CN118657784B - 一种基于无人机采集光伏组件图像的脱焊检测方法 - Google Patents
一种基于无人机采集光伏组件图像的脱焊检测方法 Download PDFInfo
- Publication number
- CN118657784B CN118657784B CN202411150728.2A CN202411150728A CN118657784B CN 118657784 B CN118657784 B CN 118657784B CN 202411150728 A CN202411150728 A CN 202411150728A CN 118657784 B CN118657784 B CN 118657784B
- Authority
- CN
- China
- Prior art keywords
- expressed
- function
- layer
- training
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 93
- 230000008569 process Effects 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000003466 welding Methods 0.000 claims description 16
- 238000007906 compression Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 3
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000007670 refining Methods 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 18
- 229910000679 solder Inorganic materials 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于无人机采集光伏组件图像的脱焊检测方法，包括以下步骤：S1、数据采集与标注；S2、采用基于潜在信息扩散的生成对抗网络进行样本生成，进而实现数据扩充；S3、采用基于异构蜂群算法优化的神经网络特征提取模型进行模型训练；S4、采用基于组合压缩感知的自编码器算法用于特征降维模型训练；S5、采用基于核密度估计的支持向量机分类算法，将降维后的数据输入到分类器中进行分类器的训练；S6、脱焊检测，判断其是否为脱焊区域。本发明通过数据扩充和优化的模型训练方法，可以提高脱焊检测的准确性和可靠性，减少误报率和漏报率；还可以提高脱焊检测的实时性，使其能够快速应用于实际生产中，及时发现和处理脱焊问题。
Description
技术领域
本发明属于数据处理方法领域，具体涉及一种基于无人机采集光伏组件图像的脱焊检测方法。
背景技术
光伏组件是太阳能发电系统的核心组成部分，其质量直接影响着太阳能发电系统的性能和可靠性。在光伏组件的制造过程中，焊接是一个重要的工艺步骤，负责将光伏电池片、电池片与电池片之间的连接线等部件焊接成组件。焊接质量的好坏直接影响到组件的性能和寿命。
然而，在光伏组件的运行和使用过程中，可能会出现焊点脱焊的情况，即焊点与电池片或连接线之间的连接出现松动或断裂。焊点脱焊会导致电流传输不畅或断开，影响组件的发电效率，甚至可能造成组件的损坏和太阳能发电系统的故障。因此，及时检测和修复焊点脱焊问题对于保障太阳能发电系统的稳定运行至关重要。
针对上述问题，申请号为CN202211343209.9的中国发明专利提出一种用于识别焊接射线底片缺陷的方法，包括：获得关于历史焊接射线底片的图像，并对历史底片图像的缺陷特征进行标注，得到第一缺陷特征，而后将历史底片图像输入至预设的缺陷识别模型中得到第二缺陷特征，其中，缺陷识别模型为基于预设机器学习模型训练而成；将第一缺陷特征和第二缺陷特征进行对比分析，并根据分析结果来调整缺陷识别模型；利用调整后的缺陷识别模型，分析待识别焊接射线底片的缺陷特征。本发明实现了对数字化焊接射线底片的缺陷的有效识别，解决了大容量数字化底片的存储问题，并且提高了对数字化底片文件的读取效率。申请号为CN202410215133.4的中国发明专利提出一种基于机器视觉的焊缝缺陷识别和分类方法，本发明通过采集得到当前工件的焊接视频数据，采用焊接缺陷识别模型对其进行识别判定，基于判定结果中包含的缺陷识别信号为“1”的情况，依据分析得到的每种规格工件对应焊缝缺陷的前置和后置回溯时长，以当前工件的追溯时刻为基点，从其的焊接视频数据截取出清理基准视频数据，输入到清理策略生成模型得到当前工件对应的清理策略，通过这种方式，对工件的焊接视频数据中过多不必要的视频数据进行缩减，使输入到清理策略生成模型中的数据大大降低，提高了清理策略生成模型识别的效率，且缩减过程中保留了必要的视频数据，保证了模型识别的质量，使清理策略生成模型的使用更加的智能。申请号为CN202110992821.8的中国发明专利提出一种通过图像识别芯片焊接缺陷的方法、装置及存储介质。方法包括以下步骤：获取目标图像，目标图像中包括芯片引脚焊接完成后焊接区；使得目标图像输入神经网络算法；基于神经网络算法，确定位于目标图像中的缺陷区域形状和/或位置；基于缺陷区域形状和/或位置，确定缺陷类别；神经网络算法包括计算机视觉算法、目标检测算法和结合专家知识库语义分割算法；计算机视觉算法用于确定引脚歪斜的缺陷区域形状和/或位置，结合专家知识库语义分割算法用于确定低发生频率的缺陷区域形状和/或位置，目标检测算法用于确定延伸区域过短的缺陷区域形状和/或位置。
