【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及深度學(xué)習(xí)，尤其是涉及一種基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法。
技術(shù)介紹
1、光伏是我國(guó)構(gòu)建清潔低碳安全高效能源體系的重要一環(huán)，中國(guó)已經(jīng)成為全球最大的光伏發(fā)電市場(chǎng)和光伏發(fā)電量最大的國(guó)家。光伏在使用過程中，光伏板上會(huì)覆蓋一層沙塵，正常照度情況下，未被清洗的光伏板會(huì)使發(fā)電效率下降15％，并加劇電池板老化，嚴(yán)重時(shí)會(huì)引起火災(zāi)，因此，需要對(duì)光伏板進(jìn)行清洗。
2、西北地區(qū)的光伏電站多分布在地勢(shì)平坦的荒漠地帶，光伏整齊陣列，但是仍有大部分光伏場(chǎng)因地勢(shì)或陽(yáng)光照射角度等因素，光伏陣列并非統(tǒng)一的朝向或整齊劃一。同樣還存在相鄰光伏板之間空隙較大的陣列方式。使得人工清洗或操作機(jī)械設(shè)備的清洗方式非常不適合在這種陣列類型的光伏場(chǎng)開展清洗任務(wù)。因此，通過引入視覺深度學(xué)習(xí)目標(biāo)檢測(cè)算法技術(shù)以自適應(yīng)的識(shí)別當(dāng)前待清洗光伏板的位姿情況是很有必要的，且具有更高的自適應(yīng)性和靈活性，無需人工干涉來調(diào)整清洗設(shè)備，實(shí)現(xiàn)光伏位姿檢測(cè)功能，為光伏智能清洗小車其他任務(wù)和功能的實(shí)現(xiàn)提供了前提條件。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是提供一種基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，以解決上述
技術(shù)介紹
中存在的問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，包括以下步驟：
3、s1、構(gòu)建光伏板位姿數(shù)據(jù)集，包括
4、數(shù)據(jù)采集；獲取光伏板多角度位姿圖像；
5、數(shù)據(jù)擴(kuò)充、數(shù)據(jù)增強(qiáng)；使用數(shù)據(jù)增強(qiáng)技術(shù)增加深度
6、數(shù)據(jù)標(biāo)簽處理；是將圖像中的光伏板板面位置和類別信息轉(zhuǎn)化為計(jì)算機(jī)可識(shí)別的數(shù)字形式，以便于模型的訓(xùn)練和預(yù)測(cè)，光伏板位姿數(shù)據(jù)集利用標(biāo)注程序labelme進(jìn)行標(biāo)注，其提供的“create?rectbox”矩形目標(biāo)框選工具更適用于對(duì)不同角度下多變的光伏板位姿進(jìn)行標(biāo)注，相同類型的標(biāo)簽，經(jīng)下次標(biāo)注時(shí)系統(tǒng)將自動(dòng)判別將相同類別的標(biāo)簽框設(shè)定為相同的顏色。由于光伏場(chǎng)地中光伏板排列的緊湊性和同視角下可見多塊光伏板面的特點(diǎn)，故在對(duì)光伏板位姿進(jìn)行標(biāo)注時(shí)，采用相同位姿重復(fù)標(biāo)注的方式來提高算法模型的魯棒性；
7、s2、搭建基于yolov8n的算法改進(jìn)模型yolov8n-pp，并引入mpdiou邊界盒回歸損失函數(shù)，實(shí)現(xiàn)光伏板位姿識(shí)別檢測(cè)；
8、s3、評(píng)估yolov8n-pp模型的性能，具體通過精確率p、召回率r、平均精度均值map、f1分?jǐn)?shù)、浮點(diǎn)運(yùn)算次數(shù)和檢測(cè)幀率作為評(píng)價(jià)指標(biāo)。
9、優(yōu)選的，yolov8n-pp模型具體包括：
10、input、對(duì)s1中的數(shù)據(jù)進(jìn)行預(yù)處理；相對(duì)于yolov5，yolov8引入了多尺度檢測(cè)功能，使得模型可以在不同尺寸的圖像上執(zhí)行目標(biāo)檢測(cè)，并且可以在更廣泛的場(chǎng)景中發(fā)揮作用；此外，在數(shù)據(jù)預(yù)處理階段，針對(duì)圖像的每個(gè)通道(通常是紅、綠和藍(lán)通道)的像素值進(jìn)行歸一化，以確保它們?cè)谔囟ǖ姆秶鷥?nèi)，通常是0到1之間或-1到1之間，這有助于提高模型更好的處理不同圖像亮度和對(duì)比度的能力；最后，引入了批處理(batch?processing)來同時(shí)處理多個(gè)圖像，以提高處理效率；
11、backbone、用于特征提取，具體為mobile-vit主干網(wǎng)絡(luò)；mobile-vit作為一種高效且較為輕量化的視覺vit模型，具有更高的部署靈活性和適應(yīng)性，可輕松應(yīng)用于戶外移動(dòng)的智能光伏清洗小車。相比傳統(tǒng)的vit模型，mobile-vit結(jié)構(gòu)更為簡(jiǎn)單，參數(shù)數(shù)量更少，能夠在計(jì)算資源有限的情況下實(shí)現(xiàn)高效的運(yùn)算。這使得它可以更好地滿足智能光伏清洗小車在現(xiàn)實(shí)環(huán)境中的實(shí)際需求；
