一种隐裂检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及光伏技术领域，特别是涉及一种隐裂检测方法、装置、计算机设备和存储介质。

背景技术

随着光伏技术的快速发展，光伏发电作为太阳能利用的有效方式，已得到大规模推广应用。

目前，大面积铺设光伏板已经成为一些太阳能丰富地区的主要能源供应方式，而随着光伏板的大面积使用，也暴露出了新的问题，比如光伏板在温差、碰撞等环境中出现的隐裂缺陷，而光伏板出现隐裂缺陷时将影响正常供电。因此，不可避免地需要对户外工作的光伏板进行隐裂检测。

然而，由于光伏板铺设范围十分广泛，因而进行大面积的光伏板隐裂检测将非常麻烦。现有光伏板的隐裂检测技术是利用图像处理技术对光伏板图像进行识别处理后，得到光伏板的隐裂信息，然而现有图像处理技术较为单一化，不能应对复杂环境下的光伏板图像。具体表现为图像识别技术中使用的算法超参数难以针对不同的光伏板图像进行调整，而现有光伏板图像受灰尘、杂物等影响，具有很强的不确定性，导致光伏板的隐裂检测效果难以达到预期的精度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够改善现有隐裂检测缺陷的隐裂检测方法、装置、计算机设备和存储介质。

一种隐裂检测方法，所述方法包括：

接收现场目标光伏板的表面图像；

对表面图像进行裁剪预处理，获取待检测的图像块数据；

将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

在其中一个实施例中，接收现场目标光伏板的表面图像的步骤之前，包括：

搭建GoogLeNet网络架构；

预制备待训练的光伏板表面数据，且各光伏板表面数据标注有隐裂信息；

将光伏板表面数据输入到GoogLeNet网络架构中进行模型训练，生成GoogLeNet模型。

在其中一个实施例中， 搭建GoogLeNet网络架构的步骤，包括：

利用卷积层、池化层、卷积层构造特征编码器；

利用inception结构构造多尺度检测模块；

将多尺度检测模块分别连接特征编码器和线性层，以搭建GoogLeNet网络架构。

在其中一个实施例中， 将光伏板表面数据输入到GoogLeNet网络架构中进行模型训练的步骤，包括：

通过特征编码器对光伏表面数据进行特征提取，获取特征数据；

通过多尺度检测模块对特征数据进行不同检测精度的隐裂特征训练，获取训练结果；

通过线性层作为检测头接收训练结果后，输出光伏表面数据的检测结果。

在其中一个实施例中， 通过inception结构构造多尺度检测模块的步骤，包括：

利用inception结构预制备若干不同检测精度的检测模块，以对特征数据进行不同检测精度的隐裂检测；

将各检测模块之间进行残差连接，以搭建形成多尺度检测模块。

在其中一个实施例中， 对特征数据进行不同检测精度的隐裂检测的步骤，包括：

利用inception结构中的随机梯度下降算法对特征数据进行训练；

利用交叉熵损失函数进行监督，以使训练时得到最小的训练结果。

在其中一个实施例中， 预制备待训练的光伏板表面数据的步骤，包括：

采集户外工作后的光伏板的表面数据，或者，人为制造隐裂痕迹后采集光伏板的表面数据。

一种隐裂检测装置，装置包括：

图像接收模块，用于接收现场目标光伏板的表面图像；

图像裁剪模块，用于对表面图像进行裁剪预处理，获取待检测的图像块数据；

模型检测模块，用于将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

接收现场目标光伏板的表面图像；

对表面图像进行裁剪预处理，获取待检测的图像块数据；

将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收现场目标光伏板的表面图像；

对表面图像进行裁剪预处理，获取待检测的图像块数据；

将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

上述隐裂检测方法、装置、计算机设备和存储介质，由于采用了直接利用GoogLeNet模型对预处理后的光伏板的表面图像进行隐裂检测，改善了现有人工检测效率低以及图像识别技术单一化导致隐裂检测效果差的技术问题。通过GoogLeNet模型进行光伏板的多尺度检测，达到检测效果的同时，提高检测的精度和效率。