上述技术方案创新性好，但同时存在以下问题仍需进一步解决：1、在实际应用中，获取大量高质量的训练样本可能会面临困难，特别是针对特定场景或问题时，样本数量不足可能影响模型的泛化能力和检测效果。2、一些优化方法可能需要较长的训练时间和大量的计算资源，特别是针对复杂的神经网络结构和大规模数据集时，训练成本较高。3、在某些情况下，优化的模型可能对特定场景或数据分布过于敏感，导致模型的泛化能力受到限制，不适用于更广泛的应用场景。
发明内容
本发明的目的是提出一种基于无人机采集光伏组件图像的脱焊检测方法，通过数据扩充和优化的模型训练方法，可以提高脱焊检测的准确性和可靠性，减少误报率和漏报率；还可以提高脱焊检测的实时性，使其能够快速应用于实际生产中，及时发现和处理脱焊问题。
本发明采取的技术方案是：
一种基于无人机采集光伏组件图像的脱焊检测方法，包括以下步骤：
S1、数据采集与标注：
通过无人机搭载的高分辨率摄像头对光伏组件进行拍摄，采集到图像数据，并存储为JPEG格式；
对采集到的图像数据进行自动标注，标注类别包括正常焊点和脱焊点2个类别；
S2、数据扩充：
在本任务中，训练数据的采集获取、标注及预处理是耗时耗力的，且训练样本不足容易导致模型泛化能力差，同时影响模型的精度。
采用基于潜在信息扩散的生成对抗网络进行样本生成，进而实现数据扩充；所述基于潜在信息扩散的生成对抗网络包括两部分：生成器（G）和判别器（D）。生成器负责创建与真实图像几乎无法区分的新图像，判别器则尝试区分生成的图像与真实图像。传统的生成对抗网络损失函数基于概率分布距离的估计，如KL散度或JS散度，具体通过加强生成图像与真实图像在高级特征层面的相似度，来确保生成的图像在视觉上与真实图像无法区分，同时保持光伏组件图像的关键结构特征。
基于潜在信息扩散的生成对抗网络算法的训练流程如下：
S201、初始化生成器G和判别器D的参数，其中，生成器G和判别器D的权重和偏差采用随机初始化的方式设置，设生成器的参数为和判别器的参数为，则初始化的方式分别表示为：
;
式中，表示均值为0、协方差矩阵为单位矩阵的高斯分布；
S202、生成器G接收随机噪声，通过网络生成图像，表示为：
;
其中，的实现基于ReLU激活函数，表示为：
;
式中，为生成器操作函数，z表示输入的随机噪声向量，和分别是生成器的权重和偏差，表示ReLU激活函数；
通过对随机噪声数据的一系列卷积层处理得到，通过批归一化层调整得到，分别表示为：
;
式中，、和是通过奇异值分解，从随机初始化的权重矩阵中得到，和是批归一化层的参数，是输入噪声的第个元素，m是噪声向量的维度；
S203、判别器D同时接收来自生成器的图像和真实的光伏图像x，判别器输出为和，分别代表对真实图像和生成图像的判别结果，分别表示为：
;
式中，是Sigmoid激活函数，和是判别器的权重和偏差；
S204、利用确定性等价损失函数评估生成图像与真实图像之间的相似度，并反馈至生成器和判别器，损失函数的计算方式表示为：
;
式中，是真实数据分布，是噪声分布，表示从数据中提取的高级特征的映射函数，是平衡对抗损失和特征相似性的超参数，表示期望，表示服从于特定分布；
其中，通过额外的特征提取网络来实现，该网络由多个卷积和池化层组成，表示为：
;
式中，表示卷积操作，和是特征提取网络的权重和偏差，是tanh双曲正切激活函数；
S205、通过多轮的对抗训练，不断更新和来优化生成器和判别器的性能，更新方式分别表示为：
;
式中，和为更新后的生成器和判别器的参数，是生成对抗网络的学习率；
其中，由预设的性能监控函数实现动态调整，性能监控函数的计算方式表示为：
;
式中，和分别表示当前和上一次迭代的损失，是调整权重因子；
S206、重复迭代步骤S201-S205，直至满足预设的停止迭代条件，即表示模型训练完成；
S3、特征提取模型训练：
将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用基于异构蜂群算法优化的神经网络特征提取模型，所述基于异构蜂群算法优化的神经网络特征提取模型利用多种蜂群行为模型来优化神经网络的权重和结构，使其能更有效地识别和提取光伏组件图像中的关键特征，如焊点的完整性和异常状况。
该算法的训练流程如下：
S301、初始化深度神经网络结构，该结构包含3个卷积层、1个激活层和1个池化层；设神经网络具有L层，第层的权重和偏置初始化为：
;
式中，表示均值为0、方差为的正态分布，用以初始化权重；为偏置，初始化为0；
S302、采用异构蜂群优化机制来细化和优化网络权重，所述异构蜂群优化算法模拟自然界中蜂群的行为，通过寻找最优解来调整网络参数，实现高效的全局搜索和局部精细调整。设为网络参数集，异构蜂群算法优化每一层参数的更新过程如下：
S3021、蜜蜂算法优化：
;
式中，是当前迭代中表现最好的权重，是随机选择的权重，和是控制搜索范围的学习因子；
根据蜜蜂的舞蹈行为模拟计算得到学习因子和，用以控制搜索的强度和方向，通过以下方式动态调整：
;
式中，和是初始最大值；是衰减系数；表示当前迭代的时间步；
S3022、蚁群优化：
;
式中，是第个蚂蚁为偏置提出的修改建议，是学习率，K是蚂蚁的总数；
每个蚂蚁对偏置的建议是基于蚂蚁观察到的局部最优路径得到的，计算方式表示为：
;
式中，是第个蚂蚁在其路径上找到的局部最优偏置值，是信息素的影响因子，控制局部搜索和历史信息的权重；
S303、在特征提取过程中，网络会根据从前层学习到的信息，动态调整后续层的结构和连接权重，其中，对每层的输出应用空间演化操作，调整特征映射的方式表示为：
;
式中，是调整得到的特征映射，是层的空间演化系数，是对应用池化操作的结果，用以模拟特征的局部聚合效应；
S304、在每次迭代后，根据蜂群算法的反馈更新学习率和权重调整策略，分别表示为：
;
式中，是对学习率调整的灵敏度参数，是损失函数关于时间的导数，是损失函数关于权重的梯度，是更新学习率后得到的权重，是更新后的学习率；
