[发明专利]一种基于改进卷积神经网络的太阳能电池板故障识别方法

权利要求书

1.一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，包括：

使用EL测试仪作为太阳能电池板障图像采集工具，采集太阳能电池板故障图像。

2.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，采用上采样的方式制作故障数据集，对这些图像经过旋转90°、180°、270°和左右翻转的操作。

3.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，所述方法使用labelImg软件对每个图像样本进行故障标记。

4.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，所述方法对太阳能电池板故障图像预处理，包括：

对所述太阳能电池板故障图像进行样本格式统一，使采集到的太阳能电池板故障图像数据集能够更好的符合YOLOv3网络所需要的图像数据集样本格式要求。

对所述太阳能电池板故障图像进行剪裁和大小调整，使输入图片的大小满足YOLOv3神经网络要求。

对所述太阳能电池板故障图像去均值和归一化，使全部图片信息进行数据特征标准化并且减少网络训练时间。

5.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，所述方法采用自适应学习率方法，解决学习率配置问题。公式如(1)所示：

公式(4-9)中增量因子k_inc1、阻尼因子k_dam1、L(n)是损失函数、η(n)为本轮的学习率。

6.根据权利要求2所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，利用数据平衡方式得到合适的故障图像数据集数量，最后制作适合网络训练的太阳能电池板Pascal VOC数据集。

7.根据权利要求3所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，然后采用labelImg软件对预处理操作完成的故障图像的故障类别和位置进行人工标注，得到相应的数据集标签。

8.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，所述YOLOv3网络是由卷积层(Conv2d)、一批归一化(BN)和激活函数(LeakyReLu函数)按一定顺序串联构成。

9.根据权利要求8所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，Res_unit(残差单元块)包括一个1×1的DBL结构和一个3×3的DBL结构，两个DBL连接之后的输出都会和上一层的输出进行add(相加)，得到的新的输出会继续送入下一层的Res_unit中。Resn(残差块)，该结构包括一个零填充块(zero padding)、一个DBL和n个Res_unit。

10.根据权利要求1所述的一种基于改进卷积神经网络的太阳能电池板故障识别方法，其特征在于，所述预设值是预先对输入图像对设置的标签，通过所述标签可判断太阳能电池板故障类型。