【《基于一阶段目标检测模型的光伏电池缺陷分析案例》2500字】

基于一阶段目标检测模型的光伏电池缺陷分析案例目录TOC\o"1-3"\h\u175561.1基于YOLOv4的光伏电池缺陷检测与定位 152961.2数据集 2296491.3评估方法 3270741.4实验细节 41.1基于YOLOv4的光伏电池缺陷检测与定位 本文光伏电池缺陷检测与定位算法基于一阶段目标检测算法YOLOv4卷积神经网络，根据YOLOv4算法的结构可以大致分为两部分，第一部分为对数据的初始化，位置预测与类别回归：算法先读入模型参数；然后读取先验框数据，该数据由聚类算法生成的不同尺寸目标的大中小三种先验框组成；之后读取类别数据，该数据的类别与数据集的类别一样。流程如图1.1所示。图1.1数据初始化 第二部分为对数据进行前向计算：将输入的数据按照算法要求的尺寸进行灰色块填充，之后送入主干特征提取网络提取特征，生成76×76、38×38、19×19三组维度的数据，然后对数据进行解码，最后输出模型的位置预测以及类别信息。流程如图1.2所示。图1.2前向计算流程1.2数据集 本文采用416×416像素的图像块来评估一阶段目标检测模型的实际检测效果。自行制作了VOC2007格式的数据集，通过1200张含有缺陷的光伏电池图像样本，对模型进行训练和测试。为了方便测试和计算，数据集中每一张图片只包含一种缺陷，并不存在多种缺陷的图像数据。训练数据和测试数据的图像块数据集分布如表1.3表示。缺陷示例如图1.4所示。缺陷数据集训练集测试集总量黑点100200300划痕100200300虚焊100200300隐裂100200300总量4008001200表1.3图像块的数据集分布图1.4数据集缺陷示例（从左往右依次为，黑点、划痕、虚焊、隐裂） 首先对训练图片和测试图片进行标注，标注的信息会保存为一个特定的.xml标签文件。对于每个样本的xml文件如图1.5所示图1.5xml文件格式示例 该文件中，folder代表所处文件夹，filename代表本图片文件名，path代表数据路径，size代表尺寸与通道，object代表了标注的类别，bndbox代表标注框的大小。1.3评估方法 本文通过准确率，召回率和平均平均精度作为主要评估缺陷检测方法性能的主要方法。具体实现步骤为使用训练好的模型得到所有样本的置信度。对此进行排序再计算所有样本的召回率、准确率和F1测度。召回率与准确率以及F1测度定义如下：式中代表被检测出来为正样本的正样本，代表被检测出来为正样本的负样本。代表被检测出来为负样本的正样本。当取不同的样本置信度为正负样本区分阈值时，召回率和准确率也会改变，以召回率Recall作为坐标系的横坐标，以准确率作为坐标系的纵坐标，即可得到P-R曲线。AP代表的则是该曲线下的面积，代表对召回率取平均，而mAP则是模型对所有类别取平均。F1测度是一种综合了P和R指标的结果，F1测度较高说明方法效果较好。1.4实验细节 在本文实验中，采用上述自行制作的数据集来对模型进行训练。网络结构以及数据增强的方式按照原本方式进行设置；同时，采用VOC2007预训练的模型来加快训练网络收敛速度，提高训练样本不足时的准确度。同时，为了确定一阶段目标检测模型具体对于课题的检测性能优劣。本文实验所用YOLO算法参数如表1.6所示。权重衰减参数学习率最大迭代次数冻结迭代次数Batch_size0.00050.001100504预训练模型输入图像大小Anchor参数True(416×416)12,16,19,36,40,28,36,75,76,55,72,146,142,110,192,243,459,401Confidence阈值IOU阈值0.50.3表1.6YOLO算法使用的参数本文实验环境为：处理器Intel(R)Core(TM)i7-7700HQ，内存为8GB，128GB固态硬盘与1TB机械硬盘，显卡为NVIDIAGeForceRTX1060，显存为8GB。