(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210973574.1 (22)申请日 2022.08.15 (71)申请人 华北电力大 学 （保定） 地址 071000 河北省保定市莲池区永华北 大街619号 (72)发明人 王艳　申宗旺　 (74)专利代理 机构 北京和联顺知识产权代理有 限公司 1 1621 专利代理师 汤华珍 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/771(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) (54)发明名称 一种基于图像分析的光伏组件缺陷损伤的 识别方法 (57)摘要 本发明公开了一种基于图像分析的光伏组 件缺陷损伤的识别方法， 包 括： 通过在LSGAN网络 模型的生成器和判别器的结构中应用卷积网络 代替GAN的全连接层， 构建LS ‑DCGAN模型； 基于 DenseNet网络， 通过融合 分组卷积和注意力机制 模块， 构建GCSE ‑DenseNet模型； 通过LS ‑DCGAN模 型， 对光伏组件图像进行数据增强， 并对光伏组 件的缺陷类型进行编码， 生成用于训练GCSE ‑ DenseNet模型的数据集； 采集光伏组件图像， 根 据LS‑DCGAN模型， 以及通过利用扩充数据集训练 得到的GCSE‑DenseNet模型， 识别光伏组件图像 中的缺陷损伤； 本发明有效提高网络的学习能力 以及光伏组件缺陷识别的精度。 权利要求书2页 说明书9页 附图5页 CN 115311238 A 2022.11.08 CN 115311238 A 1.一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特 征在于， 包括： 通过在LSGAN网络模型的生成器和判别器的结构中应用卷积网络代替其中的全连接 层， 构建最小二乘深度卷积生成对抗网络LS ‑DCGAN模型； 基于密集连接卷积网络DenseNet， 通过融合分组卷积和注意力机制模块， 构建GCSE ‑ DenseNet模型； 通过所述LS ‑DCGAN模型， 对光伏组件图像进行数据增强， 并对光伏组件 的缺陷类型进 行编码， 生成用于训练所述GCSE ‑DenseNet模型的数据集； 采集光伏组件图像， 根据所述LS ‑DCGAN模型， 以及通过利用扩充数据集训练得到的所 述GCSE‑DenseNet模型， 识别所述 光伏组件图像中的缺陷损伤。 2.根据权利要求1所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在构建GCSE ‑DenseNet模型的过程 中， 所述分组卷积用于把输入的特征图分解成几组， 在每一个组别上分别进 行卷积计算后， 并将各组别卷积结果进 行连接。 其中， 所述分组卷积 用于减少模型参数量， 降低冗余 程度， 削弱过拟合。 3.根据权利要求2所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在进行分组卷积的过程中， 当输入特征图通道数为Cin， 输出特征图通道数为Cout， 卷积 层的卷积核尺寸为K ×K时， 将输入特征图分为N组， 每组的通道数为 卷积核尺寸保持K ×K不变， 对每组分别进行卷积运算， 输出特征图通道数为 则总卷积核参数总量为 参数量降为原来的 4.根据权利要求3所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在融合注意力机制模块的过程中， 所述注意力机制模块为SE模块， 用于对通道的重要 程度进行学习。 其中， 所述SE模块用于通过进行通道特征选择， 进而加强有效特征， 削弱无 效特征， 提高网络学习能力。 5.根据权利要求4所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在融合SE模块的过程中， 所述SE模块包括： 挤压操作单元， 用于通过全局池化层将特征图的每个通道压缩为实数， 以获得全局描 述特征； 激励操作单 元， 用于为每 个特征通道生成权 重， 表征通道间的相关性及重要性； 重标定操作单元， 用于将激励操作获得的权重依次加权到相应通道的初始特征中， 增 强有效特 征， 削弱无效特 征， 完成特 征的重新标定 。 6.根据权利要求5所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在通过挤压操作单 元进行挤压操作的过程中， 所述 挤压操作的表达式为：权　利　要　求　书 1/2 页 2 CN 115311238 A 2式中， zc表示c通道挤压的输出， Fsq表示通道挤压操作， uc表示c通道元素值， H表示输出 特征图高度， W表示输出 特征图宽度， (i,j)表示 坐标值。 7.根据权利要求6所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在通过激励操作单 元进行激励操作的过程中， 所述激励操作的表达式为： s＝Fex(z， W)＝σ(g(z， W) )＝σ(W2δ(W1z)) 式中， s表示激励操作所得权重； Fex表示激励操作； z表示挤压操作的输出； W表示权重系 数； σ(·)表示Sigmo id函数； W2表示权重系数； δ( ·)表示ReLU函数； W1表示权重系数。 8.根据权利要求7所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在通过重标定操作单 元进行重标定操作的过程中， 所述重标定操作的表达式为： 其中， 表示c通道特征重标定输出， Fscale表示重标定操作， uc表示c通道元素值， sc表示 c通道权重。 9.根据权利要求8所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在构建GCSE ‑DenseNet模型的过程中， 所述密集连接卷积网络DenseNet包括密集模块 和过渡模块， 其中， 所述密集模块用来提取图像的特征， 所述过渡模块用来连接两个相邻的 密集模块， 并对特 征图进行适当变换； 在所述密集模块中引入卷积核为3 ×3的双分组卷积操作， 以减少模型参数量， 降低模 型冗余度； 在所述密集模块中引入SE注意力机制模块， 通过融合注意力机制， 在多层级特征重用 的同时进 行通道特征选择， 用于突出有效的通道特征， 削弱无效的通道特征， 有效提高网络 的学习能力。 10.根据权利要求9所述一种基于图像分析的光伏组件缺陷损伤的识别方法， 其特征在 于： 在识别所述光伏组件图像的缺陷损伤的过程中， 将光伏 组件图像数据进行压缩和降噪 操作后， 输入 所述LS‑DCGAN模型进行数据增强， 将生成图像与原始图像合并， 形成扩充数据 集。 对光伏组件的缺陷类型进行编码， 并将扩充数据集划分为训练集和测试集， 对划分好 的数据集进行 数据归一 化处理； 将训练集输入所述GCSE ‑DenseNet模型进行训练， 并将测试集输入训练好的模型进行 光伏组件缺陷识别。权　利　要　求　书 2/2 页 3 CN 115311238 A 3