典型文献
对抗型半监督光伏面板故障检测
文献摘要：
目的 传统的光伏面板故障检测主要依靠人工巡检,效率低下且误检率很高,而流行的基于机器视觉的智能检测方法又面临缺少大量负样例造成故障检测模型准确性偏低的问题.针对上述问题,本文提出一种基于对抗训练的半监督异常检测模型,通过应用梯度中心化(gradient centralization,GC)和Smooth L1损失函数,使模型具有更好的准确性和鲁棒性.方法 通过构建半监督异常检测模型并定义目标函数,将正常的光伏面板图像作为正样例原图输入半监督异常检测模型进行模型训练.然后将待测光伏面板图像输入到训练好的半监督异常检测模型,生成该待测图像对应的重建图像.最后通过计算待测原图像与其重建图像隐空间向量之间的误差来判断该待测光伏面板是否存在异常.结果 本文以浙江某光伏电站采集的光伏面板为实验对象,将本文方法与Pre-trained VGG16(Visual Geometry Group 16-layer network)、AnoGAN(anomaly generative adversarial network)、GANomaly等方法进行比较,AUC(area under curve)分别提高了0.12、0.052和0.033.结论 实验结果证明,本文提出的基于生成对抗网络的半监督异常检测模型大幅提高了光伏面板故障检测的准确率.
文献关键词：
异常检测;生成对抗网络(GAN);光伏发电;深度卷积;梯度中心化(GC)
中图分类号：
作者姓名：
卢芳芳;牛然;杜海舟;杨振辰;陈菁菁
作者机构：
上海电力大学计算机科学与技术学院,上海 200090;上海上电新达新能源科技有限公司,上海 200010;浙大城市学院,杭州 310015
文献出处：
引用格式：
[1]卢芳芳;牛然;杜海舟;杨振辰;陈菁菁-.对抗型半监督光伏面板故障检测)[J].中国图象图形学报,2022(10):3031-3042
A类：
B类：
半监督,人工巡检,误检率,机器视觉,智能检测方法,样例,故障检测模型,对抗训练,异常检测,梯度中心化,gradient,centralization,Smooth,L1,损失函数,板图,原图,模型训练,测光,练好,重建图像,隐空间,空间向量,光伏电站,实验对象,Pre,trained,VGG16,Visual,Geometry,Group,layer,network,AnoGAN,anomaly,generative,adversarial,GANomaly,area,under,curve,生成对抗网络,光伏发电,深度卷积
AB值：
0.414449
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。
