【技術實現步驟摘要】
本專利技術涉及一種太陽能光伏板缺陷檢測方法，屬于光伏發電。
技術介紹
1、在光伏發電系統中，光伏組件是其最重要的組件，其主要是利用硅晶半導體材料將太陽能轉換為電能，因此，光伏系統的光電轉換效率主要受其所接受到的太陽光輻射強度的高低影響。而大多數光伏組件多安裝于室外，在運輸和使用的過程中難免會遭受到碰撞、風沙侵蝕等等損害，進而不可避免的產生諸如裂縫、斷柵和斑點等等缺陷，為了提高光伏組件的轉換率、利用率以及使用壽命，在實際工作中需要對這些缺陷進行監測和有效防護，因此，穩定可靠的監控系統與缺陷檢測技術起到了至關重要的作用。
2、現有對光伏組件缺陷進行檢測，主要有以下幾種方法：
3、1、傳統的運行維護光伏電站，主要依賴于采用人工檢查的方法，工人直接觀察太陽能光伏板，并通過肉眼觀測或者憑借經驗檢測出太陽能光伏板表面缺陷的具體位置及類別的方法。這種方法的優點是不需要太高的技術含量，實際操作簡單，缺點是需要消耗人工時間和精力，并且由于光伏發電系統的規模建設的增大，并且受制于不同地形，導致其分布較為雜亂，人工巡檢的方法效率較低，而工作人員在長時間的檢測中，也容易出現精神疲勞等問題，從而導致檢測出錯。
4、2、激光掃描的方法利用了電池硅片的分布特性，通過激光掃描電池來檢測太陽能光伏板的缺陷，這種方法需要通過對電池添加外部電流從而實現正向偏置，精度和效率都不高。
5、3、聲波的方法利用機械激發太陽能光伏板振動的模式，實現了聲學測量結果，但通過對聲波的頻率分析也只能檢測出來裂縫缺陷，同時這種方法也可能對
6、4、赫茲譜方法通過分析太陽能光伏板多硅晶的光譜，來判斷電池材料分布的變化，從而檢測出有缺陷的地方，但這種方法難度較大且檢測效率低，也無法具體判斷出缺陷的類別。
7、5、電學檢測法，利用了制作太陽能光伏板的材料具有導電性的這一特性，在太陽能光伏板上設計出各種形式的電路，測試經過其的電流(或電壓)，通過觀察其變化來檢測太陽能光伏板的缺陷，可由于過程中施加了外部因素，如若有電路設計不合理，參數設置不當等問題，甚至是人工操作失誤，都可能會對太陽能光伏板造成損傷，且這種來自外部的損傷是破壞性的。
8、6、通過無人機獲取光伏板的圖像數據，利用機器視覺方法檢測太陽能光伏板上的缺陷。從數學建模的角度來看，可以將視覺檢測法分為幾類：變換域分析法、圖像域分析法和深度學習法。圖像域分析法包括聚類法、矩陣分解法、梯度特征法等，變換域分析法包括小波變換法、傅里葉變換法等。在物理檢測方法的研究有：通過設計獨特的電路，用于分析經過太陽能光伏板的電流(或電壓)的變化，來檢測太陽能光伏板上的缺陷。利用聲波不同的頻率檢測太陽能光伏板上的裂紋缺陷，不過這種算法只能用來檢測裂紋缺陷，具有很大的局限性。利用光強反射圖像是否扭曲來檢測裂紋缺陷。基于樣本是否具有缺陷會生成不同的噪音的原理，通過比對噪聲特性的區別，來判斷太陽能光伏板的表面是否存在缺陷，但是這種方法的效果并不理想，僅能判斷缺陷是否存在，無法判斷具體的缺陷類型。
9、7、隨著深度學習算法的井噴式發展，基于深度學習的光伏板缺陷檢測方法研究也逐漸深入。通過將隨機森林與卷積神經網絡相結合，用以識別太陽光伏板缺陷的方法，這種方法有效的提高了識別的精度和速度，并在輸入圖像上對缺陷進行了標注。利用了densenet網絡模型，用以檢測室外太陽能光伏板的缺陷，并在此基礎上進行了一系列的改進措施，比如對batch?normalization層進行調整，加入了l2正則化用以解決過擬合問題等，以此取得了較好的檢測效果，在檢測中能夠有效的區分出光伏板損傷的不同程度情況。采取遷移學習的方法，對太陽能光伏板的缺陷識別有較好的效果。
技術實現思路
1、本專利技術目的是為了解決現有對太陽能光伏板進行檢測的方法存在缺陷識別效果較差、檢測精度較低的問題，提供了一種基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法。
2、本專利技術所述的一種基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，它包括：
3、s1、在公共數據集中提取光伏板缺陷圖像數據集，對圖像數據集中的缺陷進行標記，采用方框對缺陷進行標注，并對缺陷進行命名和分類，生成與全部圖像數據集對應的xml文件，然后將光伏板缺陷的圖像與對應的xml文件轉化成voc數據集；
4、s2、對voc數據集進行增強處理；
5、s3、采用改進的卷積神經網絡構建光伏板缺陷檢測模型，對光伏板圖像中的缺陷進行檢測；
6、所述改進的卷積神經網絡采用yolov8神經網絡，檢測頭采用ancher-free檢測頭，損失函數采用hiou損失函數，
7、在backbone層的sppf模塊后側嵌入注意力機制，在head層的c2f模塊后側嵌入注意力機制，在neck層中部的c2f模塊后側嵌入注意力機制。
8、優選的，s1所述圖像數據集中的缺陷包括裂縫、斷柵和斑點。
9、優選的，三種缺陷在圖像數據集中的比例為1:1:1。