S305、重复迭代步骤S301-S304，直至满足预设的停止迭代条件，即表示模型训练完成；
S4、特征降维模型训练：
将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，采用基于组合压缩感知的自编码器算法用于特征降维，所述基于组合压缩感知的自编码器包括编码器和解码器两部分，编码器负责将高维输入转换为低维表示，解码器则尝试从这个低维表示恢复原始输入。具体采用组合压缩感知策略，改进编码过程中的数据压缩效率和准确性。
该算法的训练流程如下：
S401、初始化自编码器的网络参数，设初始权重和偏置对于每一层的网络参数初始化方式为：
;
式中，表示权重初始化采用均值为0、标准差为的高斯分布；表示偏置初始化为0；
S402、将步骤S3中特征提取得到的输入特征向量通过编码器层逐层传递，每一层应用线性变换和非线性激活函数，直至生成压缩的低维特征表示，可表示为：
;
式中，表示编码器前一层的输出，表示编码器当前层的输出，是编码器当前层的加权输入，是ReLU非线性激活函数；
S403、利用组合压缩感知策略对低维特征表示进一步压缩，压缩时，选择最具信息量的特征组合，使低维特征表示在压缩前后的重建误差最小化，表示为：
;
式中，是从训练数据中学习得到的压缩矩阵，用以减少特征维度；是最后一个编码层的输出；是压缩后的特征表示；
通过随机投影方法计算得到压缩矩阵，表示为：
;
式中，R是一个维的矩阵，其元素取自标准正态分布；d是原始数据的维度，p是压缩后的维度，是归一化因子；
S404、低维特征表示通过解码器逐层扩展回原始特征空间的维度，每一层同样应用线性和非线性变换，逆向重建输入数据的方式表示为：
;
式中,表示解码器前一层的输出，表示解码器当前层的输出，和分别是解码层的权重和偏置，为ReLU非线性激活函数；
S405、整个网络的训练目标是输入特征和重建特征之间的差异最小化，所述差异通过总损失函数表示，即，采用均方误差作为损失函数，并采用正则化项以防止过拟合，进而，总损失函数的计算方式表示为：
;
式中，x是输入特征，是重建输出，是均方误差，是权重的正则化，是正则化系数；
S406、基于损失函数，通过反向传播算法计算梯度，并更新网络参数，具体采用梯度下降法更新参数，表示为：
;
式中,和表示更新后的权重和偏置参数，是学习率；
S407、重复迭代步骤S401-S406，直至满足预设的停止迭代条件，即表示模型训练完成；
S5、分类器模型训练：
采用基于核密度估计的支持向量机分类算法，将降维后的数据输入到分类器中进行分类器的训练，在传统的支持向量机框架中采用混合反馈机制，结合来自先前检测结果的反馈信息，以动态调整分类边界。
该算法的训练流程如下：
S501、初始化支持向量机，并采用高斯径向基函数作为核函数，表达式为：
;
式中，和分别是两个特征向量，是核函数的宽度参数，控制函数的衰减速度；
其中，的计算方式表示为：
;
式中，是样本特征向量之间距离的方差；
S502、将降维后得到的低维特征向量作为输入，训练支持向量机分类器，具体采用序列最小优化算法求解得到支持向量和决策函数，包括寻找最优超平面和最大化边缘，由以下优化问题定义：
;
式中，是超平面的法向量，是截距，是松弛变量，是正则化参数；
S503、在初步训练后，采用混合反馈机制，设定反馈调整函数作为调整分类模型的决策边界，表示为：
;
式中，表示分类模型训练过程中的输入特征向量，为调整后的超平面的法向量，是支持向量机的初始预测函数，是真实标签，是调整强度，是学习率，是映射函数，将输入特征映射到高维空间，使非线性可分问题转化为线性可分；
S504、在独立的验证数据集上评估模型性能，所述验证数据集按照预设比例，从标注过的数据集中获取，并采用交叉验证法确定最优参数和，表示为：
;
式中，是第折交叉验证的错误率；
S505、最优参数和确定之后，即表示基于核密度估计的支持向量机分类算法训练完成；
S6、脱焊检测：
使用训练完成的模型对新采集的光伏组件图像进行脱焊检测，首先对采集到的新光伏组件图像利用训练好的特征提取模型提取关键特征，再将提取出的特征通过训练完成的数据降维模型转换为低维特征向量，最后，使用训练完成的分类器模型对降维后的特征向量进行分类，判断其是否为脱焊区域。
进一步地，在步骤S205中，基于的结果，动态调整学习率的方式表示为：
;
式中，是学习率调整的灵敏度参数，表示损失变化率，为当前迭代的学习率，为上一次迭代的学习率。
进一步地，在步骤S304中，损失变化率通过以下差分形式近似计算：
;
式中，和分别表示当前和前一时间步的损失值，是时间步的间隔，此处设置为1；
其中，损失函数的计算方式为：
;
式中，为交叉熵损失，为正则化项损失，正则化项损失用于评估特征的分散度和模型的过拟合情况。
正则化项损失的计算方式表示为：
;
式中，表示第层的参数，表示L2范数，表示动态正则化权重，L表示特征提取神经网络的层数；
动态正则化权重的计算方式表示为：
;
式中，是正则化权重的最大值，是特征的局部敏感性指标，是调整系数；
特征的局部敏感性指标的计算方式表示为：
;
式中，是第层第n个样本的激活输出，是计算激活输出标准差的函数，N是样本数量。
进一步地，在步骤S504中，根据交叉验证的错误率动态调整学习率，即，在训练过程中，如果误差减少，则逐渐增加学习率以加快收敛；如果误差增加，则减小学习率以稳定训练过程，学习率的调整策略表示为：
;
式中，是第次迭代的学习率,是第次迭代的学习率，是调整因子，是符号函数；
其中，表示连续两次迭代的误差变化量，第次迭代的误差和第次迭代的误差分别表示为：
;
式中，N是样本总数，是样本的真实标签，是分类决策函数，是第次迭代的模型参数，表示。
本发明的有益效果：
1、采用基于潜在信息扩散的生成对抗网络进行数据扩充，通过生成器生成与真实图像相似的图像，以增加训练样本的数量和多样性。
