本發(fā)明屬于光伏板缺陷檢測領(lǐng)域，涉及一種光伏板缺陷檢測系統(tǒng)、方法、計算機設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、光伏電池組件作為光伏發(fā)電系統(tǒng)的核心部件，其性能直接影響整個系統(tǒng)的發(fā)電效率和使用壽命。但是在生產(chǎn)和使用過程中，光伏電池組件表面容易出現(xiàn)熱斑、缺失、破裂等各類缺陷，嚴(yán)重影響其發(fā)電效率。因此，對光伏電池組件進(jìn)行自動化的缺陷檢測與質(zhì)量控制，確保其性能指標(biāo)，是保證整個光伏發(fā)電系統(tǒng)長期高效穩(wěn)定運行的關(guān)鍵。

2、現(xiàn)有的檢測光伏板缺陷的方法主要有兩種：第一種方法是分析光伏板的物體特性檢測光伏板缺陷?；舅悸肥峭ㄟ^在光伏板周圍部署傳感器以收集光伏板工作時的電氣參數(shù)和工作環(huán)境數(shù)值，比如光伏組件的輸出電壓、輸出電流、輸出功率和太陽的照射強度、板間溫度、濕度等，再通過這些數(shù)據(jù)用神經(jīng)網(wǎng)絡(luò)、數(shù)值分析、專家系統(tǒng)等方法分析電路的輸出特性判斷光伏板的故障類型?；陔姎馓匦缘墓夥迦毕輽z測方法存在難點較多，操作復(fù)雜等問題。

3、第二種方法是基于圖像特征的光伏板缺陷檢測。采集光伏板在可見光、紅外成像、電致成像下的圖像，通過分析圖像特征，使用各類圖像處理算法檢測光伏板缺陷。傳統(tǒng)圖像處理方法依賴人工設(shè)計特征提取器，不能涵蓋眾多復(fù)雜的光伏場景，算法泛化性和魯棒性較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種光伏板缺陷檢測系統(tǒng)、方法、計算機設(shè)備及存儲介質(zhì)，解決了現(xiàn)有光伏板缺件檢測難、精度低的問題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

3、一種光伏板缺陷檢測方法，包括以下步驟：

4、步驟1、獲取光伏板原始圖像，對光伏板原始圖像進(jìn)行預(yù)處理，得到光伏板增強圖像；

5、步驟2、將光伏板增強圖像輸入訓(xùn)練好的yolov5s神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識別，輸出光伏板缺陷標(biāo)注結(jié)果圖；

6、步驟2中，yolov5s神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程為：

7、步驟2.1、獲取多幅光伏板原始圖像，對光伏板原始圖像進(jìn)行預(yù)處理，得到光伏板增強圖像；

8、步驟2.2、對光伏板增強圖像的缺陷進(jìn)行標(biāo)注，生成標(biāo)注圖像；

9、步驟2.3、將光伏板原始圖像和標(biāo)注圖像共同作為光伏板缺陷圖像數(shù)據(jù)集，把yolov5s神經(jīng)網(wǎng)絡(luò)的k-means聚類算法替換為k-means++算法，根據(jù)標(biāo)記的缺陷位置信息，重新聚類新的數(shù)據(jù)集錨框大??；

10、把光伏板缺陷圖像數(shù)據(jù)集輸入yolov5s神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多輪訓(xùn)練，獲得最優(yōu)權(quán)重參數(shù)，得到訓(xùn)練好的的光伏板缺陷檢測模型。

11、進(jìn)一步，將光伏板缺陷圖像數(shù)據(jù)集分為訓(xùn)練集和驗證集；

12、步驟2.3中，yolov5s神經(jīng)網(wǎng)絡(luò)模型進(jìn)行第n輪訓(xùn)練時，首先得到訓(xùn)練集中光伏板缺陷增強圖像各像素點的分類結(jié)果數(shù)據(jù)，使用損失函數(shù)將此分類結(jié)果數(shù)據(jù)與步驟2.2中得到的標(biāo)注圖像的各像素點的值做計算，得出損失值；

13、將損失值反向傳播至yolov5s神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)更新，之后利用參數(shù)更新后的yolov5s網(wǎng)絡(luò)模型對驗證集進(jìn)行前向推理，使用推理的結(jié)果和步驟2.2中得到的標(biāo)注圖像計算siou值；

14、將計算的siou值與前n-1輪中最高的siou值作比較，將擁有最高siou值的網(wǎng)絡(luò)結(jié)構(gòu)以及模型參數(shù)保存，作為最優(yōu)的光伏板缺陷檢測模型。

15、進(jìn)一步，步驟1中，用紅外無人機獲取不同場景的光伏板原始圖像。

16、進(jìn)一步，步驟1和步驟2.1中，所述預(yù)處理用于對圖像進(jìn)行數(shù)據(jù)擴充，數(shù)據(jù)擴充的方式為水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機剪裁、旋轉(zhuǎn)或加噪聲。

17、進(jìn)一步，步驟2.2具體為：

18、使用labelme軟件標(biāo)注光伏板增強圖像，生成包含標(biāo)注名稱與標(biāo)注位置的json文件；使用python語言及opencv庫對光伏板原始圖像和對應(yīng)的json文件批量處理生成標(biāo)注圖像。

