一种红外热成像光伏缺陷检测方法、设备、介质及产品

摘要: 本申请涉及红外图像处理与光伏组件缺陷智能检测,特别是涉及一种红外热成像光伏缺陷检测方法、设备、介质及产品。背景技术:1、光伏组件是大型新能源电站的基本发电单元,...
一种红外热成像光伏缺陷检测方法、设备、介质及产品

本申请涉及红外图像处理与光伏组件缺陷智能检测,特别是涉及一种红外热成像光伏缺陷检测方法、设备、介质及产品。

背景技术:

1、光伏组件是大型新能源电站的基本发电单元,其热状态直接影响发电效率和运行安全。组件在制造、运输、安装及长期户外运行过程中,可能因机械应力、温差循环、老化、遮挡、焊接异常和电势诱导效应产生裂纹、热斑、二极管异常、电势诱导衰减(potentialinduced degradation,pid)和局部过热等缺陷问题。若缺陷未被及时发现,不仅会造成组件功率损失和加速退化,还可能引发局部烧蚀、旁路二极管失效甚至火灾风险。因此,对光伏组件进行高频次、非接触和可定位的状态检测,是保障电站安全运行和降低全寿命周期运维成本的重要基础。

2、传统人工目视、手持热像仪或逐排抽检方式覆盖效率低、劳动强度大,检测结果容易受到巡检人员经验、观测距离和现场环境影响。无人机红外热成像能够在组件带电运行状态下快速获得大范围热分布信息,适合密集阵列和复杂地形条件下的巡检。然而,实际红外图像中的缺陷往往呈现低对比度、小像素占比和模糊边界,拍摄高度变化又会造成显著尺度差异;不同故障机理可能产生相似热模式,同一缺陷也会因热扩散和环境温度不同而呈现不同形态。此外,真实缺陷样本特别是早期缺陷和少数类别样本较难获取,模型容易偏向数量较多类别样本或尺寸较大类别样本的缺陷目标,因此亟需一种能够提升大红外热成像光伏的缺陷识别和定位的红外热成像光伏缺陷检测方法。

技术实现思路

1、本申请的目的是提供一种红外热成像光伏缺陷检测方法、设备、介质及产品,可解决红外热成像光伏的缺陷类型识别和缺陷定位不准确的问题。

2、为实现上述目的,本申请提供了如下方案。

3、第一方面,本申请提供了一种红外热成像光伏缺陷检测方法,包括:对光伏组件阵列的红外图像进行标准化预处理,确定标准化图像;对原yolov12的结构进行改进,确定改进的yolov12模型;所述原yolov12的结构包括依次连接的骨干网络、颈部网络和检测头;所述改进的yolov12模型包括所述依次连接的骨干网络、上下文与注意力融合模块、gold式跨层聚合与注入机制、自适应空间特征融合模块和所述检测头;所述gold式跨层聚合与注入机制用于替换所述颈部网络;根据所述标准化图像,基于所述骨干网络和所述上下文与注意力融合模块,确定空间分辨率特征图;根据所述空间分辨率特征图,基于所述gold式跨层聚合与注入机制和所述自适应空间特征融合模块,确定目标尺度融合特征;基于所述目标尺度融合特征和所述检测头,确定shape-iou边界框回归损失;基于所述shape-iou边界框回归损失,对所述改进的yolov12模型进行训练,确定最优模型;将待检测红外图像输入所述最优模型,输出最终检测结果;所述检测结果至少包括待测红外图像的缺陷类别、位置和数量。

4、第二方面,本申请提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述所述的红外热成像光伏缺陷检测方法。

5、第三方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述所述的红外热成像光伏缺陷检测方法。

6、第四方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述所述的红外热成像光伏缺陷检测方法。

7、根据本申请提供的具体实施例,本申请公开了以下技术效果。

8、本申请提供了一种红外热成像光伏缺陷检测方法、设备、介质及产品,本申请对原yolov12的结构进行改进,确定改进的yolov12模型;在原yolov12的结构基础上新增了上下文与注意力融合模块和自适应空间特征融合模块,且使用gold式跨层聚合与注入机制用于替换所述颈部网络;其中,根据所述标准化图像,基于所述骨干网络和所述上下文与注意力融合模块,确定空间分辨率特征图。通过新增的上下文与注意力融合模块,能够增强标准化图像中低对比度弱热异常的特征表达能力。然后,根据空间分辨率特征图,基于所述gold式跨层聚合与注入机制和所述自适应空间特征融合模块,确定目标尺度融合特征。传统颈部网络对跨层特征交互不足,本申请设置跨层聚合与注入机制gcai对不同空间尺度的特征进行聚合,实现浅层细节信息与深层语义信息的双向传递,提高了对多尺度缺陷的检测能力。同时设置自适应空间特征融合模块,将不同尺度的空间分辨率特征图进行融合,从而改善多空间尺度缺陷共存条件下的缺陷的类别识别与定位效果。进一步,基于所述目标尺度融合特征和所述检测头,确定shape-iou边界框回归损失,对所述改进的yolov12模型进行训练,确定最优模型,最后待检测红外图像输入所述最优模型,输出最终检测结果,shape-iou边界框回归损失相对传统并交比损失函数能够同时约束边界框中心便宜和形状差异,从而提高缺陷的定位精度,本申请基于最优模型,能够自动精准完成红外热成像光伏的缺陷类型识别和缺陷定位。

1.一种红外热成像光伏缺陷检测方法,其特征在于,包括:

2.根据权利要求1所述的红外热成像光伏缺陷检测方法,其特征在于,根据所述标准化图像,基于所述骨干网络和所述上下文与注意力融合模块,确定空间分辨率特征图,具体包括:

3.根据权利要求2所述的红外热成像光伏缺陷检测方法,其特征在于,根据所述空间分辨率特征图,基于所述gold式跨层聚合与注入机制和所述自适应空间特征融合模块,确定目标尺度融合特征,具体包括:

4.根据权利要求1所述的红外热成像光伏缺陷检测方法,其特征在于,基于所述目标尺度融合特征和所述检测头,确定shape-iou边界框回归损失,具体包括:

5.根据权利要求1所述的红外热成像光伏缺陷检测方法,其特征在于,基于所述shape-iou边界框回归损失,对所述改进的yolov12模型进行训练,确定最优模型,具体包括:

6.根据权利要求1所述的红外热成像光伏缺陷检测方法,其特征在于,目标尺度融合特征为:

7.根据权利要求1所述的红外热成像光伏缺陷检测方法,其特征在于,所述shape-iou边界框回归损失为:

8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的红外热成像光伏缺陷检测方法。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的红外热成像光伏缺陷检测方法。

10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的红外热成像光伏缺陷检测方法。