CN118037655A - 一种基于ssd的光伏板瑕疵检测方法及装置 - Google Patents
一种基于ssd的光伏板瑕疵检测方法及装置 Download PDFInfo
- Publication number
- CN118037655A CN118037655A CN202410149498.1A CN202410149498A CN118037655A CN 118037655 A CN118037655 A CN 118037655A CN 202410149498 A CN202410149498 A CN 202410149498A CN 118037655 A CN118037655 A CN 118037655A
- Authority
- CN
- China
- Prior art keywords
- module
- photovoltaic panel
- feature map
- branch
- residual
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization 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
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SSD的光伏板瑕疵检测方法，检测方法如下：步骤一：获取光伏板的目标图片数据；步骤二：将所述目标图片数据通过基于SSD算法的双分支深度残差结构网络进行深度学习和训练后，建立检测模型；所述基于SSD算法的双分支深度残差结构网络包括：输入尺度特征图模块、双分支深度残差结构模块、特征融合模块、预测模块和结果输出模块；步骤三：获取待检测光伏板的图片数据，输入到检测模型后，转换获得待检测光伏板的综合特征，将待检测光伏板的综合特征与检测模型中的综合特征数据库比对后预测待检测光伏板是否存在瑕疵。本发明检测模型可得到后层传来梯度，学来的深度特征将具有更丰富的语义信息，检测精度更高、检测速度更快。
Description
技术领域
本发明涉及光伏板检测技术领域，尤其涉及一种基于SSD的光伏板瑕疵检测方法及装置。
背景技术
在学术界，光伏板瑕疵目标检测分为两个主要派别。其中，二阶段算法是其中一个重要派别，其代表性算法为区域卷积神经网络(Region-CNN,RCNN)系列，二阶段算法首先通区域生成网络(Region Proposal Network,RPN)生成候选框，然后对候选框中的识别对象进行分类处理并标记其位置。另一派别是一阶段算法，其代表性方法包括SSD算法(SingleShot MultiBox Detector)和YOLO网络，SSD主要有两个部分：第一部分是深度卷积神经网络，分布在前端，采用了一种图像分类网络(VGG网络)，去除了分类层，应用于对图像前端的特征提取；第二部分为处于结构后端的检测网络，是一种级联卷积神经网络集合，用以对前端网络生成的特征层分别在不同规模情况下提取特征。与二阶段算法不同，一阶段算法采用端到端的方式，不产生候选框，而是直接给出最终计算结果。二阶段算法在检测精度方面表现优秀，然而其模型复杂性导致计算量较大，从而影响了计算速度；一阶段算法虽然快但是精度不如二阶段算法。
发明内容
为了克服上述现有技术的缺陷，本发明的目的是提供一种基于SSD的光伏板瑕疵检测方法及装置，具有检测精度更高、检测速度更快。
一种基于SSD的光伏板瑕疵检测方法，检测方法如下：
步骤一：获取光伏板的目标图片数据；
步骤二：将所述目标图片数据通过基于SSD算法的双分支深度残差结构网络进行深度学习和训练后，建立检测模型；
所述基于SSD算法的双分支深度残差结构网络包括：
输入尺度特征图模块，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块，用于捕捉输入特征图的关键信息和残差信息；
特征融合模块，将双分支深度残差结构模块的关键信息和残差信息进行融合，得到一个综合特征；
预测模块，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块，所述结果输出模块将检测结果输出，并储存作为检测模型的数据库；
步骤三：获取待检测光伏板的图片数据，输入到检测模型后，转换获得待检测光伏板的综合特征，将待检测光伏板的综合特征与检测模型中的综合特征数据库比对后预测待检测光伏板是否存在瑕疵。
进一步的，所述双分支深度残差结构模块包括主分支模块和残差分支模块；所述主分支模块用于对输入尺度特征图模块的输入特征图主要特征的提取和处理；所述残差分支模块用于捕捉输入尺度特征图模块的输入特征图的残差信息，即捕捉主分支模块处理后的特征之间的差异。
进一步的，所述残差分支模块采用多个残差分支交汇的连接方式，将不同残差信息进行多层特征融合。
进一步的，所述残差分支模块还设置有深层特征图模块和浅层特征图模块；深层特征图模块进行变换后与浅层特征图模块相连。