2、利用异构蜂群算法优化的神经网络进行特征提取，采用组合压缩感知的自编码器算法进行特征降维，可以更有效地识别和提取光伏组件图像中的关键特征。
3、基于核密度估计的支持向量机分类算法中采用混合反馈策略，动态调整分类边界，以更准确地进行分类。
基于上述创新点，产生的技术效果如下：
1、通过数据扩充和优化的模型训练方法，可以提高脱焊检测的准确性和可靠性，减少误报率和漏报率。
2、优化的模型和算法可以提高脱焊检测的实时性，使其能够快速应用于实际生产中，及时发现和处理脱焊问题。
具体实施方式
一种基于无人机采集光伏组件图像的脱焊检测方法，包括以下步骤：
S1、数据采集与标注：
本发明通过无人机搭载的高分辨率摄像头对光伏组件进行拍摄，采集到图像数据，并存储为JPEG格式；
对采集到的图像数据进行自动标注，标注类别包括正常焊点和脱焊点2个类别；
S2、数据扩充：
在本发明任务中，训练数据的采集获取、标注及预处理是耗时耗力的，且训练样本不足容易导致模型泛化能力差，同时影响模型的精度。
采用基于潜在信息扩散的生成对抗网络进行样本生成，进而实现数据扩充；所述基于潜在信息扩散的生成对抗网络包括两部分：生成器（G）和判别器（D）。生成器负责创建与真实图像几乎无法区分的新图像，判别器则尝试区分生成的图像与真实图像。传统的生成对抗网络损失函数基于概率分布距离的估计，如KL散度或JS散度，本发明通过加强生成图像与真实图像在高级特征层面的相似度，来确保生成的图像在视觉上与真实图像无法区分，同时保持光伏组件图像的关键结构特征。
基于潜在信息扩散的生成对抗网络算法的训练流程如下：
S201、初始化生成器G和判别器D的参数，其中，生成器G和判别器D的权重和偏差采用随机初始化的方式设置，设生成器的参数为和判别器的参数为，则初始化的方式分别表示为：
;
式中，表示均值为0、协方差矩阵为单位矩阵的高斯分布；
S202、生成器G接收随机噪声，通过网络生成图像，表示为：
;
其中，的实现基于ReLU激活函数，表示为：
;
式中，为生成器操作函数，z表示输入的随机噪声向量，和分别是生成器的权重和偏差，表示ReLU激活函数；
通过对随机噪声数据的一系列卷积层处理得到，通过批归一化层调整得到，分别表示为：
;
式中，、和是通过奇异值分解，从随机初始化的权重矩阵中得到，和是批归一化层的参数，是输入噪声的第个元素，m是噪声向量的维度；优选地，和分别设置为10和0.5。
S203、判别器D同时接收来自生成器的图像和真实的光伏图像x，判别器输出为和，分别代表对真实图像和生成图像的判别结果，分别表示为：
;
式中，是Sigmoid激活函数，和是判别器的权重和偏差；
S204、利用确定性等价损失函数评估生成图像与真实图像之间的相似度，并反馈至生成器和判别器，损失函数的计算方式表示为：
;
式中，是真实数据分布，是噪声分布，表示从数据中提取的高级特征的映射函数，是平衡对抗损失和特征相似性的超参数，表示期望，表示服从于特定分布；优选地，设置为0.3。
其中，通过额外的特征提取网络来实现，该网络由多个卷积和池化层组成，表示为：
;
式中，表示卷积操作，和是特征提取网络的权重和偏差，是tanh双曲正切激活函数；
S205、通过多轮的对抗训练，不断更新和来优化生成器和判别器的性能，更新方式分别表示为：
;
式中，和为更新后的生成器和判别器的参数，是生成对抗网络的学习率；优选地，采用动态调整的方式设置，其初始值设置为0.001。
其中，由预设的性能监控函数实现动态调整，性能监控函数的计算方式表示为：
;
式中，和分别表示当前和上一次迭代的损失，是调整权重因子；优选地，设置为0.3。
基于的结果，动态调整学习率的方式表示为：
;
式中，是学习率调整的灵敏度参数，表示损失变化率，为当前迭代的学习率，为上一次迭代的学习率；优选地，设置为3。
S206、重复迭代步骤S201-S205，直至满足预设的停止迭代条件，即表示模型训练完成；在本实施例中，预设的停止迭代条件为达到预设的最大迭代次数，设置为1000次。
S3、特征提取模型训练：
将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用基于异构蜂群算法优化的神经网络特征提取模型，所述基于异构蜂群算法优化的神经网络特征提取模型利用多种蜂群行为模型来优化神经网络的权重和结构，使其能更有效地识别和提取光伏组件图像中的关键特征，如焊点的完整性和异常状况。
该算法的训练流程如下：
S301、初始化深度神经网络结构，该结构包含3个卷积层、1个激活层和1个池化层；设神经网络具有L层，在本实施例中，L等于5，第层的权重和偏置初始化为：
;
式中，表示均值为0、方差为的正态分布，用以初始化权重；为偏置，初始化为0；
S302、采用异构蜂群优化机制来细化和优化网络权重，所述异构蜂群优化算法模拟自然界中蜂群的行为，通过寻找最优解来调整网络参数，实现高效的全局搜索和局部精细调整。设为网络参数集，异构蜂群算法优化每一层参数的更新过程如下：
S3021、蜜蜂算法优化：
；
式中，是当前迭代中表现最好的权重，是随机选择的权重，和是控制搜索范围的学习因子；
根据蜜蜂的舞蹈行为模拟计算得到学习因子和，用以控制搜索的强度和方向，通过以下方式动态调整：
；
式中，和是初始最大值，优选地，和均设定为1.0；是衰减系数，优选地，设定为0.1；表示当前迭代的时间步；
S3022、蚁群优化：
；
式中，是第个蚂蚁为偏置提出的修改建议，是学习率，K是蚂蚁的总数；优选地，设置为0.001。
每个蚂蚁对偏置的建议是基于蚂蚁观察到的局部最优路径得到的，计算方式表示为：
;
式中，是第个蚂蚁在其路径上找到的局部最优偏置值，是信息素的影响因子，控制局部搜索和历史信息的权重；优选地，取值在[0.1，0.5]范围内。
S303、在特征提取过程中，网络会根据从前层学习到的信息，动态调整后续层的结构和连接权重，其中，对每层的输出应用空间演化操作，调整特征映射的方式表示为：