12、mobile-vit是一種用于圖像分類檢測(cè)的輕量級(jí)視覺transformer模型。vit(vision?transformer)部分將輸入的圖像分割成一系列固定大小的圖像塊(patches)。然后送入transformer模型進(jìn)行處理。這些patches被展平成向量，并經(jīng)過嵌入層的線性變換，將每個(gè)patch映射為一個(gè)一維向量(視為一個(gè)個(gè)token)，作為初始輸入的固定維度向量表示。添加位置偏置信息將patches間的位置信息傳遞給模型，初始輸入被傳遞給多層的transformer編碼器，利用自注意力機(jī)制(self-attention)來學(xué)習(xí)patches不同位置之間的關(guān)系，每層編碼器的輸出稱為注意力表征，它們對(duì)當(dāng)前patche的重要性進(jìn)行編碼，且這些表征在每個(gè)位置都是獨(dú)立計(jì)算的。此外，輸入向量被分組成多個(gè)“頭”(head)，它們同時(shí)執(zhí)行自注意力操作，并將各自的結(jié)果合并在一起，輸入張量變換網(wǎng)絡(luò)(feedforward?network)進(jìn)行額外的非線性變換。最后一層transformer編碼器的輸出通過全局平均池化層進(jìn)行聚合，生成圖像的最終特征表示。這些特征經(jīng)過一個(gè)使用softmax函數(shù)的最終線性層處理，得到與類別數(shù)相等的概率分布。這些設(shè)計(jì)使得mobilevit能夠自適應(yīng)地處理任意大小的輸入圖像，并捕獲全局信息，從而適用于目標(biāo)檢測(cè)任務(wù)；雖然vit及其變種模型的性能已經(jīng)相當(dāng)強(qiáng)大，但是根據(jù)transformer的原理可知，當(dāng)前的transformer模型仍然存在著一些問題。首先，參數(shù)多、算力要求高的問題限制了這些模型的部署靈活性和適應(yīng)性，使得它們很難被廣泛應(yīng)用于實(shí)際場(chǎng)景中。其次，傳統(tǒng)的transformer模型缺少空間歸納偏置，即純transformer對(duì)于空間位置信息不敏感，而在進(jìn)行視覺應(yīng)用時(shí)，位置信息又顯得尤為重要。為了解決這個(gè)問題，vit引入了位置編碼，但這種絕對(duì)位置編碼的序列長(zhǎng)度與輸入序列長(zhǎng)度保持一致，導(dǎo)致在訓(xùn)練模型時(shí)必須預(yù)先制定輸入圖像的大小，而在后續(xù)訓(xùn)練過程中調(diào)整輸入圖像大小會(huì)影響位置編碼序列的長(zhǎng)度，從而導(dǎo)致無法訓(xùn)練。為了解決這個(gè)問題，提出了插值方法，將絕對(duì)位置編碼插值到與輸入序列相同的長(zhǎng)度，但這又會(huì)導(dǎo)致模型性能下降的問題，因此還需要對(duì)模型進(jìn)行微調(diào)。于是采用相對(duì)位置編碼，如swin?transformer，它只和window的大小有關(guān)，但是如果遷移到其他任務(wù)時(shí)，圖像尺度相差很大，仍然需要進(jìn)行微調(diào)。這種問題使得transformer模型難以遷移到其他任務(wù)上，也限制了它們?cè)趯?shí)際應(yīng)用中的靈活性和通用性。最后，由于模型訓(xùn)練困難，需要更多的訓(xùn)練數(shù)據(jù)、更大的l2正則、更多的數(shù)據(jù)增強(qiáng)和更多的epoch，同時(shí)對(duì)于數(shù)據(jù)增強(qiáng)還比較敏感。這些問題使得訓(xùn)練一個(gè)高效、準(zhǔn)確的transformer模型變得更加困難。
13、neck、用于融合不同層級(jí)的特征圖，從而構(gòu)建特征金字塔；有助于模型更有效地處理多尺度信息并進(jìn)行本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，YOLOv8n-PP模型具體包括：
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于：Mobile-ViT由MV2模塊和MobileViT模塊組成；
4.根據(jù)權(quán)利要求3所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，MobileViT模塊中，局部特征被展平成圖片塊
5.根據(jù)權(quán)利要求4所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，通過通道融合和復(fù)原操作建立局部塊與全局塊的依賴關(guān)系，為：
6.根據(jù)權(quán)利要求5所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，S2中引入MPDIoU邊界盒回歸損失函數(shù)，MPDIoU其定義了中心點(diǎn)距離差異度量MD和目標(biāo)框?qū)捀卟町惗攘縋D；通過計(jì)算兩個(gè)目標(biāo)框中心點(diǎn)的歐式距離，并將其歸一化到[0，1]的范圍內(nèi)，得到中心點(diǎn)距離差異度量MD，公
7.根據(jù)權(quán)利要求6所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，重疊度量MPD與IoU進(jìn)行加權(quán)融合，得到最終的MPDIoU值：
8.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv8n算法模型的光伏位姿識(shí)別方法，其特征在于，S3中的評(píng)價(jià)指標(biāo)具體如下：
...【技術(shù)特征摘要】
1.一種基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，其特征在于，yolov8n-pp模型具體包括：
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，其特征在于：mobile-vit由mv2模塊和mobilevit模塊組成；
4.根據(jù)權(quán)利要求3所述的基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，其特征在于，mobilevit模塊中，局部特征被展平成圖片塊
5.根據(jù)權(quán)利要求4所述的基于改進(jìn)yolov8n算法模型的光伏位姿識(shí)別方法，其特征在于，通過通道融合和復(fù)原...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：羅繼東，侯寶華，羅真?zhèn)?/a>，李達(dá)，劉文亮，張洪洲，雷霆嬌，
申請(qǐng)(專利權(quán))人：塔里木大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。