【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像識別，特別是設(shè)計光伏板的缺陷識別方法。
技術(shù)介紹
1、太陽能是一種清潔的可再生能源，光伏發(fā)電系統(tǒng)能夠?qū)⑻柲苻D(zhuǎn)換為電能，其具有無污染、安全發(fā)電、無噪聲運(yùn)行和安裝成本低等優(yōu)點。然而，由于室外環(huán)境條件的不確定因素以及制造、運(yùn)輸或安裝過程中對光伏板的潛在損害，可能會造成各種光伏故障，導(dǎo)致不同程度的退化、功率損失甚至火災(zāi)風(fēng)險。因此，對光伏板進(jìn)行有效的缺陷識別以保證發(fā)電的可靠性和耐久性具有重要意義。通常來說，光伏板的缺陷識別需要專家人工進(jìn)行，這是十分耗時、高成本的，且需要廣泛的專業(yè)知識。此外，長時間的工作可能會使人出現(xiàn)疲勞、感知或認(rèn)知偏差等問題，導(dǎo)致識別出錯。
2、中國專利202210528398.0公開的一種基于深度學(xué)習(xí)的兩階段光伏板缺陷檢測方法，其主要使用了yolov5模型對光伏板紅外圖像上的缺陷進(jìn)行檢測，分別訓(xùn)練用于前景提取和缺陷檢測的yolov5模型，前景提取yolov5模型輸出的小單元板圖像輸入到缺陷檢測yolov5模型中，獲得最終缺陷檢測結(jié)果。該方法直接使用yolov5模型原有的網(wǎng)絡(luò)結(jié)構(gòu)，在模型的復(fù)雜性上沒有進(jìn)行改進(jìn)，在實際工業(yè)應(yīng)用上的成本控制能力有限。
3、中國專利202210209242.6公開的一種基于可見光和紅外視覺的光伏板缺陷檢測方法，其通過yolov3模型對可見光光伏板圖像進(jìn)行表面污漬檢測，通過自適應(yīng)最小閾值分割算法對紅外光伏板圖像進(jìn)行熱斑效應(yīng)區(qū)域的檢測。該方法對于可見光圖像僅能檢測出表面污漬，且只在yolov3模型加入se注意力模塊并針對錨框的尺寸產(chǎn)生誤差的問題提出了改進(jìn)
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種具備高檢測精度和輕量化優(yōu)點，更適于光伏板圖像缺陷識別的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法。
2、為實現(xiàn)上述目的，本專利技術(shù)的技術(shù)方案是：一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，識別方法步驟如下：
3、s1、建立光伏板缺陷圖像數(shù)據(jù)，其包括缺陷圖像數(shù)據(jù)和標(biāo)注圖像數(shù)據(jù)；
4、s2、將步驟s1得到的標(biāo)注圖像數(shù)據(jù)按照一定比例劃分為訓(xùn)練集、驗證集、測試集，其中訓(xùn)練集用于訓(xùn)練srgan模型，驗證集用于驗證srgan模型訓(xùn)練過程中的性能，測試集用于測試訓(xùn)練結(jié)束后模型的性能，將性能最優(yōu)的權(quán)重用于對所有圖像進(jìn)行超分辨重建，得到超分辨圖像數(shù)據(jù)；
5、s3、將步驟s1得到的標(biāo)注圖像數(shù)據(jù)和步驟s2得到的超分辨圖像數(shù)據(jù)按照一定比例劃分為訓(xùn)練集、驗證集、測試集，在劃分好的數(shù)據(jù)集上分別訓(xùn)練、驗證和測試教師模型和學(xué)生模型，在訓(xùn)練、驗證和測試完成后，得到教師模型和學(xué)生模型的性能最優(yōu)權(quán)重；
6、s4、使用步驟s3中到教師模型和學(xué)生模型的性能最優(yōu)權(quán)重對學(xué)生模型進(jìn)行蒸餾訓(xùn)練得到蒸餾訓(xùn)練后的學(xué)生模型；
7、s5、對蒸餾訓(xùn)練后的學(xué)生模型進(jìn)行約束訓(xùn)練得到約束訓(xùn)練后的學(xué)生模型；接著，對約束訓(xùn)練后的學(xué)生模型進(jìn)行剪枝操作得到剪枝后的學(xué)生模型；
8、s6、對剪枝后的學(xué)生模型進(jìn)行回調(diào)訓(xùn)練。