19、進(jìn)一步，yolov5s網(wǎng)絡(luò)包括骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)；

20、骨干網(wǎng)絡(luò)使用conv結(jié)構(gòu)和c3結(jié)構(gòu)提取輸入圖像數(shù)據(jù)中的特征信息，將yolov5s神經(jīng)網(wǎng)絡(luò)的5次下采樣減少至4次下采樣；再通過sppf結(jié)構(gòu)融合局部特征和全局特征圖；

21、頸部網(wǎng)絡(luò)使用fpn和pan的結(jié)構(gòu)融合骨干網(wǎng)絡(luò)的不同尺度特征；

22、yolov5s網(wǎng)絡(luò)的輸出端使用siou損失函數(shù)替換ciou損失函數(shù)作為標(biāo)準(zhǔn)度量。

23、進(jìn)一步，骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)通過irn模塊連接，irn模塊由silu激活函數(shù)、多尺度卷積以及殘差連接組成；輸入圖像經(jīng)過骨干網(wǎng)絡(luò)提取不同尺度特征圖，作為輸入特征圖；輸入特征圖通過silu激活函數(shù)，再進(jìn)行不同尺度卷積，最后通過殘差連接方式把輸入特征圖和卷積后的特征圖進(jìn)行連接。

24、本發(fā)明還公開了一種光伏板缺陷檢測系統(tǒng)，包括：

25、數(shù)據(jù)預(yù)處理模塊，用于對光伏板缺陷原始圖像進(jìn)行預(yù)處理，得到光伏板缺陷增強圖像；

26、圖像檢測模塊，用于將光伏板缺陷增強圖像輸入到訓(xùn)練好的yolov5s神經(jīng)網(wǎng)絡(luò)模型，對光伏板缺陷圖像進(jìn)行檢測，得出光伏板缺陷圖片檢測結(jié)果圖。

27、本發(fā)明還公開了一種計算機設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述光伏板缺陷檢測方法的步驟。

28、本發(fā)明還公開了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述光伏板缺陷檢測方法的步驟。

29、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

30、本發(fā)明公開了一種光伏板缺陷檢測方法，可以充分利用深度學(xué)習(xí)的優(yōu)勢，通過一次標(biāo)注之后可以對多種背景、類別的光伏板缺陷圖像端到端批量識別，普適性、泛化能力較強，解決了傳統(tǒng)圖像處理方法針對場景單一，需對每類場景設(shè)計特定解決方法的問題，省去了復(fù)雜算法的設(shè)計與實現(xiàn)，提高了工作效率。另一方面，傳統(tǒng)的圖像處理方法因其關(guān)注的信息較少，識別精度較低，分割效果差，本發(fā)明提出的光伏板缺陷檢測方法基于yolov5s網(wǎng)絡(luò)結(jié)構(gòu)，其上采樣和下采樣之間有大量的通道連接，可以有效的利用圖像的深層、淺層特征，保留圖像的底層細(xì)節(jié)，提高光伏板缺陷的識別精度，且具有較強的泛化能力，實現(xiàn)了光伏板缺陷的自動識別。

31、yolov5s神經(jīng)網(wǎng)絡(luò)模型配置的錨框是使用k-means聚類算法在coco數(shù)據(jù)集聚類而出的。為了讓錨框更加符合本數(shù)據(jù)集小目標(biāo)多，大目標(biāo)少的特點，采用改進(jìn)的k-means++聚類算法替換，使得聚類錨框大小更符合本數(shù)據(jù)集，可以提升最終的識別精度。

32、進(jìn)一步，保存最終的網(wǎng)絡(luò)識別模型時，只保留擁有最高siou值的網(wǎng)絡(luò)模型，不僅保證了識別模型的準(zhǔn)確率、可靠性，也避免了保留過多模型造成的存儲空間占用過大、以及最終篩選最優(yōu)模型的額外工作量。

33、進(jìn)一步，本發(fā)明將irn模塊連接骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)，融合兩者特征，從而提高網(wǎng)絡(luò)特征提取。irn模塊由silu激活函數(shù)、多尺度卷積以及殘差連接組成。首先輸入特征圖通過silu激活函數(shù)，再進(jìn)行不同尺度卷積，最后通過殘差連接方式把輸入特征圖和卷積后的特征圖進(jìn)行連接。既可以獲取不同大小的感受野，又可以避免網(wǎng)絡(luò)層次加深的梯度消失問題。簡化bifpn也是用于提高算法的識別精度，irn模塊用于提高算法識別精度以及減少網(wǎng)絡(luò)訓(xùn)練難度，加快網(wǎng)絡(luò)訓(xùn)練；siou損失函數(shù)能夠提高網(wǎng)絡(luò)識別精度。

34、進(jìn)一步，骨干網(wǎng)絡(luò)僅進(jìn)行4次下采樣，結(jié)構(gòu)也得以簡化。減少的下采樣次數(shù)意味著保留了更高分辨率的底層特征信息，這對小目標(biāo)的檢測更為敏感。改進(jìn)骨干網(wǎng)絡(luò)高算法識別精度以及加快網(wǎng)絡(luò)訓(xùn)練，減少網(wǎng)絡(luò)參數(shù)量。