;
式中，是调整得到的特征映射，是层的空间演化系数，是对应用池化操作的结果，用以模拟特征的局部聚合效应；优选地，设置为0.01。
S304、在每次迭代后，根据蜂群算法的反馈更新学习率和权重调整策略，分别表示为：
;
式中，是对学习率调整的灵敏度参数，是损失函数关于时间的导数，是损失函数关于权重的梯度，是更新学习率后得到的权重，是更新后的学习率；优选地，设置为0.01。
损失变化率通过以下差分形式近似计算：
;
式中，和分别表示当前和前一时间步的损失值，是时间步的间隔，在本发明中设置为1；
其中，损失函数的计算方式为：
；
式中，为交叉熵损失，为正则化项损失，正则化项损失用于评估特征的分散度和模型的过拟合情况。
正则化项损失的计算方式表示为：
；
式中，表示第层的参数，表示L2范数，表示动态正则化权重，L表示特征提取神经网络的层数；
动态正则化权重的计算方式表示为：
;
式中，是正则化权重的最大值，是特征的局部敏感性指标，是调整系数；优选地，设置为0.4。
特征的局部敏感性指标的计算方式表示为：
;
式中，是第层第n个样本的激活输出，是计算激活输出标准差的函数，N是样本数量。
S305、重复迭代步骤S301-S304，直至满足预设的停止迭代条件，即表示模型训练完成；在本实施例中，预设的停止迭代条件为达到预设的最大迭代次数，设置为1000次。
S4、特征降维模型训练：
将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，采用基于组合压缩感知的自编码器算法用于特征降维，所述基于组合压缩感知的自编码器包括编码器和解码器两部分，编码器负责将高维输入转换为低维表示，解码器则尝试从这个低维表示恢复原始输入。本发明采用组合压缩感知策略，改进编码过程中的数据压缩效率和准确性。
该算法的训练流程如下：
S401、初始化自编码器的网络参数，设初始权重和偏置对于每一层的网络参数初始化方式为：
;
式中，表示权重初始化采用均值为0、标准差为的高斯分布；表示偏置初始化为0；
优选地，自编码器的编码层设计为具有三层全连接层，每层的神经元数目设置为1024、512、和256。
S402、将步骤S3中特征提取得到的输入特征向量通过编码器层逐层传递，每一层应用线性变换和非线性激活函数，直至生成压缩的低维特征表示，可表示为：
;
式中，表示编码器前一层的输出，表示编码器当前层的输出，是编码器当前层的加权输入，是ReLU非线性激活函数；
S403、利用组合压缩感知策略对低维特征表示进一步压缩，压缩时，选择最具信息量的特征组合，使低维特征表示在压缩前后的重建误差最小化，表示为：
;
式中，是从训练数据中学习得到的压缩矩阵，用以减少特征维度；是最后一个编码层的输出；是压缩后的特征表示；
通过随机投影方法计算得到压缩矩阵，表示为：
;
式中，R是一个维的矩阵，其元素取自标准正态分布；；d是原始数据的维度，p是压缩后的维度，是归一化因子；
S404、低维特征表示通过解码器逐层扩展回原始特征空间的维度，每一层同样应用线性和非线性变换，逆向重建输入数据的方式表示为：
;
式中,表示解码器前一层的输出，表示解码器当前层的输出，和分别是解码层的权重和偏置，为ReLU非线性激活函数；
S405、整个网络的训练目标是输入特征和重建特征之间的差异最小化，所述差异通过总损失函数表示，即，采用均方误差作为损失函数，并采用正则化项以防止过拟合，进而，总损失函数的计算方式表示为：
;
式中，x是输入特征，是重建输出，是均方误差，是权重的L2正则化，是正则化系数；优选地，设置为0.4。
S406、基于损失函数，通过反向传播算法计算梯度，并更新网络参数，本发明采用梯度下降法更新参数，表示为：
;
式中,和表示更新后的权重和偏置参数，是学习率；优选地，学习率设置为0.01。
S407、重复迭代步骤S401-S406，直至满足预设的停止迭代条件，即表示模型训练完成；在本实施例中，预设的停止迭代条件为达到预设的最大迭代次数，设置为1000次。
S5、分类器模型训练：
采用基于核密度估计的支持向量机分类算法，将降维后的数据输入到分类器中进行分类器的训练，在传统的支持向量机框架中采用混合反馈机制，结合来自先前检测结果的反馈信息，以动态调整分类边界。
该算法的训练流程如下：
S501、初始化支持向量机，并采用高斯径向基函数作为核函数，表达式为：
;
式中，和分别是两个特征向量，是核函数的宽度参数，控制函数的衰减速度；
其中，的计算方式表示为：
;
式中，是样本特征向量之间距离的方差；
S502、将降维后得到的低维特征向量作为输入，训练支持向量机分类器，本发明采用序列最小优化算法求解得到支持向量和决策函数，包括寻找最优超平面和最大化边缘，由以下优化问题定义：
;
式中，是超平面的法向量，是截距，是松弛变量，是正则化参数；
S503、在初步训练后，采用混合反馈机制，设定反馈调整函数作为调整分类模型的决策边界，表示为：
;
式中，表示分类模型训练过程中的输入特征向量，为调整后的超平面的法向量，是支持向量机的初始预测函数，是真实标签，是调整强度，是学习率，是映射函数，将输入特征映射到高维空间，使非线性可分问题转化为线性可分；优选地，设置为0.3，为动态调整的方式设置，初始设置为0.001。
S504、在独立的验证数据集上评估模型性能，所述验证数据集按照预设比例，从标注过的数据集中获取，并采用交叉验证法确定最优参数和，表示为：
;
式中，是第折交叉验证的错误率；
根据交叉验证的错误率动态调整学习率，即，在训练过程中，如果误差减少，则逐渐增加学习率以加快收敛；如果误差增加，则减小学习率以稳定训练过程，学习率的调整策略表示为：
;
式中，是第次迭代的学习率,是第次迭代的学习率，是调整因子，是符号函数；优选地，设置为0.5。
其中，表示连续两次迭代的误差变化量，第次迭代的误差和第次迭代的误差分别表示为：
;