进一步的，所述特征融合模块对深层特征图模块进行卷积之后，依次经过非线性激活函数、缩放层(Scale Layer)和批次归一化层(Batch Normalization Layer)变换处理来获取特征数据，然后与浅层特征图模块相连，从而使深层特征图模块和浅层特征图模块具有同样的通道数和尺度大小；然后经过SSD算法卷积和反卷积，将主分支模块和残差分支模块的相同位置元素相加(Element-Wise Summation)和通道级联(ChannelConcatenation)，使残差分支模块解析更多有益的高级语义信息，同时使残差分支模块的通道数增加到与主分支模块的通道数一致。
进一步的，所述双分支深度残差结构模块、特征融合模块和预测模块在结构上是分离的。
本发明还提供一种基于SSD的光伏板瑕疵检测装置，所述装置包括：
读取模块，用于获取光伏发电板的目标图片数据；
输入尺度特征图模块，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块，用于捕捉输入特征图的关键信息和残差信息；
特征融合模块，将双分支深度残差结构模块的关键信息和残差信息进行融合，得到一个综合特征；
预测模块，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块，所述结果输出模块将检测结果输出，并储存作为检测模型的数据库。
进一步的，所述读取模块是通过监控摄像头获取光伏发电板上初始视频数据；提取所述初始视频数据中的图片数据，并对所述图片数据中的瑕疵进行目标框的标注，得到标注后的图片数据；对所述标注后的图片数据进行数据增强处理，得到处理后的图片。
进一步的，该装置还包括存储器和至少一个处理器；
所述存储器存储计算机程序和检测模型数据；所述至少一个处理器执行所述存储器存储的计算机程序，以实现一种基于SSD的光伏板瑕疵检测方法。
综上所述：本发明检测模型可得到后层传来梯度，学来的深度特征将具有更丰富的语义信息，应用于光伏板检测，通过多尺度提取目标特征经过变换后形成多层融合后的综合特征，这种设计增强了其对不同规模目标探测的鲁棒性，检测精度更高、检测速度更快。
附图说明
图1为本发明基于SSD的深度残差多尺度特征图原理示意图；
图2为本发明深度残差结构与普通卷积结构对比示意图；
图3为本发明SSD网络多层特征融合结构示意图；
图4为本发明特征融合三分支结构示意图；
图5和图6为本发明装置原理图。
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。
实施例1
如图1至图4所示，一种基于SSD的光伏板瑕疵检测方法，检测方法如下：
步骤一：获取光伏板的目标图片数据；
步骤二：将所述目标图片数据通过基于SSD算法的双分支深度残差结构网络进行深度学习和训练后，建立检测模型；
所述基于SSD算法的双分支深度残差结构网络包括：
输入尺度特征图模块，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块，用于捕捉输入特征图的关键信息和残差信息；
特征融合模块，将双分支深度残差结构模块的关键信息和残差信息进行融合，得到一个综合特征；
预测模块，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块，所述结果输出模块将检测结果输出，并储存作为检测模型的数据库；
步骤三：获取待检测光伏板的图片数据，输入到检测模型后，转换获得待检测光伏板的综合特征，将待检测光伏板的综合特征与检测模型中的综合特征数据库比对后预测待检测光伏板是否存在瑕疵。
作为优选实施例，所述双分支深度残差结构模块包括主分支模块和残差分支模块；所述主分支模块用于对输入尺度特征图模块的输入特征图主要特征的提取和处理；所述残差分支模块用于捕捉输入尺度特征图模块的输入特征图的残差信息，即捕捉主分支模块处理后的特征之间的差异。
作为优选实施例，所述残差分支模块采用多个残差分支交汇的连接方式，将不同残差信息进行多层特征融合。
作为优选实施例，所述残差分支模块还设置有深层特征图模块和浅层特征图模块；深层特征图模块进行变换后与浅层特征图模块相连，可以降低模型复杂度、减少计算量，并提高计算速度。
作为优选实施例，所述特征融合模块对深层特征图模块进行卷积之后，依次经过非线性激活函数、缩放层(Scale Layer)和批次归一化层(Batch Normalization Layer)变换处理来获取特征数据，然后与浅层特征图模块相连，从而使深层特征图模块和浅层特征图模块具有同样的通道数和尺度大小；然后经过SSD算法卷积和反卷积，将主分支模块和残差分支模块的相同位置元素相加(Element-Wise Summation)和通道级联(ChannelConcatenation)，使残差分支模块解析更多有益的高级语义信息，同时使残差分支模块的通道数增加到与主分支模块的通道数一致，从而使主分支模块和残差分支模块的输出相加来实现的，从而得到一个综合的特征表示，便于快速、准确的与目标图片的特征进行比对，判断是否存在瑕疵。另外该结构具有跳跃连接的特性，在训练和学习过程中，多层特征融合，有效地防止了预测模块的梯度倒回到骨干结构中，包括位置回归和置信度计算层，这种方法有助于保持骨干网络的纯净性。
