图像矢量中提取出共性特征。在这个场景中，共性矢量编码器分析了图像帧序列中的太阳能电池板、逆变器和电缆等设备的共同特征，如形状、颜色、纹理等，并基于这些特征生成了一个候选巡检共性矢量。这个矢量编码了这些设备在图像中的共有属性和结构信息。
步骤S132，依据所述实例适应调整单元中的特征划分模块，基于所述候选巡检共性矢量，确定第一子候选巡检共性矢量和第二子候选巡检共性矢量。
本实施例中，服务器继续利用实例适应调整单元中的特征划分模块对候选巡检共性矢量进行处理。特征划分模块的作用是将共性矢量进一步细分为不同的子矢量，以便更好地适应不同的巡检检测实例。在这个场景中，特征划分模块将候选巡检共性矢量划分为两个子矢量：第一子候选巡检共性矢量和第二子候选巡检共性矢量。第一子矢量主要编码了与设备整体状态相关的特征，如亮度、对比度等；而第二子矢量则更关注于设备的局部细节和潜在故障特征，如裂纹、污渍等。
步骤S133，依据所述实例适应调整单元中的每个所述实例编码器，基于所述第二子候选巡检共性矢量，确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量。
本实施例中，服务器现在针对每个巡检检测实例调用实例适应调整单元中的相应实例编码器。实例编码器的任务是根据第二子候选巡检共性矢量生成该实例特有的适应性特征表示。在这个场景中，假设有一个巡检检测实例专门用于检测太阳能电池板的裂纹故障。对应的实例编码器会分析第二子候选巡检共性矢量中与裂纹相关的特征，并结合该实例的特定知识和规则，生成一个候选适应巡检检测矢量。这个矢量编码了太阳能电池板裂纹故障的所有必要信息和特征。
步骤S134，针对每个所述巡检检测实例，基于所述第一子候选巡检共性矢量以及所述巡检检测实例的候选适应巡检检测矢量，确定所述巡检检测实例的目标适应巡检检测矢量。
最后，服务器针对每个巡检检测实例，结合第一子候选巡检共性矢量和该实例的候选适应巡检检测矢量，确定最终的目标适应巡检检测矢量。在这个场景中，服务器将第一子候选巡检共性矢量（编码了设备整体状态特征）与太阳能电池板裂纹故障的候选适应巡检检测矢量（编码了裂纹特征）进行融合和优化处理。通过综合考虑设备的整体状态和局部故障特征，服务器生成了一个更准确、更全面的目标适应巡检检测矢量，用于后续的故障预测和分析任务。
由此，能够根据不同巡检检测实例的需求和场景特点，生成针对性的特征表示和预测结果，提高光伏电站巡检的准确性和效率。
在一种可能的实施方式中，步骤S131可以包括：
步骤S1311，依据所述共性矢量编码器中的注意力单元，对所述巡检图像帧序列或者所述候选图像矢量进行注意力权重分配，生成候选注意力矢量。
本实施例中，注意力单元的作用是识别图像中最重要的区域或特征，并为它们分配更高的注意力权重。在这个场景中，服务器通过注意力单元对图像帧中的太阳能电池板、逆变器、电缆等关键设备区域进行权重分配。例如，如果某个图像帧中的太阳能电池板出现了明显的阴影或污渍，注意力单元会增加这个区域的权重，生成一个候选注意力矢量。这个矢量突出了图像中需要重点关注的部分，为后续的特征提取和故障检测提供了重要信息。
步骤S1312，依据所述共性矢量编码器中的压缩单元，对所述候选注意力矢量进行压缩处理，生成候选压缩矢量。
接下来，服务器利用共性矢量编码器中的压缩单元对候选注意力矢量进行处理。压缩单元的目的是减少数据的维度和复杂性，同时保留最重要的特征信息。在这个场景中，压缩单元会对候选注意力矢量进行降维和压缩处理，去除冗余信息，生成一个更紧凑、更有效的候选压缩矢量。这个矢量既保留了原始图像中的关键特征，又降低了后续处理的计算复杂度。
步骤S1313，依据所述共性矢量编码器中的特征解耦单元，对所述候选压缩矢量进行解耦处理，生成所述候选巡检共性矢量。
最后，服务器通过共性矢量编码器中的特征解耦单元对候选压缩矢量进行进一步处理。特征解耦单元的任务是将压缩矢量中的不同特征进行分离和独立表示，以便更好地捕捉和描述图像中的共性特征。在这个场景中，特征解耦单元会对候选压缩矢量进行分解和重构，将其中表示设备形状、颜色、纹理等共性特征的部分提取出来，生成一个候选巡检共性矢量。这个矢量编码了图像中多个巡检检测实例共同关注的特征信息，为后续的实例适应和故障检测提供了有力的支持。
由此，能够准确地从巡检图像帧序列中提取出共性特征，并为不同的巡检检测实例生成针对性的特征表示，提高了光伏电站巡检的准确性和效率。
在一种可能的实施方式中，步骤S133可以包括：
步骤S1331，依据所述实例编码器中的编码控制矩阵，对所述第二子候选巡检共性矢量进行矩阵变换，生成候选变换矢量。