式中，N是样本总数，是样本的真实标签，是分类决策函数，是第次迭代的模型参数，表示；
S505、最优参数和确定之后，即表示基于核密度估计的支持向量机分类算法训练完成。
S6、脱焊检测：
使用训练完成的模型对新采集的光伏组件图像进行脱焊检测，在本实施例中，对采集到的新光伏组件图像利用训练好的特征提取模型提取关键特征，进一步地，将提取出的特征通过训练完成的数据降维模型转换为低维特征向量，进一步地，使用训练完成的分类器模型对降维后的特征向量进行分类，判断其是否为脱焊区域。在本实施例中，识别的类别包括“正常焊点”、“脱焊点”，共2个类别。
Claims (4)
1.一种基于无人机采集光伏组件图像的脱焊检测方法，其特征在于，包括以下步骤：
S1、数据采集与标注：
通过无人机搭载的高分辨率摄像头对光伏组件进行拍摄，采集到图像数据，并存储为JPEG格式；
对采集到的图像数据进行自动标注，标注类别包括正常焊点和脱焊点2个类别；
S2、数据扩充：
采用基于潜在信息扩散的生成对抗网络进行样本生成，进而实现数据扩充；基于潜在信息扩散的生成对抗网络算法的训练流程如下：
S201、初始化生成器G和判别器D的参数，其中，生成器G和判别器D的权重和偏差采用随机初始化的方式设置，设生成器的参数为和判别器的参数为，则初始化的方式分别表示为：
；
式中，表示均值为0、协方差矩阵为单位矩阵的高斯分布；
S202、生成器G接收随机噪声，通过网络生成图像，表示为：
;
其中，的实现基于ReLU激活函数，表示为：
;
式中，为生成器操作函数，z表示输入的随机噪声向量，和分别是生成器的权重和偏差，表示ReLU激活函数；
通过对随机噪声数据的一系列卷积层处理得到，通过批归一化层调整得到，分别表示为：
;
式中，、和是通过奇异值分解，从随机初始化的权重矩阵中得到，和是批归一化层的参数，是输入噪声的第个元素，m是噪声向量的维度；
S203、判别器D同时接收来自生成器的图像和真实的光伏图像x，判别器输出为和，分别代表对真实图像和生成图像的判别结果，分别表示为：
;
式中，是Sigmoid激活函数，和是判别器的权重和偏差；
S204、利用确定性等价损失函数评估生成图像与真实图像之间的相似度，并反馈至生成器和判别器，损失函数的计算方式表示为：
;
式中，是真实数据分布，是噪声分布，表示从数据中提取的高级特征的映射函数，是平衡对抗损失和特征相似性的超参数，表示期望，表示服从于特定分布；
其中，通过额外的特征提取网络来实现，该网络由多个卷积和池化层组成，表示为：
;
式中，表示卷积操作，和是特征提取网络的权重和偏差，是tanh双曲正切激活函数；
S205、通过多轮的对抗训练，不断更新和来优化生成器和判别器的性能，更新方式分别表示为：
;
式中，和为更新后的生成器和判别器的参数，是生成对抗网络的学习率；
其中，由预设的性能监控函数实现动态调整，性能监控函数的计算方式表示为：
;
式中，和分别表示当前和上一次迭代的损失，是调整权重因子；
S206、重复迭代步骤S201-S205，直至满足预设的停止迭代条件，即表示模型训练完成；
S3、特征提取模型训练：
将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用基于异构蜂群算法优化的神经网络特征提取模型，该算法的训练流程如下：
S301、初始化深度神经网络结构，该结构包含3个卷积层、1个激活层和1个池化层；设神经网络具有L层，第层的权重和偏置初始化为：
；
式中，表示均值为0、方差为的正态分布，用以初始化权重；为偏置，初始化为0；
S302、采用异构蜂群优化机制来细化和优化网络权重，设为网络参数集，异构蜂群算法优化每一层参数的更新过程如下：
S3021、蜜蜂算法优化：
；
式中，是当前迭代中表现最好的权重，是随机选择的权重，和是控制搜索范围的学习因子；
根据蜜蜂的舞蹈行为模拟计算得到学习因子和，用以控制搜索的强度和方向，通过以下方式动态调整：
；
式中，和是初始最大值；是衰减系数；表示当前迭代的时间步；
S3022、蚁群优化：
；
式中，是第个蚂蚁为偏置提出的修改建议，是学习率，K是蚂蚁的总数；
每个蚂蚁对偏置的建议是基于蚂蚁观察到的局部最优路径得到的，计算方式表示为：
;
式中，是第个蚂蚁在其路径上找到的局部最优偏置值，是信息素的影响因子，控制局部搜索和历史信息的权重；
S303、在特征提取过程中，网络会根据从前层学习到的信息，动态调整后续层的结构和连接权重，其中，对每层的输出应用空间演化操作，调整特征映射的方式表示为：
;
式中，是调整得到的特征映射，是层的空间演化系数，是对应用池化操作的结果，用以模拟特征的局部聚合效应；
S304、在每次迭代后，根据蜂群算法的反馈更新学习率和权重调整策略，分别表示为：
；
式中，是对学习率调整的灵敏度参数，是损失函数关于时间的导数，是损失函数关于权重的梯度，是更新学习率后得到的权重，是更新后的学习率；
S305、重复迭代步骤S301-S304，直至满足预设的停止迭代条件，即表示模型训练完成；
S4、特征降维模型训练：
将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，采用基于组合压缩感知的自编码器算法用于特征降维，该算法的训练流程如下：
S401、初始化自编码器的网络参数，设初始权重和偏置对于每一层的网络参数初始化方式为：
；
式中，表示权重初始化采用均值为0、标准差为的高斯分布；表示偏置初始化为0；
S402、将步骤S3中特征提取得到的输入特征向量通过编码器层逐层传递，每一层应用线性变换和非线性激活函数，直至生成压缩的低维特征表示，可表示为：
；
式中，表示编码器前一层的输出，表示编码器当前层的输出，是编码器当前层的加权输入，是ReLU非线性激活函数；
S403、利用组合压缩感知策略对低维特征表示进一步压缩，压缩时，选择最具信息量的特征组合，使低维特征表示在压缩前后的重建误差最小化，表示为：
