一种基于深度残差网络的太阳能板污迹识别方法

1.本发明涉及太阳能板污迹识别技术领域，尤其涉及一种基于深度残差网络的太阳能板污迹识别方法。


背景技术：

2.光伏系统安装之后，用户最关心就是发电量，其中影响较大的是太阳能板的污染，在其中，太阳能光伏板的污染有很多种，如组件灰尘影响、板表面的污渍、污渍的遮挡等，太阳能板表面的污渍无法避免，如鸟粪、树叶的堆积。
3.然而，判断太阳能板表面是否存在污渍、污渍的类型，是能够为对太阳能板的维护、养护提供主要的判断和合理规划的依据。
4.经检索，公告号cn201710538395.4的中国专利文献，公开了一种识别光伏太阳能板表面污垢程度的方法及系统，其也采用了图像识别方式，能对光伏太阳能板表面污垢程度进行自动化地识别，能对光伏太阳能板表面是否需要清洗进行自动化地判断，实现了对太阳能板表面进行识别，但是其主要针对太阳能板表面是否需要进行清洗进行判断。
5.判断太阳能板表面是否需要清洗以及太阳能表面是否具有污渍和污渍分类识别，并不相同。
6.污渍的类别和对太阳能板的使用影响并不相同，而对太阳能板的清洗，尤其在具有规模的分布情况下，往往是较为消耗时间和成本的。
7.准确判断太阳能板表面污渍的存在以及类型，能够更加有效的帮助对太阳能板的清洗、养护、维护和维修，让操作人员规划更加方便。