附图说明

图1为一个实施例中隐裂检测方法的应用环境图；

图2为一个实施例中隐裂检测方法的流程示意图；

图3为一个实施例中隐裂检测装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的隐裂检测方法，可以应用于如图1所示的应用环境中。其中，各终端20布置于光伏站点内，终端20通过网络与服务器10进行通信。各光伏站点内除了终端20还铺设有若干光伏板以及布置至少一个摄像装置30，摄像装置30与终端20连接，用于采集各个光伏板的表面图像，发送给终端20，而后终端20将收集的光伏板的表面图像传输给服务器10，通过服务器10利用隐裂检测方法对各个光伏板进行隐裂检测。

其中，终端20可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种隐裂检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S101，接收现场目标光伏板的表面图像。

步骤S102，对表面图像进行裁剪预处理，获取待检测的图像块数据。

步骤S103，将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

在一种实施例中，步骤S101，接收现场目标光伏板的表面图像的步骤之前，包括：

步骤S201，搭建GoogLeNet网络架构。

步骤S202，预制备待训练的光伏板表面数据，且各光伏板表面数据标注有隐裂信息。

在步骤S202，预制备待训练的光伏板表面数据的步骤，包括：采集户外工作后的光伏板的表面数据，或者，人为制造隐裂痕迹后采集光伏板的表面数据。

因此可以理解为，接收的现场目标光伏板的表面图像来自于实际户外工作一段时间的光伏板，模型训练时的光伏板表面数据来自于户外工作过一段时间的光伏板，或者来自于实验室内通过一些人工手段制造隐裂后采集的光伏板表面数据。

模型训练所需的光伏板表面数据包含具有隐裂和不具有隐裂的表面图像，可以包含有灰尘、杂物以及其他干扰正常图像识别任务的物体。

因此在步骤S102，对表面图像进行裁剪预处理，获取待检测的图像块数据的步骤中，将目标光伏板的表面图像裁剪为256*256大小的图像块数据。并对图像块数据进行数据增强，以及对每个图像块数据进行隐裂标注，以得到模型训练所需的训练数据。

步骤S203，将光伏板表面数据输入到GoogLeNet网络架构中进行模型训练，生成GoogLeNet模型。

其中，由于现有常规的卷积神经网络架构中通过增加网络深度和宽度来提升网络性能，从而导致参数太多、容易过拟合、计算复杂、难应用、网络越深越容易出现梯度弥散问题、难以优化模型，基于此，搭建GoogLeNet网络架构训练GoogLeNet模型，以避免上述存在的问题。

GoogLeNet网络架构中引入了Inception结构，以融合不同尺度的特征数据，使用1*1的卷积核进行降维及映射处理，以及添加两个辅助分类器帮助训练，丢弃常规卷积神经网络架构中所需要的全连接层，使用平均池化层，大大减少了模型参数，降低模型运算的复杂度。

在一种实施例中，步骤S201，搭建GoogLeNet网络架构的步骤，包括：

步骤S301，利用卷积层、池化层、卷积层构造特征编码器；

步骤S302，利用inception结构构造多尺度检测模块；

步骤S303，将多尺度检测模块分别连接特征编码器和线性层，以搭建GoogLeNet网络架构。

由于光伏板的隐裂纹路一般呈细长状，在某些角度具有较大的尺度，在某些角度具有较小的尺度，因此本实施例步骤S302中，利用inception结构构造多尺度检测模块，用于检测不同尺度的隐裂特征。