作为优选实施例，所述双分支深度残差结构模块、特征融合模块和预测模块在结构上是分离的。使得检测模型的拓展变得容易，而且有助于防止梯度消失的异常情况发生，从而更好地进行模型学习和训练。
实施例2
如图5和图6所示，本发明还提供一种基于SSD的光伏板瑕疵检测装置，所述装置包括：
读取模块101，用于获取光伏发电板的目标图片数据；
输入尺度特征图模块102，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块103，用于捕捉输入特征图的关键信息和残差信息；特征融合模块104，将双分支深度残差结构模块103的关键信息和残差信息进行融合，得到一个综合特征；
预测模块105，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块106，所述结果输出模块106将检测结果输出，并储存作为检测模型的数据库。
作为优选实施例，所述读取模块101是通过监控摄像头获取光伏发电板上初始视频数据；提取所述初始视频数据中的图片数据，并对所述图片数据中的瑕疵进行目标框的标注，得到标注后的图片数据；对所述标注后的图片数据进行数据增强处理，得到处理后的图片。
作为优选实施例，该装置还包括存储器108和至少一个处理器107；
所述存储器108存储计算机程序和检测模型数据；所述至少一个处理器107执行所述存储器108存储的计算机程序，以实现一种基于SSD的光伏板瑕疵检测方法。
实施例3
举例说明，如图2所示，而图2(b)展示了普通的卷积结构，这种卷积结构在训练过程中，会出现预测模块的梯度倒回到骨干结构中，造成了信息的干扰和计算量大大增加；而图2(a)、图3和图4中展示了本申请采用的双分支深度残差结构模块，每个框图代表一个层，每一层卷积之后，依次经过非线性激活函数、缩放层(Scale Layer)和批次归一化层(BatchNormalization Layer)变换处理来获取特征数据，然后与浅层特征图模块相连，从而使深层特征图模块和浅层特征图模块具有同样的通道数和尺度大小；然后经过SSD算法卷积和反卷积，将主分支模块和残差分支模块的相同位置元素相加(Element-Wise Summation)和通道级联(Channel Concatenation)，使残差分支模块解析更多有益的高级语义信息，同时使残差分支模块的通道数增加到与主分支模块的通道数一致，从而使主分支模块和残差分支模块的输出相加来实现的，从而得到一个综合的特征表示，便于快速、准确的与目标图片的特征进行比对，判断是否存在瑕疵，另外该结构具有跳跃连接的特性，在训练和学习过程中，有效地防止了预测模块的梯度倒回到骨干结构中，包括位置回归和置信度计算层，这种方法有助于保持骨干网络的纯净性。VGG骨干网络结构的前3层语义信息比较缺乏，并且最后3层规模较小(最大规模特征图仅为5×5)，融合产生的信息增益不显著，加入过多的特征融合结构将必然增大计算量，但是对提高精度方面帮助是极为有限的。本发明采用特征融合模块增强残差分支模块的第4个卷积块的第3个卷积层(conv4-3)、第5个卷积块的第3个卷积层(conv5-3)3和第6个卷积块的第2个卷积层(conv6-2)这三个层的语义信息，而对其余3个层没有进行多级特征融合处理，最大程度地保留跳跃连接对于网络结构优化，网络训练等方面所具有的优点。如图4所示，将本发明原始残差分支模块的双分支推广到三分支中去，则添加的分支之一是对深层特征图(Layern+1)进行变换，并与浅层特征图(Layern)相连接，这样逐层深入即可完成特征融合，选取同一位置元素累加来进行融合，确保所连接的从深层特征图模块和浅层特征图模块具有同样的通道数和尺度大小。以图4的特征融合三分支结构为例，网络中较深层的深层特征图(Layern+1)需要与浅层次的浅层特征图(Layern)相连，但受特征图尺度和通道数不统一等因素影响，这两者是不可以直接联系的，要求对深层特征图进行变换。在此以conv4-3层、conv5-3层为例对网络的融合过程做出分析，conv5-3特征层是由1024个19×19的特征图组成，而conv4-3在经过原始深度残差计算后，其对应的特征层是由256个38×38的特征图组成的，为了与深度残差结构的卷积层构成对应，conv5-3将先通过一层3×3×128的卷积层，执行卷积采样计算以进行学习训练，这样会使其通道数发生变化，该卷积层步长是2，填充尺寸是2个，保证特征图尺寸维持19×19，接着通过尺寸为2×2×128的反卷积层进行上采样，该反卷积层的步长设置为2，可将特征图的大小由19×19增大至38×38，同时解析更多有益的高级语义信息，最终将通过1×1×256卷积层，该层计算并不改变特征图尺寸，它的功能在于通道数的变化，通道数由128增至256后，既能与待融合特征层一致，又可使得特征层非线性，对网络的融合进程有利。加入这种特征融合方法可以使conv4-3、conv5-3与conv6-2三个卷积层反向传播时，可得到后层传来梯度，这样学来的深度特征将具有更丰富的语义信息，与未采用多层特征融合的方法相比较，能够降低检测模型复杂度，减少计算量，提高计算速度，使SSD检测模型的检测精度得到一定程度的提升，我们提出在采用深度残差结构的基础上，采用基于特征金字塔的SSD网络多层特征融合方法，来用于增强浅层特征图的语义信息，进而提高检测效果和速度，能够对小目标的细微瑕疵进行高精度、快速的检测。