技术实现要素：

8.本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于深度残差网络的太阳能板污迹识别方法。
9.为了实现上述目的，本发明采用了如下技术方案：
10.一种基于深度残差网络的太阳能板污迹识别方法，包括以下步骤：
11.s1：通过opencv中的数据增强技术扩大训练集，使训练样本更丰富；
12.s2：利用cnn中的残差网络提取图像特征，计算训练集识别率与损失函数值，储存训练模型，形成模型库；
13.s3：验证集图片输入模型库，比较识别率得到最优模型；
14.s4：将太阳能板污迹图像输入模型，自动识别并分类。
15.进一步地，步骤s4的具体步骤包括：
16.s401：将输入模型的太阳能板污迹图像的分辨率限定为224
×
224；
17.s402：经过第一层卷积生成特征图为112
×
112后，利用最大池化操作输出56
×
56的特征图；
18.s403：构建4个残差单元，分别为s403：构建4个残差单元，分别为和得到7
×
7的特征图；
19.s404：利用averagepooling操作得到最后的特征向量后，将其输入softmax进行分类。
20.进一步地，在步骤s1中：通过构建自主拍摄与网络爬取的方式构建数据集、筛选并划分训练集与验证集。
21.进一步地，在步骤s1中：分别采用水平翻转、垂直翻转、逆时针旋转90
°
、随机改变亮度和随机改变对比度六种方法进行数据增强。
22.进一步地，在步骤s2中：对resnet34模型进行学习率lr衰减方式、迭代次数epoch、批次大小batchsize三项超参数的优化。
23.进一步地，在步骤s3中：将超参数优化后的resnet34模型与alexnet和vgg19分类结构进行对比。
24.相比于现有技术，本发明的有益效果在于：
25.采用数据增强的方法克服样本获取难的缺陷，进而有效预防模型训练中的过拟合现象；
26.不仅避开了传统图像处理中的手动选取特征的弊端，还能解决人工检测的缺陷，实现智能精准化的识别太阳能板污迹，有较高的普适性和实际应用价值。
附图说明
27.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
28.图1为本发明实施例中数据集分布示意图；
29.图2为本发明实施例中数据样本示意图；
30.图3为本发明实施例中数据增强结果例图；
31.图4为本发明实施例中的图像样例示意图；
32.图5为本发明实施例中数据增强对比的结果示意图；
33.图6为本发明实施例中学习率lr的选取对比的结果示意图；
34.图7为本发明实施例中epoch的选取对验证集准确率的影响的结果示意图；
35.图8为本发明实施例中batchsize的选取对验证集准确率的影响的结果示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
37.在本技术的实施例中，优先选用resnet34网络结构。
38.实施例一
39.参照图1-3，基于深度残差网络的太阳能板污迹识别方法，包括以下步骤：
40.s1：通过opencv中的数据增强技术扩大训练集，使训练样本更丰富；
41.s2：利用cnn中的残差网络提取图像特征，计算训练集识别率与损失函数值，储存训练模型，形成模型库；
42.s3：验证集图片输入模型库，比较识别率得到最优模型；
43.s4：将太阳能板污迹图像输入模型，自动识别并分类。
44.实施例二
45.参照图1-8，在实施例一的基础上，步骤s4的具体步骤包括：
46.s401：将输入模型的太阳能板污迹图像的分辨率限定为224
×
224；
47.s402：经过第一层卷积生成特征图为112
×
112后，利用最大池化操作输出56
×
56的特征图；
48.s403：构建4个残差单元，分别为s403：构建4个残差单元，分别为和得到7
×
7的特征图；
49.s404：利用averagepooling操作得到最后的特征向量后，将其输入softmax进行分类。
50.在本技术的具体实施例中，在步骤s1中：通过构建自主拍摄与网络爬取的方式构建数据集、筛选并划分训练集与验证集；
51.在步骤s1中：分别采用水平翻转、垂直翻转、逆时针旋转90
°
、随机改变亮度和随机改变对比度六种方法进行数据增强。
52.在本技术的具体实施例中，在步骤s2中：对resnet34模型进行学习率lr衰减方式、迭代次数epoch、批次大小batchsize三项超参数的优化；
53.在本技术的具体实施例中，在步骤s3中：将超参数优化后的resnet34模型与alexnet和vgg19分类结构进行对比。
54.为了更好的理解本发明的技术方案，以下结合实验分析进一步说明。
55.选用显卡为nvdiageforcegtx1650的服务器，在win10系统下配置python3.7与paddlepaddle1.8.0深度学习框架进行实验。
56.选取太阳能电池板污迹识别实验图像集合,其中：包含5个类别共1805张，图像样例如图4所示，分别为(a)表面干净、(b)表面有落叶、(c)表面有鸟粪、(d)表面有积灰、(e)表面有积雪，具体见图4。
57.上述样例中，(a)、(d)、(e)均为网络爬取后并剔除了干扰图像，保证类别的准确性；
58.(b)和(c)为盐城师范学院内太阳能板实验基地中的拍摄自制图像。
59.将每一类数据集按7:1的比例被分别划分为训练集和验证集，具体数据种类数量分布情况如表1。由于五类图像大小不一，在不改变图像特征的情况下，实现预处理时，将其分辨率均裁剪为224
×
224，数据分布情况具体见表1。
[0060][0061][0062]
表1
[0063]
以附有鸟粪的光伏板图像为例，利用opencv中的数据增强的方法，分别采用水平翻转、垂直翻转、逆时针旋转90
°
、随机改变亮度和随机改变对比度六种方法进行数据增强，训练集图像由原有的1589张扩大为11123张；
[0064]
使用resnet34模型，将其超参数学习率lr设定为0.001,批次大小batchsize设定为32，改变迭代次数epoch大小，测试数据增强算法对测试集识别准确率的影响：
[0065]
通过对比实验可以看出：采用数据增强的组别随着epoch的增大其准确率几乎均高于未增强组别，对比结果如图5所示，其中，当epoch＝8时，数据增强组别准确率达89.4％，高于未增强组别4个百分点。
[0066]
以下对学习率lr、批次大小batchsize、迭代次数epoch的选取进一步说明。
[0067]
学习率lr衰减方式选取：
[0068]
在模型优化中，分段常数衰减、指数衰减、余弦衰减、和线性余弦衰减等方法都是较为常见的lr衰减方式。
[0069]
选取固定、余弦衰减和线性余弦衰减三种方式进行对比，其中epoch＝5，batchsize＝32，结果如图6所示。
[0070]
可见，当lr固定不变时，验证集准确率震荡较大，最优准确率为91.67％，平均准确率为84.87％；当lr为线性余弦衰减时，验证集准确率基本随着epoch的增大而增大，最优准确率为90.28％，平均准确率为86.84％；当lr为余弦衰减时，验证集准确率变化幅度小，较为稳定，最优准确率为90.28％，平均准确率为86.87％。
[0071]
综上所述，在模型参数优化中，为了得到较高的验证集准确率，可优先选择余弦衰减的方式调整学习率。
[0072]
迭代次数epoch的选取：
[0073]
增大epoch观测其对验证集准确率的影响，结果如图7所示，其中batchsize＝32，lr初始值为0.01，且选用余弦衰减方式。可以看出，随着epoch增大，验证集准确率总体逐渐
增大，在epoch＝36时，达到最优结果96.76％。后续则保持在96％左右，此时在训练集开始将出现过拟合现象。
[0074]
批次大小batchsize的选取：
[0075]
仅对常用的batchsize＝16,32,64进行对比，观测随着epoch的增大，batchsize的选取对验证集准确率的影响，结果如图8所示。当batchsize＝16、32、64时，其验证集准确率最优结果分别为94.44％、93.06％、93.52％，验证集平均准确率分别为87.20％、87.01％、85.57％。可见，针对太阳能板污迹识别选取batchsize＝16效果最佳。
[0076]
综合所述，最终采用resnet34网络结构，并采用数据增强的方式扩大数据集，优化超参数。
[0077]
以alexnet和vgg19经典网络模型为对照组，通过训练验证可知，alexnet和vgg19验证集准确率仅为85.30％、87.72％，而优化后的resne34验证集准确率可达97.72％，高出前者十个百分点。
[0078]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。