一种基于EMD-YOLO算法的小型缺陷高精度检测方法与流程

本发明涉及光伏板缺陷检测、红外图像处理与深度学习目标检测，尤其涉及一种基于emd-yolo算法的小型缺陷高精度检测方法。

背景技术：

1、在光伏发电系统的实际运维过程中，光伏板长期暴露于户外环境，容易产生热斑、碎裂、植物遮挡以及电池串异常等缺陷，这些缺陷会直接影响光伏板的发电效率并带来安全隐患，因此对光伏板缺陷进行快速、准确的检测至关重要。红外热成像检测凭借非接触、可视化、适用于大范围巡检等优势，成为当前光伏板缺陷检测的主流技术手段。

2、在基于红外图像的缺陷检测中，以yolo系列为代表的单阶段目标检测算法因检测速度快、部署便捷等特点被广泛应用，但在面向光伏板红外小型缺陷的实际检测场景中仍存在明显不足。光伏板红外图像中的缺陷目标通常具有尺寸微小、对比度低、纹理信息薄弱等特点，在网络多次下采样后极易出现特征退化与信息丢失的问题，传统yolo网络的浅层特征提取结构难以对这类弱小目标的边缘与细节信息进行有效表达，导致模型对缺陷的感知能力不足。

3、同时，现有网络多采用concat拼接方式进行多尺度特征融合，这种全局融合方式会引入大量背景冗余信息，使得弱小缺陷特征在融合过程中被淹没，无法实现精准的特征聚合。此外，传统检测头为固定结构，难以自适应不同尺度、不同空间位置以及分类与回归不同任务之间的差异，在面对光伏板缺陷尺度差异大、背景复杂多变的情况时，检测鲁棒性较差。

4、部分针对小目标检测的改进模型虽然在一定程度上提升了检测精度，但会显著增加模型参数量与计算量，无法满足无人机巡检、边缘计算设备等场景下的实时部署需求，难以在精度与轻量化之间实现有效平衡。

技术实现思路

1、本发明的目的在于提供一种基于emd-yolo算法的小型缺陷高精度检测方法，解决现有光伏板红外缺陷检测技术中存在的弱小目标特征表达不足、多尺度特征融合失效、检测头自适应能力弱、检测精度偏低以及模型难以轻量化部署等问题，实现对光伏板红外缺陷的高精度、高效率、高鲁棒性检测。

2、为实现上述目的，本发明提供了一种基于emd-yolo算法的小型缺陷高精度检测方法，包括以下步骤：

3、步骤s1：获取光伏板的红外图像，并对红外图像进行预处理；

4、步骤s2：构建emd-yolo检测模型，emd-yolo检测模型以yolov12为基线网络，在c3k2瓶颈结构中嵌入ckleg特征整合增强模块，采用msrsf多尺度自调节语义融合模块替代concat拼接融合方式，移除原网络中的低分辨率检测头并新增高分辨率检测头，引入dyhead动态检测头；

5、ckleg特征整合增强模块采用双支路异核瓶颈结构与可学习的特征门控融合机制，用于增强浅层特征对弱小缺陷的边缘表达与噪声抑制能力；msrsf多尺度自调节语义融合模块通过生成小目标候选区域掩码，在候选区域内进行多尺度特征提取与像素级注意力加权，实现区域引导的精细化特征融合；dyhead动态检测头在尺度维度、空间维度和任务维度进行联合自适应特征建模；

6、步骤s3：将预处理后的红外图像输入训练完成的emd-yolo检测模型，经主干网络与ckleg模块进行特征增强提取后，再经msrsf模块进行多尺度精细化融合，最后送入dyhead动态检测头，输出光伏板缺陷的类别信息与位置坐标信息。

7、优选的，ckleg特征整合增强模块包括并行设置的边缘感知分支、高斯建模分支及直连通路，以及连接于三个分支输出端的特征门控融合模块和通道注意力模块；

8、边缘感知分支采用边缘提取算子对输入特征进行横向与纵向的边缘特征提取；

9、高斯建模分支采用高斯核对输入特征进行平滑处理以抑制高频噪声；

10、直连通路用于保留原始输入特征；

11、特征门控融合模块通过可学习的融合权重对三个分支的输出特征进行加权求和；

12、通道注意力模块对融合后的特征在通道维度进行自适应重标定，输出增强特征图。

13、优选的，边缘提取算子为scharr滤波器或sobel算子；高斯核为5×5高斯核；通道注意力模块为高效通道注意力模块。

14、优选的，msrsf多尺度自调节语义融合模块包括依次连接的掩码提取块、多尺度特征聚合模块和像素级注意力模块；

15、掩码提取块利用浅层高分辨率特征生成细节掩码，利用深层特征生成语义掩码，并将细节掩码与语义掩码相乘，得到小目标候选区域掩码，利用该掩码对特征图进行区域裁剪；

16、多尺度特征聚合模块在裁剪后的候选区域内进行多尺度局部特征提取与聚合；

17、像素级注意力模块在空间维度为聚合后的特征图中的每个像素分配自适应权重，以突出缺陷区域特征并抑制背景区域特征。

18、优选的，多尺度特征聚合模块采用空洞率不同的若干个并行深度可分离空洞卷积分支进行多尺度特征提取，各分支输出特征经上采样保证空间分辨率一致后进行特征聚合。

19、优选的，空洞率分别为1、3和5。

20、优选的，dyhead动态检测头包括尺度感知注意力分支、空间感知注意力分支和任务感知注意力分支；

21、尺度感知注意力分支用于学习不同层级特征的重要程度；

22、空间感知注意力分支用于自适应匹配目标的空间位置变化；

23、任务感知注意力分支用于自适应分类任务与回归任务的差异；

24、三个注意力分支的输出与输入特征加权融合，得到最终检测结果。

25、优选的，尺度感知注意力分支通过全局平均池化与卷积操作实现层级特征重要度的学习；空间感知注意力分支通过空间采样偏移与卷积操作实现空间位置的动态匹配；任务感知注意力分支通过通道维度的自适应调节实现分类与回归任务的差异化处理。

26、优选的，步骤s2中，emd-yolo检测模型的训练过程采用光伏板红外缺陷数据集，输入图像尺寸统一为640×640，采用sgd优化器进行训练，训练轮数为300轮。

27、因此，本发明采用上述的一种基于emd-yolo算法的小型缺陷高精度检测方法，具有以下好处：

28、（1）检测精度高。通过ckleg模块的双支路异核结构（边缘感知+高斯平滑）增强弱小缺陷特征表达，有效解决小目标特征退化问题。实验表明，map@0.5达94.5%，召回率达92%，热斑等微小缺陷检测精度提升显著；

29、（2）特征融合精准。msrsf模块通过候选区域掩码裁剪背景、空洞卷积提取多尺度特征、像素级注意力加权，实现从全局融合到区域引导融合的转变，有效避免小目标特征被背景淹没；

30、（3）检测鲁棒性强。dyhead动态检测头在尺度、空间、任务三维度联合自适应建模，自适应匹配不同尺度、不同位置、不同任务的差异化需求，面对复杂背景时检测性能稳定；

31、（4）轻量实时。模型参数量仅2.1m，计算量13.6gflops，推理速度417fps，可直接部署于无人机和边缘计算设备，满足户外大范围实时巡检需求。

32、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。