尽管上文对本发明的具体实施方式给予了详细描述和说明，但是应该指明的是：我们可以依据本发明的构想对上述实施方式进行各种等效改变和修改，其所产生的功能作用仍未超出说明书所涵盖的精神时，均应在本发明的保护范围之内。
Claims (9)
1.一种基于SSD的光伏板瑕疵检测方法，其特征在于：检测方法如下：
步骤一：获取光伏板的目标图片数据；
步骤二：将所述目标图片数据通过基于SSD算法的双分支深度残差结构网络进行深度学习和训练后，建立检测模型；
所述基于SSD算法的双分支深度残差结构网络包括：
输入尺度特征图模块，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块，用于捕捉输入特征图的关键信息和残差信息；
特征融合模块，将双分支深度残差结构模块的关键信息和残差信息进行融合，得到一个综合特征；
预测模块，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块，所述结果输出模块将检测结果输出，并储存作为检测模型的数据库；
步骤三：获取待检测光伏板的图片数据，输入到检测模型后，转换获得待检测光伏板的综合特征，将待检测光伏板的综合特征与检测模型中的综合特征数据库比对后预测待检测光伏板是否存在瑕疵。
2.根据权利要求1所述的一种基于SSD的光伏板瑕疵检测方法，其特征在于：所述双分支深度残差结构模块包括主分支模块和残差分支模块；所述主分支模块用于对输入尺度特征图模块的输入特征图主要特征的提取和处理；所述残差分支模块用于捕捉输入尺度特征图模块的输入特征图的残差信息，即捕捉主分支模块处理后的特征之间的差异。
3.根据权利要求2所述的一种基于SSD的光伏板瑕疵检测方法，其特征在于：所述残差分支模块采用多个残差分支交汇的连接方式，将不同残差信息进行多层特征融合。
4.根据权利要求2所述的一种基于SSD的光伏板瑕疵检测方法，其特征在于：所述残差分支模块还设置有深层特征图模块和浅层特征图模块；深层特征图模块进行变换后与浅层特征图模块相连。
5.根据权利要求4所述的一种基于SSD的光伏板瑕疵检测方法，其特征在于：所述特征融合模块对深层特征图模块进行卷积之后，依次经过非线性激活函数、缩放层和批次归一化层变换处理来获取特征数据，然后与浅层特征图模块相连，从而使深层特征图模块和浅层特征图模块具有同样的通道数和尺度大小；然后经过SSD算法卷积和反卷积，将主分支模块和残差分支模块的相同位置元素相加和通道级联，使残差分支模块解析更多有益的高级语义信息，同时使残差分支模块的通道数增加到与主分支模块的通道数一致。
6.根据权利要求2所述的一种基于SSD的光伏板瑕疵检测方法，其特征在于：所述双分支深度残差结构模块、特征融合模块和预测模块在结构上是分离的。
7.一种基于SSD的光伏板瑕疵检测装置，其特征在于，所述装置包括：
读取模块，用于获取光伏发电板的目标图片数据；
输入尺度特征图模块，用于接收来自骨干网络的目标尺度特征图；
双分支深度残差结构模块，用于捕捉输入特征图的关键信息和残差信息；
特征融合模块，将双分支深度残差结构模块的关键信息和残差信息进行融合，得到一个综合特征；
预测模块，将获取待检测光伏板的图片数据转换后的综合特征，然后与检测模型中的综合特征数据库比对，预测待检测光伏板是否存在瑕疵；
和结果输出模块，所述结果输出模块将检测结果输出，并储存作为检测模型的数据库。
8.根据权利要求7所述的装置，其特征在于：所述读取模块是通过监控摄像头获取光伏发电板上初始视频数据；提取所述初始视频数据中的图片数据，并对所述图片数据中的瑕疵进行目标框的标注，得到标注后的图片数据；对所述标注后的图片数据进行数据增强处理，得到处理后的图片。
9.根据权利要求7所述的装置，其特征在于：还包括存储器和至少一个处理器；所述存储器存储计算机程序和检测模型数据；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1 6中任一项所述的一种基于SSD的光伏板瑕疵检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410149498.1A CN118037655A (zh) | 2024-02-02 | 2024-02-02 | 一种基于ssd的光伏板瑕疵检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410149498.1A CN118037655A (zh) | 2024-02-02 | 2024-02-02 | 一种基于ssd的光伏板瑕疵检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118037655A true CN118037655A (zh) | 2024-05-14 |
