CN116630285B 基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法 （河北工业大学）

基于显著性特征分级蒸馏的光伏电池类增本发明为基于显著性特征分级蒸馏的光伏2第二步：构建缺陷检测模型，利用光伏电池旧类别缺陷数据对教师模型和学生模型进行显著性特征分级蒸馏，所述显著性特征分级蒸馏的过程提取Q组教师模型和学生模型的特征，每组特征为教师模型和学生模型特征提取部分和特征融合部分相同位置的关键层，获取教师模型和学生模型对应的关键层输出的特征对于任一组教师模型和学生模型的特征与计算特征蒸馏损失和注意力蒸馏总体的显著性特征分级蒸馏损失Ldis为每组特征间的特征蒸馏损失与注意力蒸馏损失将光伏电池新类别缺陷数据集同时输入到教师模型和初始化后的学生模32.根据权利要求1所述的基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法，教师模型所提取的关键层的特征图进行空间注意力和通道注意力掩码计算的过程是：对于任一组提取的特征与将教师模型CXHXW维度的特征分别映射为HXW维度和C维度的张量，按照式(4)和(5)得到该组特征基于激活的教师模型空间注意力掩码AS,和通道注意力掩码Ar,s3.根据权利要求1所述的基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法，其中b表示教师模型对训练样本中旧类别的预测框；4.根据权利要求1所述的基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法，Ldet=λ1Lcls+λ2Lobj+cls5.根据权利要求1所述的基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法，4[0002]缺陷检测是保障光伏电池质量的必要环节。基于卷积神经网络(CNN)的计算机视[0003]基于CNN的检测方法需要根据当前质检需求，确定需要检测的缺陷种类建立数据[0013]提取Q组教师模型和学生模型的特征，每组特征为教师模型和学生模型特征提取5[0016]其中，L表示学生模型的总损失，Ldet表示学生模型学习Ldis表示总体的显著性特征分级蒸馏产生的损失，其用于保持模型对旧类别缺陷的检测能dis表示为：和分别为第q组特征的教师模型与学生模型的空间注意力掩码和通道注意力掩61相机获取光伏电池旧类别缺陷图像，对图像中的缺陷区域进行位置标注并添加类别标签，陷检测模型；根据质检需求选择合适的目标检测模型作为缺陷检测模型，例如FasterR_7[0051]其中Ldet为检测损失，用于学习新类别，使教师模型获得对新类别缺陷的检测能8的空间注意力掩码和通道注意力掩码，每组特征与经过零均值化处理，表示为与[0057]进一步的，将教师模型C×H×W维度的特征分别映射为H×根据公式(4)和(5)得到该组特征基于激活的教师模型空间注意力掩码AS,和通道注意力掩采样操作改变二值掩码M的尺度，使其高度H和宽度W与零均值化处理后的特征fT和fS相[0065]最后，总体的显著性特征分级蒸馏损失Ldis为每组特征间的特征蒸馏损失与注意[0067]本发明中显著性特征分级蒸馏不存在卷积核等实体模块9电池旧类别缺陷数据集和新类别缺陷数据集对训练后的学[0071]综上，面对动态开放的光伏电池质检任务中需要检测的缺陷类别持续增加的问[0074]选取YOLOv5s模型作为缺陷检测模型，利用光伏电池旧类别缺陷数