[发明专利]基于多尺度注意力密集网络的太阳能电池板缺陷识别方法

权利要求书

1.一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，该方法包括以下步骤：

(1)划分太阳能电池板缺陷图像：从现有太阳能电池板图像数据库中选择太阳能电池板缺陷图像，再将太阳能电池板缺陷图像划分为训练集和测试集；

(2)构建多尺度融合注意力机制的密集网络：密集网络包括图像输入部分、空间组增强模块、多尺度融合注意力特征提取模块和预测输出部分；将测试集输入图像输入部分，初步提取特征，得到特征图X；再将特征图X依次送入空间组增强模块和多尺度融合注意力特征提取模块中进行高级语义信息特征的提取，得到多尺度特征融合图；最后将多尺度特征融合图通过预测输出部分重置成一维张量图像特征，再输出缺陷类别；

(3)训练阶段：将步骤(1)得到的训练集输入到步骤(2)构建的多尺度融合注意力机制的密集网络中进行训练；训练结束，得到训练好的多尺度融合注意力机制的密集网络；

(4)测试阶段：将步骤(1)得到的测试集输入步骤(3)得到的训练好的多尺度融合注意力机制的密集网络中进行测试，得到测试集的分类输出结果。

2.根据权利要求1所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，步骤(1)中，太阳能电池板缺陷图像均为灰度图像；太阳能电池板缺陷图像的缺陷类型为实心黑、开焊、隐裂、阴影和断栅。

3.根据权利要求1所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，步骤(2)中，图像输入部分由一个卷积层构成；卷积层的卷积核大小为3×3，步长为1，Padding为1；经过一次卷积操作，初步提取特征，得到特征图X。

4.根据权利要求1所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，步骤(2)中，空间组增强模块由依次连接的全局平均池化层、卷积层和激活层组成；首先将特征图X按照通道进行分组，分别为X_i(i∈[1,2,...])，组数不超过通道数；再对每组X_i(i∈[1,2,...])分别进行全局平均池化操作，得到G_i(i∈[1,2,...])；再将G_i与各自的X_i进行逐点乘积得到C_i，C_i再归一化为再对每个引入一对参数γ和β来进行缩放和移位，得到其中γ和β的初值分别选取大小为1×groups×1×1的全0三维张量和全1三维张量；最后通过Sigmoid函数生成重要性系数K_i，再与各自的X_i进行逐点乘积，得到特征向量整个过程的表达式为：

式(1)中，GAP表示全局平均池化操作，BN表示归一化操作，σ表示Sigmoid函数。

5.根据权利要求1所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，多尺度融合注意力特征提取模块由三个密集块和两个过渡层构成；相邻两个密集块之间设置一个过渡层；特征向量输入第一个密集块，第一个密集块的输出经过渡层在宽度和高度两个维度上进行2倍下采样的操作，得到相应的输出；然后将其与第二个密集块经过过渡层后的输出以及第三个密集块的输出在通道维度上进行拼接，得到三维多尺度特征融合图。

6.根据权利要求5所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，多尺度融合注意力特征提取模块的过渡层由依次连接的归一化层、激活函数层、卷积层和平均池化层构成；其中卷积层的卷积核大小为1×1，步长为1，Padding为0；平均池化层的卷积核为2×2，步长为2。

7.根据权利要求5所述的基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，其特征在于，每个密集块均由16个改进的瓶颈层构成；每个瓶颈层由依次连接的两个卷积层和一个压缩-激励注意力层组成；其中第一个卷积层的卷积核大小为1×1，步长为1，Padding为0；第二个卷积层的卷积核大小为3×3，步长为1，Padding为1；两个卷积层输出的特征图再进入压缩-激励注意力层，通过压缩-激励的方式对缺陷特征进行聚焦。