；
式中，是从训练数据中学习得到的压缩矩阵，用以减少特征维度；是最后一个编码层的输出；是压缩后的特征表示；
通过随机投影方法计算得到压缩矩阵，表示为：
；
式中，R是一个维的矩阵，其元素取自标准正态分布；d是原始数据的维度，p是压缩后的维度，是归一化因子；
S404、低维特征表示通过解码器逐层扩展回原始特征空间的维度，每一层同样应用线性和非线性变换，逆向重建输入数据的方式表示为：
；
式中,表示解码器前一层的输出，表示解码器当前层的输出，和分别是解码层的权重和偏置，为ReLU非线性激活函数；
S405、整个网络的训练目标是输入特征和重建特征之间的差异最小化，所述差异通过总损失函数表示，即，采用均方误差作为损失函数，并采用正则化项以防止过拟合，进而，总损失函数的计算方式表示为：
；
式中，x是输入特征，是重建输出，是均方误差，是权重的正则化，是正则化系数；
S406、基于损失函数，通过反向传播算法计算梯度，并更新网络参数，具体采用梯度下降法更新参数，表示为：
；
式中,和表示更新后的权重和偏置参数，是学习率；
S407、重复迭代步骤S401-S406，直至满足预设的停止迭代条件，即表示模型训练完成；
S5、分类器模型训练：
采用基于核密度估计的支持向量机分类算法，将降维后的数据输入到分类器中进行分类器的训练，该算法的训练流程如下：
S501、初始化支持向量机，并采用高斯径向基函数作为核函数，表达式为：
；
式中，和分别是两个特征向量，是核函数的宽度参数，控制函数的衰减速度；
其中，的计算方式表示为：
；
式中，是样本特征向量之间距离的方差；
S502、将降维后得到的低维特征向量作为输入，训练支持向量机分类器，具体采用序列最小优化算法求解得到支持向量和决策函数，包括寻找最优超平面和最大化边缘，由以下优化问题定义：
；
式中，是超平面的法向量，是截距，是松弛变量，是正则化参数；
S503、在初步训练后，采用混合反馈机制，设定反馈调整函数作为调整分类模型的决策边界，表示为：
；
式中，表示分类模型训练过程中的输入特征向量，为调整后的超平面的法向量，是支持向量机的初始预测函数，是真实标签，是调整强度，是学习率，是映射函数，将输入特征映射到高维空间，使非线性可分问题转化为线性可分；
S504、在独立的验证数据集上评估模型性能，所述验证数据集按照预设比例，从标注过的数据集中获取，并采用交叉验证法确定最优参数和，表示为：
；
式中，是第k折交叉验证的错误率；
S505、最优参数和确定之后，即表示基于核密度估计的支持向量机分类算法训练完成；
S6、脱焊检测：
使用训练完成的模型对新采集的光伏组件图像进行脱焊检测，首先对采集到的新光伏组件图像利用训练好的特征提取模型提取关键特征，再将提取出的特征通过训练完成的数据降维模型转换为低维特征向量，最后，使用训练完成的分类器模型对降维后的特征向量进行分类，判断其是否为脱焊区域。
2.如权利要求1所述的一种基于无人机采集光伏组件图像的脱焊检测方法，其特征在于，在步骤S205中，基于的结果，动态调整学习率的方式表示为：
；
式中，是学习率调整的灵敏度参数，表示损失变化率，为当前迭代的学习率，为上一次迭代的学习率。
3.如权利要求1所述的一种基于无人机采集光伏组件图像的脱焊检测方法，其特征在于，在步骤S304中，损失变化率通过以下差分形式近似计算：
；
式中，和分别表示当前和前一时间步的损失值，是时间步的间隔，此处设置为1；
其中，损失函数的计算方式为：
；
式中，为交叉熵损失，为正则化项损失；
正则化项损失的计算方式表示为：
；
式中，表示第层的参数，表示范数，表示动态正则化权重，L表示特征提取神经网络的层数；
动态正则化权重的计算方式表示为：
；
式中，是正则化权重的最大值，是特征的局部敏感性指标，是调整系数；
特征的局部敏感性指标的计算方式表示为：
；
式中，是第层第n个样本的激活输出，是计算激活输出标准差的函数，N是样本数量。
4.如权利要求1所述的一种基于无人机采集光伏组件图像的脱焊检测方法，其特征在于，在步骤S504中，根据交叉验证的错误率动态调整学习率，即，在训练过程中，如果误差减少，则逐渐增加学习率以加快收敛；如果误差增加，则减小学习率以稳定训练过程，学习率的调整策略表示为：
；
式中，是第t次迭代的学习率,是第次迭代的学习率，是调整因子，是符号函数；
其中，表示连续两次迭代的误差变化量，第t次迭代的误差和第次迭代的误差分别表示为：
；
式中，N是样本总数，是样本的真实标签，是分类决策函数，是第t次迭代的模型参数，表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411150728.2A CN118657784B (zh) | 2024-08-21 | 2024-08-21 | 一种基于无人机采集光伏组件图像的脱焊检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411150728.2A CN118657784B (zh) | 2024-08-21 | 2024-08-21 | 一种基于无人机采集光伏组件图像的脱焊检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118657784A CN118657784A (zh) | 2024-09-17 |
| CN118657784B true CN118657784B (zh) | 2024-10-18 |
Family
