本發(fā)明涉及圖像識別和深度學(xué)習(xí)，尤其涉及基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法。

背景技術(shù)：

1、光伏板是一種能夠?qū)⑻柟廪D(zhuǎn)化為電能的設(shè)備，當(dāng)光伏板存在缺陷時，可以導(dǎo)致光伏板的能量轉(zhuǎn)換效率下降，縮短光伏板的壽命，導(dǎo)致局部過熱增加火災(zāi)的風(fēng)險等危害；為了最大程度地減少這些危害，需要對光伏板進(jìn)行缺陷檢測，確保高效運(yùn)行，延長壽命，進(jìn)行安全可靠的能源生產(chǎn)。

2、通常光伏板的缺陷不易通過肉眼分辨，一般需要特殊成像技術(shù)來凸顯缺陷，常見的光伏板缺陷檢測成像技術(shù)采用電致發(fā)光成像el技術(shù)，通過對光電池施加正向偏壓，此時產(chǎn)生的光(主要是近紅外光)強(qiáng)度與電壓成正比，光伏模塊中電氣不活躍的地方在el圖像上就會呈現(xiàn)出陰影，這些陰影就是光伏板的缺陷部分，但使用el檢測技術(shù)的具有專業(yè)性已經(jīng)專業(yè)設(shè)備的成本高。

3、采用深度學(xué)習(xí)技術(shù)利用目標(biāo)檢測來檢測電池缺陷，避免繁瑣復(fù)雜的圖像預(yù)處理以及人工提取特征的操作，適應(yīng)不同場景、不同類型的缺陷，從而能夠提高檢測準(zhǔn)確率、魯棒性以及實(shí)時性。

4、公開號為cn113989241a的專利，先對光伏組件進(jìn)行預(yù)分割，再對預(yù)分割的得到的光伏組件進(jìn)行預(yù)分類，再對預(yù)分類得到的候選負(fù)樣本載入到訓(xùn)練好的faster-rcnn模型權(quán)重文件進(jìn)行二次缺陷檢測；但該方法在檢測過程操作復(fù)雜，使用faster-rcnn模型推理速度慢，不利于實(shí)際生產(chǎn)檢測中應(yīng)用。

5、公開號為cn116542962a的專利，使用yolov5m權(quán)重進(jìn)行光伏電池缺陷檢測，網(wǎng)絡(luò)結(jié)構(gòu)相對復(fù)雜，參數(shù)數(shù)量和計(jì)算量更多，因此需要更多的計(jì)算資源和內(nèi)存；另外，通過引入simam注意力機(jī)制，也存在計(jì)算量變大和計(jì)算資源開銷大的問題，不利于部署在如移動設(shè)備等計(jì)算資源受限的設(shè)備上，存在實(shí)用性差的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有方法的不足，本發(fā)明解決現(xiàn)有方法存在光伏板缺陷檢測準(zhǔn)確性不高、檢測速度慢的問題。

2、本發(fā)明所采用的技術(shù)方案是：基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法包括以下步驟：

3、步驟一、獲取光伏板缺陷圖像，構(gòu)建光伏板缺陷圖像數(shù)據(jù)集；

4、作為本發(fā)明的一種優(yōu)選實(shí)施方式，光伏板缺陷包括：裂紋、斷柵、黑芯和粗線。

5、作為本發(fā)明的一種優(yōu)選實(shí)施方式，對光伏板缺陷圖像采用mosaic、mixup、hsv變換、尺度變換和翻轉(zhuǎn)數(shù)據(jù)增強(qiáng)。

6、步驟二、構(gòu)建改進(jìn)yolov8模型，將backbone主干網(wǎng)絡(luò)替換成vanillanet網(wǎng)絡(luò)，vanillanet網(wǎng)絡(luò)的stem1使用一個卷積核為4×4，步幅為4的卷積層，stem2使用一個卷積核為1×1，步幅為1的卷積層和3個stage層；

7、作為本發(fā)明的一種優(yōu)選實(shí)施方式，步驟二還包括：

8、將backbone主干網(wǎng)絡(luò)替換成改進(jìn)vanillanet網(wǎng)絡(luò)：改進(jìn)vanillanet網(wǎng)絡(luò)包括：stem1層和stem2層，stem1層包括一個卷積核為3×3，步幅為2的卷積層，歸一化層和leakyrelu激活函數(shù)層；stem2層包括一個卷積核為2×2，步幅為1的卷積層，歸一化層，relu激活函數(shù)層，逐深度卷積層和歸一化層；body層包括4個stage部分，每個stage層包括兩層，其中每個stage層的第一層包括：卷積核為1×1的卷積層，歸一化層和leaky?relu激活函數(shù)層；每個stage層的第二層包括：卷積核為1×1的卷積層，歸一化層，步幅為2的最大池化層和relu激活函數(shù)層、逐深度卷積層、歸一化層。

