买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南昌航空大学申请的专利光伏组件鸟粪缺陷检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120525887B 。

龙图腾网通过国家知识产权局官网在2025-11-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511022105.1，技术领域涉及：G06F30/27；该发明授权光伏组件鸟粪缺陷检测方法及系统是由李琼;刘林君;龙国华;陈龙;饶慧晴;封力设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本光伏组件鸟粪缺陷检测方法及系统在说明书摘要公布了：本发明公开了一种光伏组件鸟粪缺陷检测方法及系统，方法包括：根据预设的形状匹配策略对所述至少一个第一目标图像进行图像筛选，得到至少一个第二目标图像；将所述至少一个第二目标图像输入至预设的神经网络中，并对所述神经网络进行迭代训练，得到缺陷识别模型；获取包含光伏组件的至少一个实时初始图像，并将所述实时初始图像输入至所述缺陷识别模型中，所述缺陷识别模型输出得到与所述至少一个实时初始图像相对应的缺陷检测结果。可以对输入图像从水平和垂直空间两个维度方向上对远程依赖关系和位置信息进行编码，使网络可以获取更大范围的特征，在不增加额外的计算开销的情况下提升模型的精度。

本发明授权光伏组件鸟粪缺陷检测方法及系统在权利要求书中公布了：1.一种光伏组件鸟粪缺陷检测方法，其特征在于，包括： 获取包含光伏组件的至少一个初始图像，并对所述至少一个初始图像进行预处理，得到至少一个第一目标图像； 根据预设的形状匹配策略对所述至少一个第一目标图像进行图像筛选，得到至少一个第二目标图像，其中，所述根据预设的形状匹配策略对所述至少一个第一目标图像进行图像筛选，得到至少一个第二目标图像包括： 根据Canny边缘检测算法计算图像灰度梯度，对某一第一目标图像的缺陷区域进行特征提取，得到所述缺陷区域的各个轮廓点，并根据所述各个轮廓点的曲率变化进行非均匀采样，得到边缘采样点； 获取各个边缘采样点的坐标信息，并根据所述缺陷区域的边缘对各个坐标信息排序，得到边缘采样点坐标序列，并根据所述边缘采样点坐标序列构建边缘采样点的方向角序列，其中，计算所述方向角序列中边缘采样点的方向角的表达式为： ， 式中，为第i个边缘采样点的局部走向角度，为反正切函数，为采样点序列中第i+1个点的纵坐标，为采样点序列中第i个点的纵坐标，为采样点序列中第i+1个点的横坐标，为采样点序列中第i个点的横坐标； 将所述方向角序列进行分割为至少一个时间窗口，并计算所述至少一个时间窗口的频谱值，根据各个频谱值计算采样点在频率f处的总能量，表达式为： ， ， 式中，为采样点在频率f处的总能量，和均为时间窗口数，为短时傅里叶变换在时间窗口t、频率f处的复数频谱值，为方向角值，为汉明窗口函数，为复数，为常数，为时间窗口，为时间窗口内索引号； 根据所述总能量计算所述缺陷区域的综合动态波动指数，表达式为： ， 式中，为缺陷区域的综合动态波动指数，，表示采样点在所有频率处的能量之和； 以每个边缘采样点作为中心点建立极坐标系，建立N个同心圆，将各个同心圆划分为M个等分，得到N×M个栅格，统计栅格中的点数，得到所述某一历史光伏组件图像中每个边缘采样点的特征直方图； 根据代价矩阵计算某一特征直方图与至少一个待匹配特征直方图之间的相似度，其中，所述至少一个待匹配特征直方图为包含鸟粪标签的至少一个待匹配光伏组件图像中边缘采样点的特征直方图，所述代价矩阵的表达式为： ， 式中，为采样点和的相似度，为目标图像的第1个特征点的特征向量，为待匹配的图像的第1个特征点的特征向量，为目标图像的第2个特征点的特征向量，为待匹配的图像的第2个特征点的特征向量，为目标图像的第n个特征点的特征向量，为待匹配的图像的第n个特征点的特征向量，为SSIM函数所占权重，为结构衡量指标函数； 