ID=92702742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411150728.2A Active CN118657784B (zh) | 2024-08-21 | 2024-08-21 | 一种基于无人机采集光伏组件图像的脱焊检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118657784B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815562A (zh) * | 2016-12-19 | 2017-06-09 | 江苏慧眼数据科技股份有限公司 | 一种基于压缩特征的行人检测跟踪方法 |
| CN118129088A (zh) * | 2024-03-13 | 2024-06-04 | 新疆维吾尔自治区特种设备检验研究院 | 一种基于人工智能的压力管道电磁超声检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077471B (zh) * | 2021-03-26 | 2022-10-14 | 南京邮电大学 | 一种基于u型网络的医学图像分割方法 |
| CN118172364B (zh) * | 2024-05-14 | 2024-08-16 | 南京师范大学 | 一种基于人工智能的医学图像自动分析方法 |
| CN118394112B (zh) * | 2024-07-01 | 2024-08-20 | 辽宁高比科技有限公司 | 一种基于边缘计算的无人机控制系统决策方法 |
-
2024
- 2024-08-21 CN CN202411150728.2A patent/CN118657784B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815562A (zh) * | 2016-12-19 | 2017-06-09 | 江苏慧眼数据科技股份有限公司 | 一种基于压缩特征的行人检测跟踪方法 |
| CN118129088A (zh) * | 2024-03-13 | 2024-06-04 | 新疆维吾尔自治区特种设备检验研究院 | 一种基于人工智能的压力管道电磁超声检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118657784A (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036513B (zh) | 基于内存增强潜在空间自回归的图像异常检测方法 | |
| CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
| CN111553193A (zh) | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 | |
| CN113034483A (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
| CN108596203A (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
| CN111882554B (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
| CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
| CN106874879A (zh) | 基于多特征融合和深度学习网络提取的手写数字识别方法 | |
| CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
| CN114037001A (zh) | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 | |
| CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
| Saleh et al. | Tire defect detection model using machine learning | |
| CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
| CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
| Rethik et al. | Attention based mapping for plants leaf to classify diseases using vision transformer | |
| CN114463269A (zh) | 一种基于深度学习方法的芯片缺陷检测方法 | |
| CN118537816A (zh) | 基于计算机视觉和机器学习的智能图像识别方法 | |
| CN117593514B (zh) | 一种基于深层主成分分析辅助的图像目标检测方法及系统 | |
| CN118657784B (zh) | 一种基于无人机采集光伏组件图像的脱焊检测方法 | |
| CN118799619A (zh) | 一种图片内容批量识别与自动分类归档的方法 | |
| CN118333992A (zh) | 一种基于半监督学习的表面缺陷识别方法 | |
| CN117705059A (zh) | 一种自然资源遥感测绘影像定位方法及系统 | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN117152528A (zh) | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 | |
| CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |