典型文献
多损失融合的小样本光伏组件隐裂检测算法
文献摘要：
针对工业生产线光伏组件隐性纹检测问题,为了降低人力成本,提高检测效率,并快速适应新型产品的隐裂检测,提出了一种多损失融合的小样本光伏组件隐裂检测算法.首先,为丰富卷积神经网络提取的语义信息,引入了Transformer的多头注意力机制,缓解各批次产品的分布差异对隐裂检测的影响,促使模型从多样化产品中关注于隐裂信息;其次,利用多损失结合约束模型训练的策略优化特征提取,在直接分类损失的基础上,利用三元组损失拉近含隐裂样本间特征距离;此外,设计了隐式分类损失以适应有无隐裂两类电池片内部也存在类型差异的特点,充分学习历史组件数据的多样性.该算法能够快速提取新型组件特征,利用少量的样本特征对新产品隐裂缺陷进行准确检测.在实际工业生产数据集上的实验结果表明,该算法对新型组件的隐裂检测的召回率相较于其他基线模型可提高10个百分点,能够有效缓解含隐裂样本数量不足的问题,极大地降低了频繁对每批新产品进行数据标记和训练的开销.
文献关键词：
光伏组件;隐裂检测;小样本;深度学习;特征提取
中图分类号：
作者姓名：
那峙雄;樊涛;孙涛;谢祥颖;来广志
作者机构：
国网电子商务有限公司,北京 100053;国家电网有限公司,北京 100031;北京航空航天大学,北京 100191
文献出处：
引用格式：
[1]那峙雄;樊涛;孙涛;谢祥颖;来广志-.多损失融合的小样本光伏组件隐裂检测算法)[J].计算机科学与探索,2022(02):458-467
A类：
隐裂检测
B类：
多损失融合,小样本,光伏组件,检测算法,工业生产线,检测问题,人力成本,高检,检测效率,快速适应,语义信息,Transformer,多头注意力机制,分布差异,合约,约束模型,模型训练,策略优化,三元组损失,拉近,隐式,存在类型,类型差异,历史组,件数,快速提取,样本特征,新产品,陷进,工业生产数据,召回率,基线模型,百分点,样本数量,每批,开销
AB值：
0.319653
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。