本实施例中，实例编码器中包含一个编码控制矩阵，这个编码控制矩阵是根据特定巡检检测实例的需求和先验知识预先定义的。在这个场景中，可以使用这个编码控制矩阵对第二子候选巡检共性矢量进行矩阵变换。矩阵变换的过程可以理解为对原始特征进行重新组合、加权和筛选，以突出与当前巡检检测实例最相关的特征。
通过这一变换，服务器生成了一个候选变换矢量。这个候选变换矢量是在第二子候选巡检共性矢量的基础上，经过编码控制矩阵的针对性调整得到的，更加符合当前巡检检测实例的特征需求。
步骤S1332，依据所述实例编码器中的特征映射矩阵，对所述候选变换矢量进行特征映射，生成所述巡检检测实例的候选适应巡检检测矢量。
在得到候选变换矢量后，服务器会继续利用实例编码器中的特征映射矩阵进行处理。特征映射矩阵的作用是将变换后的特征进一步映射到一个更适合当前巡检检测实例的特征空间中。
在这个场景中，服务器使用特征映射矩阵对候选变换矢量进行映射操作。这个映射过程可以理解为将候选变换矢量中的特征进行非线性转换，以使其更符合当前巡检检测实例的特征分布和表示需求。
通过特征映射矩阵的处理，服务器最终生成了巡检检测实例的候选适应巡检检测矢量。这个矢量是在候选变换矢量的基础上，经过特征映射矩阵的进一步调整和优化得到的，具有更强的针对性和适应性，能够更好地支持后续的故障预测和分析任务。
由此，能够根据不同巡检检测实例的需求和特点，生成具有针对性的特征表示，提高了光伏电站巡检的准确性和灵活性。
在一种可能的实施方式中，步骤S1331可以包括：
步骤S1331-1，从实例编码器中获取预先定义的编码控制矩阵，所述编码控制矩阵用于将所述第二子候选巡检共性矢量映射到适合当前巡检检测实例的特征空间。
步骤S1331-2，将所述第二子候选巡检共性矢量与所述编码控制矩阵进行矩阵乘法运算，生成中间变换结果。
步骤S1331-3，对所述中间变换结果应用非线性激活函数，生成非线性变换特征。
步骤S1331-4，对所述非线性变换特征进行标准化或归一化处理后，将处理结果作为候选变换矢量输出，所述候选变换矢量是针对当前巡检检测实例优化后的特征表示。
本实施例中，编码控制矩阵在训练过程中学习到如何将第二子候选巡检共性矢量映射到适合当前巡检检测实例的特征空间。在这个场景中，服务器从实例编码器中获取这个预先定义的编码控制矩阵，准备对第二子候选巡检共性矢量进行变换。
服务器获取到编码控制矩阵后，会将其与第二子候选巡检共性矢量进行矩阵乘法运算。这个运算过程可以理解为将原始特征向量通过编码控制矩阵进行线性变换，生成一个新的特征向量，即中间变换结果。
在这个场景中，服务器执行矩阵乘法运算，将第二子候选巡检共性矢量与编码控制矩阵相乘，得到中间变换结果。这个结果包含了经过编码控制矩阵调整后的特征信息，更加符合当前巡检检测实例的特征需求。
为了增加模型的表达能力和适应性，服务器在得到中间变换结果后，会对其应用非线性激活函数。非线性激活函数的作用是在神经网络中引入非线性因素，使得模型能够更好地拟合复杂的数据分布。
在这个场景中，服务器选择适当的非线性激活函数（如ReLU、Sigmoid等），对中间变换结果进行非线性变换，生成非线性变换特征。这些特征经过非线性激活函数的处理后，具有更强的表达能力和区分度，有助于后续的故障检测和分析。
在生成非线性变换特征后，服务器会对其进行标准化或归一化处理。标准化和归一化是数据预处理中常用的技术，用于将特征值缩放到一个统一的范围内，以消除不同特征之间的量纲差异和数值范围差异。
在这个场景中，服务器根据具体的数据分布和需求，选择适当的标准化或归一化方法（如Z-score标准化、MinMax归一化等），对非线性变换特征进行处理。处理后的结果作为候选变换矢量输出，这个矢量是针对当前巡检检测实例优化后的特征表示，具有更强的适应性和区分度。
由此，能够利用实例编码器中的编码控制矩阵对第二子候选巡检共性矢量进行针对性的变换和优化，生成更适合当前巡检检测实例的特征表示。这有助于提高光伏电站巡检的准确性和效率。
在一种可能的实施方式中，步骤S1313包括：
步骤S1313-1，从所述共性矢量编码器中获取特征解耦单元，所述特征解耦单元用于将所述候选压缩矢量分解为多个独立的特征成分。
步骤S1313-2，将所述候选压缩矢量输入到所述特征解耦单元中，通过线性变换或非线性变换，分解为多个解耦后的特征成分，所述特征成分之间的耦合度小于预设阈值。
步骤S1313-3，根据解耦后的特征成分的重要性或贡献度进行特征筛选，将筛选后的特征成分进行重组后，生成候选巡检共性矢量。
在处理光伏电站的巡检图像数据时，服务器已经通过共性矢量编码器中的注意力单元和压缩单元生成了候选压缩矢量。为了从该矢量中提取出更加独立和具有代表性的特征，服务器需要从共性矢量编码器中获取特征解耦单元。
特征解耦单元是共性矢量编码器中的一个重要组成部分，它经过训练学习，能够将复杂的特征向量分解为多个相对独立的特征成分。在这个场景中，服务器从共性矢量编码器中获取这个特征解耦单元，准备对候选压缩矢量进行解耦处理。