9、所述步驟s1建立光伏板缺陷圖像數(shù)據(jù)中通過收集多張包含劃痕、斷柵和臟污三種缺陷類別的缺陷圖像，并通過對缺陷圖像分別多角度旋轉(zhuǎn)操作得到擴(kuò)充圖像作為缺陷圖像得到缺陷圖像數(shù)據(jù)；對缺陷圖像數(shù)據(jù)的所有缺陷圖像進(jìn)行標(biāo)注，標(biāo)注包括標(biāo)注缺陷類型和將缺陷圖像中的缺陷位置區(qū)域采用矩形框包圍在內(nèi)得到標(biāo)注圖像數(shù)據(jù)。
10、所述步驟s2中所述srgan模型中生成器g用來輸出高分辨率圖像，判別器d用來判斷一幅圖像是否是高分辨率圖像，訓(xùn)練得到性能最優(yōu)的g訓(xùn)練中g(shù)采用感知損失函數(shù)，計算式為：
11、
12、其中，表示內(nèi)容損失，表示對抗損失，計算式分別為：
13、
14、
15、式中，表示均方誤差，表示高分辨率圖像，表示高分辨率圖像中位置(x,y)的像素值，表示低分辨率圖像，w和h分別表示網(wǎng)絡(luò)中特征圖的寬度和高度，r表示縮放因子，x表示像素點在圖像中的橫坐標(biāo)位置，y表示像素點在圖像中的縱坐標(biāo)位置，表示負(fù)責(zé)生成圖像的生成器，表示負(fù)責(zé)判斷圖像是生成的圖像還是真實的圖像的判別器，n表示總樣本數(shù)n中的第n個樣本。
16、所述步驟s2中進(jìn)行超分辨重建,通過psnr、mse和ssim三個指標(biāo)評估超分辨率重建的結(jié)果，從而得到超分辨圖像數(shù)據(jù)；其中，psnr和mse的計算公式分別為：，
17、式中，r是圖像中像素值的最大值，和分別是兩張圖像，n是圖像的總像素數(shù)，ssim的計算公式為：
18、式中，x和y是兩張待比較的圖像，和分別是x和y的平均亮度值，和分別是x和y的平均亮度方差，是x和y的協(xié)方差，c1和c2是常數(shù)。
19、所述步驟s3中選擇yolov11x模型作為教師模型，選擇yolov11n模型作為學(xué)生模型；
20、所述步驟s4教師模型中通過改進(jìn)的softmax計算輸出各類別的概率，改進(jìn)的softmax在原始的softmax上引入蒸餾溫度變量t，其計算公式為：
21、
22、式中，表示第i類的概率，j表示所有類別的中的第j個類，表示教師模型輸出為第i類的原始概率，表示教師模型輸出為第j類的原始概率;
23、所述步驟s4中對學(xué)生模型進(jìn)行蒸餾訓(xùn)練,蒸餾訓(xùn)練的總損失計算公式為：
24、
25、其中，γ表示損失加權(quán)系數(shù)，表示教師模型和學(xué)生模型之間的蒸餾損失，表示學(xué)生模型的輸出和真實標(biāo)簽之間的分類損失。
26、所述步驟s5中約束訓(xùn)練通過在學(xué)生模型的batch?normalization層添加l1正則化，l1正則化的計算公式為：
27、
28、式中，w表示模型的權(quán)重向量，i表示n個權(quán)重中的第i個權(quán)重，n表示權(quán)重向量的長度，即權(quán)重的數(shù)量，表示模型的預(yù)測值與真實標(biāo)簽之間的誤差；所述步驟s5中剪枝操作時候把l1正則化產(chǎn)生的權(quán)重矩陣中接近于零的值的矩陣去掉。
29、通過采用上述技術(shù)方案，本專利技術(shù)的有益效果是：本專利技術(shù)針對太陽能光伏板因缺陷而導(dǎo)致性能降低或壽命減少的問題，提出了一種具備高檢測精度和輕量化優(yōu)點，更適于光伏板圖像缺陷識別的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法。該方法通過yolov11模型識別圖像上的劃痕、斷柵和臟污三種缺陷類別，可降低缺陷識別模型在實際產(chǎn)業(yè)應(yīng)用中的資源消耗，通過將學(xué)習(xí)能力強(qiáng)但模型結(jié)構(gòu)復(fù)雜的教師模型在數(shù)據(jù)中學(xué)習(xí)到的知識遷移給學(xué)習(xí)能力相對較弱但模型結(jié)構(gòu)簡單的學(xué)生模型，從而增強(qiáng)學(xué)生模型的泛化能力，然后對學(xué)生模型進(jìn)行剪枝操作，使其同時具備高檢測精度和輕量化優(yōu)點。此外，為了解決模型對于較小的缺陷難以識別的問題，使用srgan模型對圖像進(jìn)行超分辨重建預(yù)處理，從而增加模型提取到的圖像細(xì)節(jié)，實現(xiàn)對較小缺陷的檢測精度提升。通過本專利技術(shù)所提出的缺陷識別方法，可以降低耗時、昂貴的人工檢測成本等，可提高產(chǎn)能，提高實際工業(yè)應(yīng)用價值。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點】