根据各个相似度计算所述某一第一目标图像与所述至少一个待匹配特征直方图之间的形状匹配值，计算所述形状匹配值的表达式为： ， 式中，为形状匹配值，为采样点总个数； 判断所述某一第一目标图像的综合动态波动指数是否大于第一预设阈值； 若大于第一预设阈值，则判断所述某一第一目标图像的各个形状匹配值是否大于第二预设阈值； 若至少一个形状匹配值大于第二预设阈值，则确定所述某一第一目标图像中包含鸟粪缺陷，并将所述某一第一目标图像定义为第二目标图像； 将所述至少一个第二目标图像输入至预设的神经网络中，并对所述神经网络进行迭代训练，得到缺陷识别模型，其中，所述神经网络中包含CA注意力机制模块、特征融合模块以及目标检测层，所述神经网络为改进的CA-YOLOv5s网络，CA-YOLOv5s网络是基于改进YOLOv5架构的目标检测网络，在主干网络中添加CA注意力机制，CA注意力机制将通道注意力分为两个一维特征编码过程，在两个空间方向上收集特征，沿一个方向获得长距离相关性，而沿另一个空间方向保留精准的位置信息，然后将生成的特征图解码为一对方向感知和位置敏感的注意力图，注意力图与输入特征图结合使用以增强被检测对象的特征； 设计一种改进的C-SPP方法，运用到CA注意力机制上，插入在CA注意力机制平均池化之前，C-SPP方法通过对不同尺度的特征图进行池化操作，生成固定长度的特征表示，使得网络能够捕捉到多尺度的特征信息； 特征融合模块不经过中间的卷积层，将深层、浅层和中间层的特征直接融合，网络在进行特征提取的过程中，浅层的特征包含图像的轮廓信息，深层的特征包含更多的语义信息，通过将不同尺寸的特征进行融合提高目标检测和识别任务的性能，特征融合模块的输入为、和，表示浅层输入特征图，表示当前层输入特征图，表示深层输入特征图，浅层特征图输入后经过3×3、步长为2的卷积，得到与尺寸大小相同的特征图，当前层特征图输入后经过1×1的卷积，深层特征图输入后经过上采样，得到与尺寸大小相同的特征图，将这三个输出值进行拼接，得到的结果值经过1×1卷积，再与层的初始值进行拼接，得到新的特征图； 在原有的网络结构上添加新的小目标检测层，将浅层网络的位置信息与深层网络的语义信息进行融合，从原来的三层检测层添加到四层检测层，在原网络20×20，40×40，80×80缺陷预测尺度的基础上，增加一上采样层形成160×160的预测尺度，对小目标进行检测； 目标检测层的损失函数的表达式为： ， ， ， 式中，为矩形框损失函数，为置信度损失函数，为分类损失函数，为20×20层的权重系数，为20×20层矩形框损失函数，为40×40层的权重系数，为40×40层矩形框损失函数，为80×80层的权重系数，为80×80层矩形框损失函数，为160×160层的权重系数，为160×160层矩形框损失函数，为20×20层置信度损失函数，为40×40层置信度损失函数，为80×80层置信度损失函数，为160×160层置信度损失函数，为20×20层分类损失函数，为40×40层分类损失函数，为80×80层分类损失函数，为160×160层分类损失函数； 将原有检测头修改成改进的DecoupledHead，在YOLOX的DecoupledHead的基础上删除了分支中额外的一个3×3卷积模块，同时为CBS模块增加残差边； 获取包含光伏组件的至少一个实时初始图像，并将所述实时初始图像输入至所述缺陷识别模型中，所述缺陷识别模型输出得到与所述至少一个实时初始图像相对应的缺陷检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌航空大学，其通讯地址为：330000 江西省南昌市丰和南大道696号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。