获取到特征解耦单元后，服务器将候选压缩矢量作为输入数据，传递给这个单元。特征解耦单元接收到候选压缩矢量后，会进行线性变换或非线性变换，以分解这个复杂的特征向量。
在这个过程中，特征解耦单元通过其内部的权重和偏置参数，对候选压缩矢量进行逐元素的变换和组合，将其分解为多个相对独立的特征成分。这些特征成分之间的耦合度较低，即它们之间的相关性或依赖性较弱，有助于后续的特征分析和处理。
在得到多个解耦后的特征成分后，服务器会根据这些特征成分的重要性或贡献度进行筛选。筛选的目的是去除那些对后续任务贡献较小或冗余的特征成分，保留最具代表性的特征。
服务器可以采用各种特征选择算法（如基于统计的方法、基于模型的方法等）来确定每个特征成分的重要性或贡献度。根据筛选结果，服务器将保留的特征成分进行重组，生成一个新的特征向量，即候选巡检共性矢量。
这个候选巡检共性矢量是在原始候选压缩矢量的基础上，经过特征解耦和筛选优化得到的。它包含了更加独立和具有代表性的特征信息，能够更好地支持后续的巡检检测实例适应和故障预测任务。
由此，能够利用共性矢量编码器中的特征解耦单元对候选压缩矢量进行有效的解耦和筛选优化，生成更适合后续任务需求的候选巡检共性矢量。
在一种可能的实施方式中，所述图像检测网络中包括多个深度残差单元，所述光伏电站巡检模型中包括所述多个深度残差单元分别关联的实例适应调整单元。
步骤S120可以包括：
步骤S121，依据所述图像检测网络中的每个所述深度残差单元，基于所述深度残差单元的加载样本特征，确定所述深度残差单元生成的目标巡检共性矢量。所述深度残差单元的加载样本特征为所述巡检图像帧序列、或者其它所述深度残差单元生成的目标巡检共性矢量。
服务器在处理光伏电站的巡检图像数据时，会利用图像检测网络中的多个深度残差单元来逐级提取和分析图像特征。深度残差单元是深度学习模型中的一种结构，它能够有效缓解深度神经网络在训练过程中的梯度消失和表示瓶颈问题，提高模型的表达能力和泛化性能。
在这个场景中，服务器的图像检测网络包括多个深度残差单元，每个深度残差单元都负责处理不同层次的图像特征。这些深度残差单元可以串联或并联组成复杂的网络结构，以实现对巡检图像帧序列的多层次、多角度的特征提取和分析。
服务器在利用深度残差单元处理巡检图像帧序列时，会根据每个深度残差单元的加载样本特征来确定该单元生成的目标巡检共性矢量。加载样本特征可以是原始的巡检图像帧序列，也可以是其他深度残差单元生成的目标巡检共性矢量。
在这个场景中，服务器首先将巡检图像帧序列输入到第一个深度残差单元中，该单元会提取图像中的低层次特征（如边缘、纹理等），并生成一个初步的目标巡检共性矢量。然后，服务器将这个初步的目标巡检共性矢量作为加载样本特征输入到下一个深度残差单元中，以此类推，逐级提取和分析更高层次的图像特征。
由此，服务器能够利用多个深度残差单元逐步提取出巡检图像帧序列中的共性特征，形成最终的目标巡检共性矢量。这个矢量包含了图像中关键设备区域的共性信息，有助于后续的故障检测和分析。
步骤S130可以包括：依据每个所述实例适应调整单元，基于所述实例适应调整单元的加载样本特征，确定所述实例适应调整单元生成的所述多个巡检检测实例分别对应的目标适应巡检检测矢量。所述实例适应调整单元的加载样本特征为所述实例适应调整单元对应的深度残差单元的加载样本特征、或者所述实例适应调整单元对应的深度残差单元生成的候选图像矢量。
服务器在确定了目标巡检共性矢量后，会进一步利用光伏电站巡检模型中的实例适应调整单元来生成多个巡检检测实例分别对应的目标适应巡检检测矢量。实例适应调整单元是针对特定巡检检测实例进行优化的模型组件，它能够根据加载样本特征调整和优化模型的输出。
在这个场景中，服务器会根据每个实例适应调整单元的加载样本特征来确定该单元生成的多个巡检检测实例分别对应的目标适应巡检检测矢量。加载样本特征可以是该实例适应调整单元对应的深度残差单元的加载样本特征，也可以是该深度残差单元生成的候选图像矢量。
具体来说，服务器会将目标巡检共性矢量或候选图像矢量输入到实例适应调整单元中，该单元会根据其内部的权重和偏置参数对输入特征进行变换和调整，以适应当前巡检检测实例的需求和特点。经过实例适应调整单元的处理后，服务器会得到多个针对特定巡检检测实例优化的目标适应巡检检测矢量。这些目标适应巡检检测矢量包含了更丰富、更准确的特征信息，有助于提高光伏电站巡检的准确性和效率。
在一种可能的实施方式中，步骤S140可以包括：依据每个所述巡检结果预测网络，基于各个所述深度残差单元分别生成的目标巡检共性矢量、以及各个所述实例适应调整单元分别生成的所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果。
