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！

申请/专利权人：辽宁高比科技有限公司

摘要：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。

主权项：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。

全文数据：

权利要求：

百度查询： 辽宁高比科技有限公司 一种基于无人机采集光伏组件图像的脱焊检测方法