CN119444751A 一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法 （福建(泉州)先进制造技术研究院）

一种基于知识蒸馏和剪枝技术的光伏板缺一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法，步骤建立缺陷图像数据和标注图像数和测试教师模型和学生模型得到的性能最优权际工业应用价值，具备高检测精度和轻量化优2S3、将步骤S1得到的标注图像数据和步骤S2得到的超S4、使用步骤S3中到教师模型和学生模型的性2.如权利要求1所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法，其特征缺陷图像中的缺陷位置区域采用矩形框包围在内得到标注3.如权利要求1所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法，其特征r表示高分辨率图像，表示高分辨率图像中位置(x,y)的像素值，rIin表示低分辨率图像，W和H分别表示网络点在图像中的纵坐标位置，GO.表示负责生成图像的生成器，DO,表示负责判断图像是生4.如权利要求3所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法，其特征3式中，x和y是两张待比较的图5.如权利要求1所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法，其特征6.如权利要求1_5任意一项所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方Laistlaton表示教师模型和学生模型之间的蒸馏损失，Lstud7.如权利要求1_5任意一项所述的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方式中，w表示模型的权重向量，i表示n个权重中4[0003]中国专利202210528398.0公开的一种基于深度学习的两阶段光伏板缺陷检测方取和缺陷检测的YOLOv5模型，前景提取YOLOv5模型输出的小单元板图像输入到缺陷检测[0004]中国专利202210209242.6公开的一种基于可见光和红外视觉的光伏板缺陷检测5将缺陷图像中的缺陷位置区域采用矩形框包围在内得到标注[0008]所述步骤S2中所述SRGAN模型中生成器G用来输出高分辨率图像，判别器D用来判表示负责生成图像的生成器，DO,表示负责判断图像是生成的6[0015]所述步骤S3中选择YOLOv11x模型作为教师模型，选择YOLOv11n模型作为学生模所述步骤S4教师模型中通过改进的Softmax计算输出各类别的概率，改进的[0017]其中，γ表示损失加权系数，Laistlaton表示教师模型和学生模型之间的蒸馏损[0018]所述步骤S5中约束训练通过在学生模型的BatchNormalization层添加L1正则作时候把L1正则化产生的权重矩阵中接近于零的值的伏板图像缺陷识别的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法。该方法通过识迁移给学习能力相对较弱但模型结构简单的学生模型，从而增强学生模型的泛化能力，[0021]图1是本发明涉及的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法的流程[0022]图2是本发明涉及的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法中三种7[0023]图3是本发明涉及的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法中三种[0024]图4是本发明涉及的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法中蒸馏[0025]图5是本发明涉及的一种基于知识蒸馏和剪枝技术的光伏板缺陷识别方法中剪枝扩充（实施例试验扩充后最终数据集包含2400图像得到缺陷图像数据。对缺陷图像数据人工标注后得到标注图像数据。划分为训练集、验证集、测试集，其中训练集用于训练SRGAN模型（Super_Resolution8的横坐标位置，Y表示像素点在图像中的纵坐标位置，GOC表示负责生成图像的生成器，DO,负责判断图像是生成的图像还是真实的图像的判别器，n表示总样本数N中的第n个样[0033]在模型训练完成后，通过PSNR(PeakSignal_to_NoiseRatio峰值信噪比)、MSE（mean_squareerror均方误差）和SSIM(MeanStructura和MSE的计算公式分别为：9好的模型(教师模型)指导另一个待训练或较简单的模型(学生模型)的学习过程本实施练得到蒸馏训练后的学生模型。蒸馏训练学习过程如图4所示，其中教师模型（Teacher[0040]其中，T2的作用在于弥补蒸馏温度变量T计算softlabels时对梯度大小的影响（如性能下降为缓解这个问题本这步骤在剪枝操作前还先对学生模型进行约束训[0044]由于L1正则化倾向于产生稀疏的权重矩阵，即模型的BatchNormalization层的作的时候可以把这些接近于零的值的矩阵去[0046]综上，本发明结合超分辨重建技术基于知识蒸馏和剪枝技术对目标检测模型训