CN115082455B 基于深度学习的红外图像中光伏组件定位和缺陷检测方法 （中国科学技术大学）

基于深度学习的红外图像中光伏组件定位本发明涉及一种基于深度学习的红外图像图像数据集，按预设比例划分为训练集和测试了像素差分卷积的MobileNetV3的BottleNeck构置框选出的单个光伏组件图像输入训练好的改2步骤S1：对采集的光伏组件红外图像中光伏检测网络基于融合了像素差分卷积的MobileNetV3的BottleNeck构建，并结合了自上而下步骤S3：将所述边缘掩膜图输入轮廓筛选模用最小外接矩形算法得到每一个光伏组件的候选轮廓点集的候选外接矩形集合R=fri,i=1,2,…,N}，N为候选外接矩形个数；计算每一个光伏组件所述候选外接矩形集步骤S32：利用外接四边形算法提取所述符合条件的外接矩形对应的轮廓点集的最小步骤S4：将根据位置框选出的单个光伏组件图像输入训练好的2.根据权利要求1所述的基于深度学习的红外图像中光伏组件定位和缺陷检测方法，将MobileNetV3的BottleNeck中深度卷积替换为像素差分卷积；输入图像经过所述边3.一种基于深度学习的红外图像中光伏组构建数据集模块，用于对采集的光伏组件红外图像中光伏组件的位置和类别进行标获取光伏组件边缘掩膜图模块，用于将所述训练集输入边缘边缘掩膜图，其中，所述边缘检测网络基于融合了像素差分卷积的MobileNetV3的获取光伏组件候选位置框模块，用于将所述边缘掩膜图输入轮廓用最小外接矩形算法得到每一个光伏组件的候选轮廓点集的候选外接矩形集合R=fri,i=1,2,…,N}，N为候选外接矩形个数；计算每一个光伏组件所述候选外接矩形集步骤S32：利用外接四边形算法提取所述符合条件的外接矩形对应的轮廓点集的最小3光伏组件分类模块，用于将根据候选位置框选出的单个光伏组件4数以千计的太阳能电池板通常位于山区等人迹罕至的角落，主要依靠巡查员按规定的路不满足该分布的异常数据来反映故障点。如Dotenco等人提出了一种在无人机下的红外图景区域，再对定位后的光伏组件通过支持向量机等机器学习方法来区分故障和正常类别。[0007]基于深度学习的方法。该类方法借助了卷积神经网络强大的多层次特征提取能5边缘检测网络基于融合了像素差分卷积的MobileNetV3的BottleNeck构建，并结合了自上[0017]2、本发明将MobileNetV3的BottleNeck结构中的深度卷出的光伏组件轮廓进行建模能更准确地提取出光伏[0019]图1为本发明实施例中一种基于深度学习的红外图像中光伏组件定位和缺陷检测[0023]图5为本发明实施例中一种基于深度学习的红外图像中光伏组件定位和缺陷检测6[0027]如图1所示，本发明实施例提供的一种基于深度学习的红外图像中光伏组件定位网络基于融合了像素差分卷积的MobileNetV3的BottleNeck构建，并结合了自上而下的特[0035]将MobileNetV3的BottleNeck中深度卷积替换为像素差分卷积；输入图像经过边7通道数都改变为8，然后将高层特征经上采样后依次加入到低层特征中，依次输出特征图2和F1值：求取面积最小阈值和面积最大阈值之间根据每张图像中的光伏组件特性自适应调整每张图像中的面积[0041]步骤S32：利用最小外接四边形算法提取符合条件的的外接矩形对应的轮廓点集[0042]对根据步骤S31筛选得到的符合条件的外接矩形，利用更精确的四边形建模提取与第一条边的方向角度差不大于180°,则根据这四条边求取的四边形一定不是外接82211112[0051]从表2的结果也可看出在该分类任务中本发明提出的改进的ResNet与ResNet18的[0055]如图5所示，本发明实施例提供了一种基于深度学习的红外图像中光伏组件定位9