典型文献
基于深度学习的航拍光伏板红外图像热斑检测方法研究
文献摘要：
针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法.首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3 * 3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来.为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度.试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99.56％,检测速度为22.1帧/s.光伏板识别后的热斑分割准确度达到95.99％,交并比mIou达到85.58,检测速度为24.5帧/s,该方法能够满足光伏板故障检测的需要.
文献关键词：
光伏电站;热斑检测;Yolov4;DeeplabV3+;Dice loss
中图分类号：
作者姓名：
管宽岐;蔺雨桐;赵雨薇;秦列列;张楠楠;曹英丽
作者机构：
沈阳农业大学信息与电气工程学院 沈阳110161;沈阳农业大学辽宁省农业信息化工程技术中心 沈阳110161
文献出处：
引用格式：
[1]管宽岐;蔺雨桐;赵雨薇;秦列列;张楠楠;曹英丽-.基于深度学习的航拍光伏板红外图像热斑检测方法研究)[J].电子测量技术,2022(22):75-81
A类：
PAnet
B类：
航拍,光伏板,红外图像,热斑检测,光伏电站,无人机巡检技术,深度卷积神经网络,快速检测方法,识别模型,Yolov4,主干特征提取网络,替换成,轻量级网络,MobileNetV2,中标,深度可分离卷积,快速识别,反光,光噪声,噪声问题,DeeplabV3+,下采样,交叉熵损失函数,Dice,准确识别,识别准确率,检测速度,别后,交并比,mIou,故障检测,loss
AB值：
0.310471
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