1.一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，識別方法步驟如下，
2.如權(quán)利要求1所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟S1建立光伏板缺陷圖像數(shù)據(jù)中通過收集多張包含劃痕、斷柵和臟污三種缺陷類別的缺陷圖像，并通過對缺陷圖像分別多角度旋轉(zhuǎn)操作得到擴(kuò)充圖像作為缺陷圖像得到缺陷圖像數(shù)據(jù)；對缺陷圖像數(shù)據(jù)的所有缺陷圖像進(jìn)行標(biāo)注，標(biāo)注包括標(biāo)注缺陷類型和將缺陷圖像中的缺陷位置區(qū)域采用矩形框包圍在內(nèi)得到標(biāo)注圖像數(shù)據(jù)。
3.如權(quán)利要求1所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟S2中所述SRGAN模型中生成器G用來輸出高分辨率圖像，判別器D用來判斷一幅圖像是否是高分辨率圖像，訓(xùn)練得到性能最優(yōu)的G訓(xùn)練中G采用感知損失函數(shù)，計算式為：
4.如權(quán)利要求3所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟S2中進(jìn)行超分辨重建,通過PSNR、MSE和SSIM三個指標(biāo)評估超分辨率重建的結(jié)果，從而得到超分辨圖像數(shù)據(jù)；其中，PSNR和MSE的計算公式分別為：
6.如權(quán)利要求1-5任意一項所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟S4教師模型中通過改進(jìn)的Softmax計算輸出各類別的概率，改進(jìn)的Softmax在原始的Softmax上引入蒸餾溫度變量T，其計算公式為：
7.如權(quán)利要求1-5任意一項所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟S5中約束訓(xùn)練通過在學(xué)生模型的Batch?Normalization層添加L1正則化，L1正則化的計算公式為：
...【技術(shù)特征摘要】
1.一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，識別方法步驟如下，
2.如權(quán)利要求1所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟s1建立光伏板缺陷圖像數(shù)據(jù)中通過收集多張包含劃痕、斷柵和臟污三種缺陷類別的缺陷圖像，并通過對缺陷圖像分別多角度旋轉(zhuǎn)操作得到擴(kuò)充圖像作為缺陷圖像得到缺陷圖像數(shù)據(jù)；對缺陷圖像數(shù)據(jù)的所有缺陷圖像進(jìn)行標(biāo)注，標(biāo)注包括標(biāo)注缺陷類型和將缺陷圖像中的缺陷位置區(qū)域采用矩形框包圍在內(nèi)得到標(biāo)注圖像數(shù)據(jù)。
3.如權(quán)利要求1所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，所述步驟s2中所述srgan模型中生成器g用來輸出高分辨率圖像，判別器d用來判斷一幅圖像是否是高分辨率圖像，訓(xùn)練得到性能最優(yōu)的g訓(xùn)練中g(shù)采用感知損失函數(shù)，計算式為：
4.如權(quán)利要求3所述的一種基于知識蒸餾和剪枝技術(shù)的光伏板缺陷識別方法，其特征在于，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：連超銘，李瑞峰，張陳濤，梁培棟，劉佳鑫，黃承曦，蘇佳林，
申請(專利權(quán))人：福建泉州先進(jìn)制造技術(shù)研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。