在光伏电站的巡检过程中，服务器已经通过图像检测网络提取了关键设备区域的目标巡检共性矢量，并通过实例适应调整单元生成了多个巡检检测实例分别对应的目标适应巡检检测矢量。接下来，服务器需要利用巡检结果预测网络来确定每个巡检检测实例的巡检预测结果。
在这个场景中，服务器会针对每个巡检结果预测网络进行操作。首先，服务器会获取该网络对应的深度残差单元生成的目标巡检共性矢量。这些共性矢量包含了图像中关键设备区域的共性特征信息，是后续预测的基础。
接着，服务器会获取该巡检结果预测网络对应的实例适应调整单元生成的目标适应巡检检测矢量。这些目标适应巡检检测矢量是根据当前巡检检测实例的需求和特点进行优化的特征表示，能够更好地适应当前实例的预测任务。
服务器将目标巡检共性矢量和目标适应巡检检测矢量作为输入数据，传递给巡检结果预测网络。巡检结果预测网络会根据其内部的权重和偏置参数对这些特征进行组合和变换，以生成针对当前巡检检测实例的预测结果。
这个预测结果可以是设备的状态分类（如正常、故障等），也可以是具体的故障类型或故障程度等信息。服务器会将这个预测结果保存下来，并可以根据需要将其发送给相关人员或系统进行进一步的处理和分析。
通过这样的处理流程，服务器能够利用光伏电站巡检模型中的每个巡检结果预测网络，基于对应的共性特征和适应特征，确定每个巡检检测实例的巡检预测结果。这有助于提高光伏电站巡检的准确性和效率，及时发现和处理设备故障问题。
在一种可能的实施方式中，所述光伏电站巡检模型的训练步骤，包括：
步骤S101，获取所述多个巡检检测实例分别关联的样例学习数据。所述样例学习数据中包括样例图像帧序列及其对应的标签携带数据。
步骤S102，针对每个所述巡检检测实例，依据初始化权重参数的所述光伏电站巡检模型，基于所述巡检检测实例对应的样例学习数据中的样例图像帧序列，确定所述样例学习数据对应的巡检学习结果。
步骤S103，基于所述巡检学习结果和所述样例学习数据中的标签携带数据，更新所述光伏电站巡检模型中所述实例适应调整单元包括的所述共性矢量编码器和所述巡检检测实例对应的实例编码器的网络权重信息、以及所述巡检检测实例对应的巡检结果预测网络的网络权重信息。
在训练光伏电站巡检模型之前，服务器首先需要获取多个巡检检测实例分别关联的样例学习数据。这些数据是模型训练的基础，用于学习如何从图像中识别设备的状态和故障。
服务器通过与光伏电站的数据存储系统连接，获取到大量的历史巡检图像数据。这些数据包括不同时间、不同天气条件下的设备图像，以及对应的标签携带数据，如设备状态、故障类型等。服务器将这些数据按照巡检检测实例进行分类和关联，形成每个实例的样例学习数据集。
服务器在获取到样例学习数据后，会利用初始化权重参数的光伏电站巡检模型对这些数据进行处理和分析。具体来说，服务器会将每个巡检检测实例对应的样例图像帧序列输入到模型中，通过图像检测网络提取图像特征，并利用共性矢量编码器和实例编码器对这些特征进行编码和处理。
在这个过程中，服务器会根据模型的输出确定样例学习数据对应的巡检学习结果。这些结果反映了模型对当前巡检检测实例的识别和分析能力，是后续模型优化和调整的重要依据。
在得到巡检学习结果后，服务器会将其与样例学习数据中的标签携带数据进行对比和分析，计算模型在当前巡检检测实例上的预测误差。根据这个误差，服务器会利用反向传播算法等优化技术来更新光伏电站巡检模型中的网络权重信息。
具体来说，服务器会首先更新实例适应调整单元中的共性矢量编码器和实例编码器的网络权重信息。这些更新使得模型能够更好地提取和编码图像中的共性特征和实例特征，提高模型的表达能力和泛化性能。
接着，服务器会更新巡检检测实例对应的巡检结果预测网络的网络权重信息。这些更新使得模型能够更准确地根据提取的特征进行设备状态和故障类型的预测和分析。
通过这样的训练过程，服务器的光伏电站巡检模型能够逐渐学习到从图像中识别和分析设备状态和故障的有效模式和方法，提高光伏电站巡检的准确性和效率。
图2所示的应用于光伏电站的无人机巡检100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，应用于光伏电站的无人机巡检100还可以包括收发器1004，收发器1004可以用于该服务器与其它服务器之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该应用于光伏电站的无人机巡检100的结构并不构成对本申请实施例的限定。
