[发明专利]一种基于卷积神经网络的光伏组件间距不良缺陷检测方法

权利要求书

1.一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：其方法步骤为：

步骤1：定位电池片的位置，并截取电池片之间的ROI区域；

步骤2：利用卷积神经网络模型，对ROI图像块进行特征提取，并进行语义分割，即对每个像素二分类，判断其为前景还是背景；

步骤3：对网络输出的结果进行后处理，并计算电池片之间的距离；

步骤4：将计算得到的各个电池片的间距和设定的阈值比较，如果超出阈值，则判定电池片的间距存在异常，反之判定为正常。

2.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：其中步骤1的ROI区域提取方法为：

(1)通过去噪、轮廓提取方法提取出每个电池片的轮廓；

(2)获得粗略的电池片位置信息；

(3)根据定位的电池片位置，截取每两个电池片之间的区域作为ROI区域；

(4)对水平方向的ROI图像块进行90度旋转操作，以得到统一的垂直电池片方向。

3.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：其中步骤2中的卷积神经网络模型采用UNet分割网络提取图像特征，输出光伏组件的语义分割结果。

4.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：选取步骤3中的网络输出结果中表征前景概率的特征图，将特征图二值化并缩放到输入图像大小，得到图像分割的掩码结果图，计算掩码中前景目标的高度，得到两电池片之间以像素值为单位的距离值。

5.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：其中步骤4进一步的方法为提前设定阈值区间：[a，b]，计算采集图像的像素值与毫米之间的比值，将像素值距离换算为以毫米为单位的实际距离d，如果计算得到的距离d超出阈值区间，即d≤a或d≥b，则判定其存在间距不良缺陷，否则为正常样本。

6.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其特征在于：其中步骤4中阈值设定方法为：

S1、统计分析正常样本的距离阈值区间；离线采集大量的正常样本和异常样本，执行上述步骤1到步骤3，得到正常样本阈值区间[a_p，b_p]，异常样本阈值区间(0，a_n)和(b_n，+∞)，则容易得到a_n≤a≤a_p≤b_p≤b≤b_n；

S2、做区间映射，即将度量方法计算得到的距离映射到毫米度量空间中；任取一样本，假定其经过步骤1到步骤3计算得到的间距为x，现将其映射到毫米度量空间中，记映射后的距离为x；若采用正常样本做阈值区间映射，即将[a_p，b_p]映射到区间[a，b]中，则按照此映射方式可以得到x为正样本的条件为：即同理可以得到采用异常样本做阈值区间映射得到的x为正样本的条件为：

S3、阈值区间校正；对阈值区间做了如下校正：

即最终采用阈值区间取代阈值区间[a，b]来做缺陷判别。