10、優選的，s2所述對voc數據集進行增強處理包括：隨機縮放、隨機旋轉、隨機移位和mosaic數據增強。
11、優選的，所述隨機縮放的具體方法包括：
12、外向縮放，從初始的圖像中隨機剪裁出一部分，然后拉伸放大到原圖大小；
13、內向縮放，將初始的圖像進行壓縮，將超出邊界區域的像素用單像素進行填充，用于填充的單像素與缺陷圖像數據集無關。
14、優選的，所述隨機旋轉的具體方法包括：
15、隨機翻轉，以圖像的中心軸作為翻轉中心，將初始的圖像進行水平翻轉或垂直翻轉；
16、隨機旋轉，以圖像的中心為旋轉中心，將初始的圖像進行順時針旋轉或逆時針旋轉。
17、優選的，所述隨機移位的具體方法包括：
18、沿x軸、y軸或二者同時移動方向，在移動的同時，對超出邊界區域的像素作出假設。
19、優選的，所述mosaic數據增強的具體方法包括：
20、將四張不同的初始的圖像進行隨機放縮，然后拼接為新的圖像，進行訓練。
21、優選的，所述hiou損失函數具體包括：
22、
23、其中，lhiou表示hiou損失函數，liou表示iou損失函數，rwiou表示懲罰函數，x表示原始預測框x軸坐標，xgt表示新目標預測框x軸坐標，y表示原始目標函數y軸坐標，ygt表示新目標預測框y軸坐標，wg表示最小預測框的寬度，hg表示最小預測框的高度，v表示衡量預測框的寬和高之間的比例一致性系數，α表示v的調整系數。
24、優選的，所述在backbone層的sppf模塊后嵌入注意力機制的具體方法包括：
25、sppf模塊置于backbone層和neck層之間，將注意力機制嵌入至sppf模塊的后側；
26、輸入圖像經過backbone層提取特征信息，經過多層卷積后輸入至sppf模本文檔來自技高網...
【技術保護點】
1.基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，板缺陷檢測方法，其特征在于，它包括：
2.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，S1所述圖像數據集中的缺陷包括裂縫、斷柵和斑點。
3.根據權利要求2所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，三種缺陷在圖像數據集中的比例為1:1:1。
4.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，S2所述對VOC數據集進行增強處理包括：隨機縮放、隨機旋轉、隨機移位和Mosaic數據增強。
5.根據權利要求4所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述隨機縮放的具體方法包括：
6.根據權利要求4所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述隨機旋轉的具體方法包括：
7.根據權利要求4所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述隨機移位的具體方法包括：
8.根據權利要求1所述的基于改進卷積神
9.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述HIoU損失函數具體包括：
10.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述在Backbone層的SPPF模塊后嵌入注意力機制的具體方法包括：
...【技術特征摘要】
1.基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，板缺陷檢測方法，其特征在于，它包括：
2.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，s1所述圖像數據集中的缺陷包括裂縫、斷柵和斑點。
3.根據權利要求2所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，三種缺陷在圖像數據集中的比例為1:1:1。
4.根據權利要求1所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，s2所述對voc數據集進行增強處理包括：隨機縮放、隨機旋轉、隨機移位和mosaic數據增強。
5.根據權利要求4所述的基于改進卷積神經網絡的太陽能光伏板缺陷檢測方法，其特征在于，所述隨機縮放的具體方法包括：...
【專利技術屬性】
技術研發人員：劉延龍，姜月明，陳曉光，關萬琳，徐明宇，榮爽，郝文波，王文龍，王言軍，陸杭，蘭公煜，尤超，宋柏越，馬健程，陳鑫，雷雪婷，劉智洋，張睿，
申請(專利權)人：國網黑龍江省電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。