处理器1001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（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、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申请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1001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1002可包括一通路，在上述组件之间传送信息。总线1002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1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2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1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质，在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码，以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有程序代码，程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以基于需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以基于需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。
Claims (10)
1.一种应用于光伏电站的无人机巡检方法，其特征在于，所述方法包括：
获取光伏电站的巡检图像帧序列；
依据光伏电站巡检模型中的图像检测网络，基于所述巡检图像帧序列，确定关键设备区域的目标巡检共性矢量；所述光伏电站巡检模型用于依据加载样本特征执行多个巡检检测实例；
依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量；所述实例适应调整单元中包括共性矢量编码器和所述多个巡检检测实例分别关联的实例编码器，所述共性矢量编码器用于提取候选巡检共性矢量，所述实例编码器用于依据所述候选巡检共性矢量提取其对应的巡检检测实例的候选适应巡检检测矢量，所述巡检检测实例的目标适应巡检检测矢量基于所述巡检检测实例的候选适应巡检检测矢量确定；
依据所述光伏电站巡检模型中的每个巡检结果预测网络，基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果；所述光伏电站巡检模型中包括所述多个巡检检测实例分别关联的巡检结果预测网络。
2.根据权利要求1所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量，包括：
依据所述实例适应调整单元中的所述共性矢量编码器，基于所述巡检图像帧序列或者所述候选图像矢量，确定所述候选巡检共性矢量；
依据所述实例适应调整单元中的特征划分模块，基于所述候选巡检共性矢量，确定第一子候选巡检共性矢量和第二子候选巡检共性矢量；
依据所述实例适应调整单元中的每个所述实例编码器，基于所述第二子候选巡检共性矢量，确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量；
针对每个所述巡检检测实例，基于所述第一子候选巡检共性矢量以及所述巡检检测实例的候选适应巡检检测矢量，确定所述巡检检测实例的目标适应巡检检测矢量。
3.根据权利要求2所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述实例适应调整单元中的所述共性矢量编码器，基于所述巡检图像帧序列或者所述候选图像矢量，确定所述候选巡检共性矢量，包括：
依据所述共性矢量编码器中的注意力单元，对所述巡检图像帧序列或者所述候选图像矢量进行注意力权重分配，生成候选注意力矢量；
依据所述共性矢量编码器中的压缩单元，对所述候选注意力矢量进行压缩处理，生成候选压缩矢量；
依据所述共性矢量编码器中的特征解耦单元，对所述候选压缩矢量进行解耦处理，生成所述候选巡检共性矢量。
4.根据权利要求2所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述实例适应调整单元中的每个所述实例编码器，基于所述第二子候选巡检共性矢量，确定所述实例编码器对应的巡检检测实例的候选适应巡检检测矢量，包括：
依据所述实例编码器中的编码控制矩阵，对所述第二子候选巡检共性矢量进行矩阵变换，生成候选变换矢量；