本实施例中采用inception结构构造多尺度检测模块。多尺度检测模型是一种并列结构，将特征数据同时输入到多尺度的inception结构中进行处理，并将输出结果按深度进行拼接，以得到最终输出结果。本实施例中采用inception结构，增加网络深度和宽度的同时，减少参数。其中，为了便于输出结果的拼接处理，本实施例中的每个特征数据的高和宽相同（即调整stride、padding相同）。在一种实施例中，为了降维（减少深度），减少模型训练参数以及减少计算量，在分支上加入卷积核大小为1*1的卷积层。进一步说明，当深度为512的特征数据使用64个大小为5*5的卷积核进行卷积，若不使用1*1卷积核进行降维的话，需要819200个参数，如果使用1*1卷积核进行降维，需要50688个参数，因此使用1*1卷积核后，参数明显少了很多。

进一步说明，特征编码器是一种神经网络模型，可用于学习原始数据的压缩表示，特征编码器由编码器和解码器子模型组成，编码器压缩输入，而解码器尝试根据编码器提供的压缩版本重新创建输入，训练后，将保存编码器模型，并丢弃解码器，然后，编码器可用作数据准备技术，对原始数据执行特征提取，以用于训练不同的机器学习模型。

进一步说明，线性层中的每个神经元与多尺度检测模块的所有神经元线性组合或线性变换，以融合多尺度检测模块输出的训练结果，并作为光伏板表面数据的检测结果。

在一种实施例中，步骤S203，将光伏板表面数据输入到GoogLeNet网络架构中进行模型训练的步骤，包括：

步骤S401，通过特征编码器对光伏表面数据进行特征提取，获取特征数据。

步骤S402，通过多尺度检测模块对特征数据进行不同检测精度的隐裂特征训练，获取训练结果。

步骤S403，通过线性层作为检测头接收训练结果后，输出光伏表面数据的检测结果。

在一种实施例中，步骤S302，利用inception结构构造多尺度检测模块的步骤，包括：

步骤S501，利用inception结构预制备若干不同检测精度的检测模块，以对特征数据进行不同检测精度的隐裂检测；

步骤S502，将各检测模块之间进行残差连接，以搭建形成多尺度检测模块。

在步骤S501中，对特征数据进行不同检测精度的隐裂检测的步骤，包括：

利用inception结构中的随机梯度下降算法对特征数据进行训练；利用交叉熵损失函数进行监督，以使训练时得到最小的训练结果。

进一步说明，模型训练过程中，通过交叉熵损失函数进行监督，使用随机梯度下降进行训练。为了更好的进行优化，使用小批量随机梯度下降算法。模型训练完成后，利用模型进行预测的过程中，模型中的网络结构不需要额外的修改，可以直接对输入的图像块数据进行判别。

上述隐裂检测方法中，利用GoogLeNet模型中进行隐裂检测，可以完成光伏板的高效隐裂检测，并且GoogLeNet模型是利用GoogLeNet网络架构训练得到的，而GoogLeNet网络架构是一种卷积神经网络架构，在实际使用过程中不需要额外的参数调整，即可适应复杂环境下的检测要求。

上述隐裂检测方法中，接收光伏板的表面图像，在进行裁剪预处理后输入到GoogLeNet模型中进行隐裂检测，改善了现有的隐裂检测主要依靠人工，且检测效率低的问题，提高了多晶光伏板隐裂失效面积的检测精度。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图3所示，提供了一种隐裂检测装置，包括：图像接收模块100、图像裁剪模块200和模型检测模块300，其中：

图像接收模块100用于接收现场目标光伏板的表面图像；

图像裁剪模块200用于对表面图像进行裁剪预处理，获取待检测的图像块数据；

模型检测模块300用于将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

关于隐裂检测装置的具体限定可以参见上文中对于隐裂检测方法的限定，在此不再赘述。上述隐裂检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储隐裂检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种隐裂检测方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收现场目标光伏板的表面图像；对表面图像进行裁剪预处理，获取待检测的图像块数据；将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收现场目标光伏板的表面图像；对表面图像进行裁剪预处理，获取待检测的图像块数据；将图像块数据输入到预设的GoogLeNet模型中进行隐裂检测，以得到目标光伏板存在的隐裂信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。