软件开发环境为Windows10，python1.7.10、Pytorch1.2-GPU、CUDA10.1。YOLOv4算法训练损失、验证损失下降曲线如图1.7所示。图1.7YOLOv4算法的训练损失、验证损失下降曲线 在图1.6中，训练的代数为横坐标，训练得到的损失为纵坐标，图1.7明确表示出在YOLOv4算法前5代中，训练损失急速下降，然后呈现一种接近水平的状态。Loss终值为1.8928，验证损失下降后略有反弹，然后逐步稳定，最后终值为4.0196。YOLOv3算法的训练损失验证损失下降曲线与上图YOLOv4算法下降曲线相似，但训练损失终值为4.6239，验证损失终值为1.5880。一部分检测结果如图1.8所示，包括黑点、划痕、虚焊、隐裂四种缺陷。图中红色方框表示黑点，黄色方框表示划痕，青色方框表示虚焊、紫色方框表示隐裂。方框上方文本表示标签类别和该检测框的置信度。图中上方为YOLOv4检测结果，下方为YOLOv3检测结果。图1.8YOLOv4与YOLOv3部分检测框结果上图展示了本算法可视化检测中间过程结果，在实际检测中出现了部分缺陷的置信度并不理想的问题，主要原因在于数据集本身的干扰。本文对YOLOv4算法和YOLOv3算法在黑点、划痕、虚焊、隐裂缺陷中实际的精度P、召回率R、以及F测度实验结果进行了统计，如表1.9、1.10所示。YOLOv4PRF1黑点91.91%71.05%0.81划痕77.17%77.17%0.77虚焊71.09%65.21%0.68隐裂94.86%65.50%0.77表1.9YOLOv4算法在四种缺陷的精度、召回率、F1测度YOLOv3PRF1黑点91.69%68.42%0.79划痕76.00%74.80%0.75虚焊67.41%65.00%0.66隐裂94.44%65.38%0.77表1.10YOLOv3算法在四种缺陷的精度、召回率、F1测度对比表1.9和表1.10，YOLOv4算法在检测四种缺陷的准确率、召回率和F1测度均略优于YOLOv3算法，而本文用于对比的一阶段目标检测模型YOLOv3和YOLOv4算法，在黑点、划痕、虚焊、隐裂这四种光伏电池缺陷检测准确率和召回率均在65%以上，综合检测结果来看，两种一阶段目标检测模型在黑点和隐裂两种缺陷中均存在准确率召回率相差过大的问题，召回率较低可能与较多干扰的数据集以及阈值设计相关；划痕和虚焊两种缺陷检测召回率和准确率都偏低，这可能与较低的缺陷与背景区分度息息相关。总结来看，YOLOv4模型的检测效果要略优于YOLOv3模型。本文另外总结性对比了YOLOv3和YOLOv4的检测性能，包括平均检测精度和计算速度。如表1.11所示。检测模型mAP(%)平均单帧处理时间(ms)YOLOv380.4324YOLOv482.6231表1.11不同算法mAP与计算时间对比表 在表1.11中，对比了YOLOv3和YOLOv4两种算法基于本文自行制作的数据集所进行的平均精度和单帧处理时间的对比，如表1.11所示，YOLOv4比YOLOv3的平均精度高了2.19%，而平均单帧处理时间方面，YOLOv3的帧率达到了41.6帧/秒，YOLOv4的帧率则是32.2帧/秒，YOLOv3的帧率比YOLOv4的帧率高了9.4帧/秒。在检测框与实际框对比中YOLOv4检测效果略高于YOLOv3的检测效果，得到实际两种方法的平均精度和平均平均精度，如图1.12所示。图1.12YOLOv4算法与YOLOv3的AP与mAP比较(左图为YOLOv4算法，右图为YOLOv3算法) 图1.12可以明确表示出，YOLOv4算法在黑点类型缺陷的检测任务中,平均精度达到了91%比YOLOv3算法高3%；在隐裂类型的缺陷检测任务中，YOLOv4算法检测精度为82%比YOLOv3算法高1%；在划痕类型的缺陷检测任务中，YOLOv4算法检测精度为80%比YOLOv3算法高3%；在虚焊类型的缺陷检测任务中，YOLOv4算法检测