依据所述实例编码器中的特征映射矩阵，对所述候选变换矢量进行特征映射，生成所述巡检检测实例的候选适应巡检检测矢量。
5.根据权利要求4所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述实例编码器中的编码控制矩阵，对所述第二子候选巡检共性矢量进行矩阵变换，生成候选变换矢量的步骤，包括：
从实例编码器中获取预先定义的编码控制矩阵，所述编码控制矩阵用于将所述第二子候选巡检共性矢量映射到适合当前巡检检测实例的特征空间；
将所述第二子候选巡检共性矢量与所述编码控制矩阵进行矩阵乘法运算，生成中间变换结果；
对所述中间变换结果应用非线性激活函数，生成非线性变换特征；
对所述非线性变换特征进行标准化或归一化处理后，将处理结果作为候选变换矢量输出，所述候选变换矢量是针对当前巡检检测实例优化后的特征表示。
6.根据权利要求3所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述共性矢量编码器中的特征解耦单元，对所述候选压缩矢量进行解耦处理，生成所述候选巡检共性矢量的步骤，包括：
从所述共性矢量编码器中获取特征解耦单元，所述特征解耦单元用于将所述候选压缩矢量分解为多个独立的特征成分；
将所述候选压缩矢量输入到所述特征解耦单元中，通过线性变换或非线性变换，分解为多个解耦后的特征成分，所述特征成分之间的耦合度小于预设阈值；
根据解耦后的特征成分的重要性或贡献度进行特征筛选，将筛选后的特征成分进行重组后，生成候选巡检共性矢量。
7.根据权利要求1-6中任意一项所述的应用于光伏电站的无人机巡检方法，其特征在于，所述图像检测网络中包括多个深度残差单元，所述光伏电站巡检模型中包括所述多个深度残差单元分别关联的实例适应调整单元；
所述依据光伏电站巡检模型中的图像检测网络，基于所述巡检图像帧序列，确定关键设备区域的目标巡检共性矢量，包括：
依据所述图像检测网络中的每个所述深度残差单元，基于所述深度残差单元的加载样本特征，确定所述深度残差单元生成的目标巡检共性矢量；所述深度残差单元的加载样本特征为所述巡检图像帧序列、或者其它所述深度残差单元生成的目标巡检共性矢量；
所述依据所述光伏电站巡检模型中的实例适应调整单元，基于所述巡检图像帧序列或者所述图像检测网络检测所述巡检图像帧序列时生成的候选图像矢量，确定所述多个巡检检测实例分别对应的目标适应巡检检测矢量，包括：
依据每个所述实例适应调整单元，基于所述实例适应调整单元的加载样本特征，确定所述实例适应调整单元生成的所述多个巡检检测实例分别对应的目标适应巡检检测矢量；所述实例适应调整单元的加载样本特征为所述实例适应调整单元对应的深度残差单元的加载样本特征、或者所述实例适应调整单元对应的深度残差单元生成的候选图像矢量。
8.根据权利要求7所述的应用于光伏电站的无人机巡检方法，其特征在于，所述依据所述光伏电站巡检模型中的每个巡检结果预测网络，基于所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量以及所述目标巡检共性矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果，包括：
依据每个所述巡检结果预测网络，基于各个所述深度残差单元分别生成的目标巡检共性矢量、以及各个所述实例适应调整单元分别生成的所述巡检结果预测网络对应的巡检检测实例的目标适应巡检检测矢量，确定所述巡检结果预测网络对应的巡检检测实例的巡检预测结果。
9.根据权利要求1所述的应用于光伏电站的无人机巡检方法，其特征在于，所述光伏电站巡检模型的训练步骤，包括：
获取所述多个巡检检测实例分别关联的样例学习数据；所述样例学习数据中包括样例图像帧序列及其对应的标签携带数据；
针对每个所述巡检检测实例，依据初始化权重参数的所述光伏电站巡检模型，基于所述巡检检测实例对应的样例学习数据中的样例图像帧序列，确定所述样例学习数据对应的巡检学习结果；
基于所述巡检学习结果和所述样例学习数据中的标签携带数据，更新所述光伏电站巡检模型中所述实例适应调整单元包括的所述共性矢量编码器和所述巡检检测实例对应的实例编码器的网络权重信息、以及所述巡检检测实例对应的巡检结果预测网络的网络权重信息。
10.一种应用于光伏电站的无人机巡检系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的应用于光伏电站的无人机巡检方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282202.3A CN117934451B (zh) | 2024-03-13 | 2024-03-13 | 应用于光伏电站的无人机巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282202.3A CN117934451B (zh) | 2024-03-13 | 2024-03-13 | 应用于光伏电站的无人机巡检方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117934451A true CN117934451A (zh) | 2024-04-26 |