9、作為本發(fā)明的一種優(yōu)選實(shí)施方式，將改進(jìn)yolov8模型的neck部分conv模塊替換為可變核卷積模塊。

10、作為本發(fā)明的一種優(yōu)選實(shí)施方式，將改進(jìn)yolov8模型的ciou損失函數(shù)替換為wiou_v3損失函數(shù)。

11、步驟三、利用光伏板缺陷圖像數(shù)據(jù)集對改進(jìn)yolov8模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)光伏板缺陷檢測；

12、作為本發(fā)明的一種優(yōu)選實(shí)施方式，基于改進(jìn)yolov8模型的光伏板el缺陷檢測系統(tǒng)，包括：存儲器，用于存儲可由處理器執(zhí)行的指令；處理器，用于執(zhí)行指令以實(shí)現(xiàn)基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法。

13、作為本發(fā)明的一種優(yōu)選實(shí)施方式，存儲有計(jì)算機(jī)程序代碼的計(jì)算機(jī)可讀介質(zhì)，計(jì)算機(jī)程序代碼在由處理器執(zhí)行時實(shí)現(xiàn)基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法。

14、本發(fā)明的有益效果：

15、1、對yolov8模型進(jìn)行改進(jìn)，優(yōu)化損失函數(shù)，利用動態(tài)非單調(diào)聚焦機(jī)制，使用性能更加優(yōu)越的梯度增益分配策略，提升描框質(zhì)量，提高檢測精度；

16、2、使用改進(jìn)的vanillanet網(wǎng)絡(luò)，降低網(wǎng)絡(luò)參數(shù)和計(jì)算量，加快檢測速度，可以捕捉更精細(xì)的局部特征，提取更多的細(xì)節(jié)信息，提升模型的表達(dá)能力。引入了更多的非線性變換，有助于正則化模型，減少過擬合風(fēng)險，帶來更高的分類精度和檢測性能；

17、3、使用可變核卷積模塊代替原有的conv模塊，通過動態(tài)計(jì)算偏移量和雙線性插值，允許卷積核根據(jù)輸入數(shù)據(jù)動態(tài)調(diào)整參數(shù)和采樣形狀，使得模型能夠更好地適應(yīng)不同的輸入特征，從而提高模型的檢測精度；對于光伏板缺陷存在復(fù)雜特征和多樣性的特點(diǎn)，可變核卷積能顯著提高模型的性能和魯棒性。

技術(shù)特征：

1.基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，步驟二還包括：

3.如權(quán)利要求1所述的一種基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，將改進(jìn)yolov8模型的neck部分conv模塊替換為可變核卷積模塊。

4.如權(quán)利要求1所述的一種基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，將改進(jìn)yolov8模型的ciou損失函數(shù)替換為wiou_v3損失函數(shù)。

5.如權(quán)利要求1所述的一種基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，光伏板缺陷包括：裂紋、斷柵、黑芯和粗線。

6.如權(quán)利要求1所述的一種基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法，其特征在于，對光伏板缺陷圖像采用mosaic、mixup、hsv變換、尺度變換和翻轉(zhuǎn)數(shù)據(jù)增強(qiáng)。

7.基于改進(jìn)yolov8模型的光伏板el缺陷檢測系統(tǒng)，其特征在于，包括：存儲器，用于存儲可由處理器執(zhí)行的指令；處理器，用于執(zhí)行指令以實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法。

8.存儲有計(jì)算機(jī)程序代碼的計(jì)算機(jī)可讀介質(zhì)，其特征在于，計(jì)算機(jī)程序代碼在由處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于改進(jìn)yolov8模型的光伏板el缺陷檢測方法。

技術(shù)總結(jié)
本發(fā)明涉及圖像識別和深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其涉及基于改進(jìn)YOLOv8模型的光伏板EL缺陷檢測方法，包括獲取光伏板缺陷圖像，構(gòu)建光伏板缺陷圖像數(shù)據(jù)集；構(gòu)建改進(jìn)YOLOv8模型，將Backbone主干網(wǎng)絡(luò)替換成VanillaNet網(wǎng)絡(luò)，VanillaNet網(wǎng)絡(luò)的stem1使用一個卷積核為4×4，步幅為4的卷積層，stem2使用一個卷積核為1×1，步幅為1的卷積層和3個stage層；利用光伏板缺陷圖像數(shù)據(jù)集對改進(jìn)YOLOv8模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)光伏板缺陷檢測。本發(fā)明現(xiàn)有方法存在光伏板缺陷檢測準(zhǔn)確性不高、檢測速度慢的問題。

技術(shù)研發(fā)人員：戴國洪,杭峻宇,陳從平,陳奔,李明春
受保護(hù)的技術(shù)使用者：常州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/18