基于改进MaskR-CNN网络的光伏板异常检测方法

本发明涉及光伏发电，尤其涉及一种基于改进神经网络的光伏板异常检测方法。

背景技术：

1、在光伏能源领域，随着光伏系统的广泛部署，其维护和效率优化成为了研究和工业界关注的焦点。光伏板作为核心组件，其性能直接影响整个系统的发电效率。然而，光伏板在长期运营过程中易受到裂纹、污垢等异常的影响，这些异常不仅降低了光伏板的发电效率，还可能缩短了光伏板的使用寿命。因此，开发一种高效、准确的光伏板异常检测技术显得尤为重要。传统的检测方法主要依赖于人工视觉检查和简单的电气测试，这些方法不仅耗时耗力，而且难以发现早期或微小的异常。随着深度学习技术的发展，利用高精度图像识别技术来自动检测光伏板表面的裂纹和污垢，提供了一种更为高效和准确的解决方案。这种方法不仅可以提高检测的效率和准确性，还能在早期发现问题，从而及时进行维护或更换，保证光伏系统的稳定运行和最大化发电效率。

2、目前针对利用神经网络高精度图像识别技术来自动检测光伏板表面的裂纹和污垢，还存在的技术问题为在复杂背景下对异常数据识别精度低和识别效率低的问题。

技术实现思路

1、为了解决上述问题，本发明提供一种基于改进mask r-cnn网络的光伏板异常检测方法，所述方法具体为：

2、s1、建立光伏板异常数据集：采集数据构造样本集，扩充正样本数量，扩充数据集；

3、s2、对光伏板图像预处理，将获取的图像初始轮廓l和图像边缘n进行收敛得到收敛边缘e，采用形态学闭运算填补收敛边缘e轮廓线中的断裂，得到包含光伏板边缘轮廓的图像c，并使用均值滤波对图像c进行优化，得到单通道边缘特征灰度图像；

4、s3、对mask r-cnn网络进行改进，得到改进mask r-cnn网络，具体为：

5、首先将mask r-cnn网络的输入由3通道调整为4通道；

6、然后在mask r-cnn网络主干网络之前引入位置通道注意力机制，使用rgb三通道图像及经过位置通道注意力机制输出的特征图作为改进后的mask r-cnn网络的四通道图像输入；

7、s4、利用光伏板异常数据集对改进mask r-cnn网络进行训练，直到网络符合要求，然后使用改进mask r-cnn网络对光伏板进行异常检测。

8、本发明所述方法的有益效果为：

9、1)通过结合高清无人机图像采集和深度学习图像分析，能够高效准确地识别光伏板上的裂纹和污垢等异常。

10、2)采用人工干预和图像处理技术扩充正样本数量，有效增加了数据集的多样性，提高了模型的泛化能力。

11、3)利用图像变换技术(如旋转、缩放、翻转等)进一步丰富训练数据，增强了模型对不同条件下异常的识别能力。

12、4)在mask r-cnn中引入位置通道注意力机制，本发明对于位置通道注意力机制的设计，采用分通道处理的方式，提升了图像处理效率和特征提取能力，提升了模型对异常区域的识别精度，尤其是在复杂背景下的性能。

技术特征：

1.基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，所述图像初始轮廓l的获取方法为：通过sobel算子，提取光伏板图像边缘，得到初始轮廓l。

3.根据权利要求2所述的基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，所述图像边缘n的获取方法为：

4.根据权利要求3所述的基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，将mask r-cnn网络的输入由3通道调整为4通道具体为：将mask r-cnn网络的主干网络的首层卷积核调整为4，使得改进后的mask r-cnn网络变为四通道图像输入。

5.根据权利要求4所述的基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，所述位置通道注意力机制中进行的操作具体为：

6.根据权利要求5所述的基于改进mask r-cnn网络的光伏板异常检测方法，其特征在于，所述残差连接y0连接输入端与输出端。

技术总结
基于改进Mask R‑CNN网络的光伏板异常检测方法。涉及光伏发电技术领域，尤其涉及一种基于改进神经网络的光伏板异常检测方法。解决了目前针对利用神经网络高精度图像识别技术来自动检测光伏板表面的裂纹和污垢，还存在的在复杂背景下对异常数据识别精度低和识别效率低的问题。本发明在Mask R‑CNN中引入位置通道注意力机制，对于位置通道注意力机制的设计，采用分通道处理的方式，提升了图像处理效率和特征提取能力，提升了模型对异常区域的识别精度，尤其是在复杂背景下的性能。

技术研发人员：马博洋,卜佳俊,周晟
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/9/23