| CN117934451B CN117934451B (zh) | 2024-06-21 |
Family
ID=90766832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410282202.3A Active CN117934451B (zh) | 2024-03-13 | 2024-03-13 | 应用于光伏电站的无人机巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934451B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118446397A (zh) * | 2024-07-05 | 2024-08-06 | 新迎顺信息技术股份有限公司 | 基于边缘计算的水电站智慧巡检方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170532A (zh) * | 2021-11-23 | 2022-03-11 | 北京航天自动控制研究所 | 一种基于困难样本迁移学习的多目标分类方法和装置 |
| CN114529578A (zh) * | 2022-01-21 | 2022-05-24 | 浙江零跑科技股份有限公司 | 一种基于对比学习方式的多目标跟踪方法 |
| CN114863368A (zh) * | 2022-07-05 | 2022-08-05 | 城云科技（中国）有限公司 | 用于道路破损检测的多尺度目标检测模型、方法 |
| CN115100565A (zh) * | 2022-06-16 | 2022-09-23 | 北京邮电大学 | 一种基于空间相关性与光流配准的多目标跟踪方法 |
| CN115376023A (zh) * | 2022-07-29 | 2022-11-22 | 五邑大学 | 基于形变卷积网络的养殖区域检测方法、无人机、介质 |
| CN115527163A (zh) * | 2022-09-20 | 2022-12-27 | 上海高德威智能交通系统有限公司 | 目标检测模型优化方法、装置、电子设备及可读存储介质 |
| CN115546601A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技（中国）有限公司 | 一种多目标识别模型及其构建方法、装置及应用 |
| CN116342538A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市朗驰欣创科技股份有限公司 | 一种跑冒滴漏检测方法、装置、智能设备和存储介质 |
| CN117094362A (zh) * | 2023-10-19 | 2023-11-21 | 腾讯科技（深圳）有限公司 | 一种任务处理方法及相关装置 |
-
2024
- 2024-03-13 CN CN202410282202.3A patent/CN117934451B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170532A (zh) * | 2021-11-23 | 2022-03-11 | 北京航天自动控制研究所 | 一种基于困难样本迁移学习的多目标分类方法和装置 |
| CN114529578A (zh) * | 2022-01-21 | 2022-05-24 | 浙江零跑科技股份有限公司 | 一种基于对比学习方式的多目标跟踪方法 |
| CN115100565A (zh) * | 2022-06-16 | 2022-09-23 | 北京邮电大学 | 一种基于空间相关性与光流配准的多目标跟踪方法 |
| CN114863368A (zh) * | 2022-07-05 | 2022-08-05 | 城云科技（中国）有限公司 | 用于道路破损检测的多尺度目标检测模型、方法 |
| CN115376023A (zh) * | 2022-07-29 | 2022-11-22 | 五邑大学 | 基于形变卷积网络的养殖区域检测方法、无人机、介质 |