Family
ID=90990575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410149498.1A Pending CN118037655A (zh) | 2024-02-02 | 2024-02-02 | 一种基于ssd的光伏板瑕疵检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037655A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118522056A (zh) * | 2024-07-22 | 2024-08-20 | 江西师范大学 | 一种基于双重辅助监督的轻量化人脸活体检测方法及系统 |
-
2024
- 2024-02-02 CN CN202410149498.1A patent/CN118037655A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118522056A (zh) * | 2024-07-22 | 2024-08-20 | 江西师范大学 | 一种基于双重辅助监督的轻量化人脸活体检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN114022420B (zh) | 一种自动识别光伏电池el组件缺陷的检测方法 | |
| CN110516536A (zh) | 一种基于时序类别激活图互补的弱监督视频行为检测方法 | |
| CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
| CN118037655A (zh) | 一种基于ssd的光伏板瑕疵检测方法及装置 | |
| CN112036249B (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
| CN116310850B (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
| CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
| CN110008949B (zh) | 一种图像目标检测方法、系统、装置和存储介质 | |
| CN118351380A (zh) | 基于多模态数据融合框架的天气检测方法 | |
| CN114359102A (zh) | 一种基于注意力机制与边缘引导的图像深度修复取证方法 | |
| CN118053027A (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 | |
| CN112215301B (zh) | 基于卷积神经网络的影像直线探测方法 | |
| CN111985549B (zh) | 针对给定刚体目标进行部件自动定位识别的深度学习方法 | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
| CN115439446A (zh) | 一种外观缺陷检测方法、装置、存储介质及电子设备 | |
| CN113962332A (zh) | 基于自优化融合反馈的显著目标识别方法 | |
| CN112070060A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
| Yu et al. | Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction | |
| CN117893915B (zh) | 基于改进的DeeplabV3+神经网络的遥感图像云检测方法 | |
| CN118470014B (zh) | 一种工业异常检测方法及系统 | |
| CN114758329B (zh) | 基于深度学习预测热成像图中目标区域温度的系统及方法 | |
| CN118608792B (zh) | 一种基于Mamba的超轻量图像分割方法及计算机装置 | |
| CN114387511B (zh) | 一种用于遥感图像中小目标检测的多分支检测方法 |
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 |