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！

龙图腾网获悉浙江大学申请的专利一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法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：CN115761359B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202211484701.8，技术领域涉及：G06V10/764；该发明授权一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法是由杨强;夏杰锋设计研发完成，并于2022-11-24向国家知识产权局提交的专利申请。

本一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法在说明书摘要公布了：本发明公开了一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法。该方法通过在通用图像数据集上得到的预训练模型进行迁移学习，建立初始化缺陷分类模型；然后将采集得到的大量无标签图像通过初始化模型映射到特征空间中，根据特征空间中的L2距离进行聚类并得到对应标签，从而对初始模型不断进行再训练，从而提升光伏图像缺陷分类模型的准确率指标。本发明以海南某光伏电站的采集图像为测试数据，给出了详细的算法描述，设计测例对光伏图像的缺陷分类性能进行评价验证。

本发明授权一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法在权利要求书中公布了：1.一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法，其特征在于，包括以下步骤： 1基于ImageNet上的通用图像预训练模型，通过迁移学习建立初始化光伏缺陷分类模型； 2通过类别示例图像获取初始化光伏缺陷分类模型的特征空间中的初始化类别中心和初始类别间距阈值； 3采集无标签光伏图像并将其通过初始化光伏缺陷分类模型映射入特征空间；基于改进k-means算法对无标签光伏图像进行类别划分得到伪标签图像集，并进行类别中心和类别间距阈值的更新； 所述步骤3中具体为： a采集无标签光伏图像Du＝{x1…xm}，并将其通过初始化光伏缺陷分类模型MO得到图像在特征空间的映射点： pk＝Fxk,θ； 其中xk∈Du；θ为初始化光伏缺陷分类模型的权重参数； b基于改进k-means算法计算映射点pk到n个初始类别中心P0的距离并将其分到L2距离最小的初始类别中心所对应的类别中；根据初始类别间距阈值HO筛选每个映射点pk是否能够获得该类别的伪标签，若pk到最近初始类别中心的距离小于等于HO，则使其获得该标签并将其所代表的无标签光伏图像放入伪标签图像集Dp中，否则仍留于Du中； c基于伪标签图像集Dp，重新计算n种类别的类别中心P： P＝{pn,yn}； 其中xk为伪标签图像集Dp中划分为同一标签的图片，pn为标签yn对应的第n个类别中心的更新值； 同时将初始类别间距阈值HO更新为类别间距阈值H： 其中pi和pj分别为更新得到的类别i和类别j的类别中心； d对于剩余无标签光伏图像Du重复进行步骤b和c的操作，直到满足无标签光伏图像Du中无样本，或达到最大循环次数； 所述步骤3中改进k-means算法计算公式如下： 其中yk为映射点Pk划分得到的标签类型； 4根据步骤3得到的伪标签图像集对初始化光伏缺陷分类模型进行再训练，获得训练好的光伏缺陷分类模型； 5将待分类的光伏图像输入训练好的光伏缺陷分类模型，完成光伏图像缺陷分类。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。