| CN115527163A (zh) * | 2022-09-20 | 2022-12-27 | 上海高德威智能交通系统有限公司 | 目标检测模型优化方法、装置、电子设备及可读存储介质 |
| CN115546601A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技（中国）有限公司 | 一种多目标识别模型及其构建方法、装置及应用 |
| CN116342538A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市朗驰欣创科技股份有限公司 | 一种跑冒滴漏检测方法、装置、智能设备和存储介质 |
| CN117094362A (zh) * | 2023-10-19 | 2023-11-21 | 腾讯科技（深圳）有限公司 | 一种任务处理方法及相关装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118446397A (zh) * | 2024-07-05 | 2024-08-06 | 新迎顺信息技术股份有限公司 | 基于边缘计算的水电站智慧巡检方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117934451B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117934451B (zh) | 应用于光伏电站的无人机巡检方法及系统 | |
| CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
| CN112381784A (zh) | 一种基于多光谱图像的设备检测系统 | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN113515655B (zh) | 一种基于图像分类的故障识别方法及装置 | |
| CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
| CN111814742A (zh) | 基于深度学习的刀闸状态识别方法 | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
| CN113012107B (zh) | 电网缺陷检测方法及系统 | |
| CN116958119A (zh) | 一种基于改进yolov8的auto-encoder电池板设备缺陷检测方法及系统 | |
| CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
| CN116740495A (zh) | 路桥隧道的病害检测模型的训练方法和病害检测方法 | |
| CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
| CN116091976A (zh) | 一种站房缺陷识别检测方法、系统、装置及存储介质 | |
| Li et al. | Automated deep learning system for power line inspection image analysis and processing: Architecture and design issues | |
| Sheng et al. | A Method and Implementation of Transmission Line's Key Components and Defects Identification Based on YOLO | |
| CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
| CN114882229A (zh) | 一种目标检测图片生成方法、装置、设备及介质 | |
| CN113470012A (zh) | 标线识别方法、装置、存储介质及电子装置 | |
| CN113935466A (zh) | 数据中心智能巡检机器人多任务学习方法 | |
| Wang et al. | Enhanced and improved garbage identification and classification of YOLOV5 based on data | |
| CN117113010B (zh) | 基于卷积网络轻量化的输电通道安全监测方法及系统 | |
| CN118276925B (zh) | 基于人工智能的数据溯源管理系统及方法 |
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 |