典型文献
基于改进Faster R-CNN的太阳能电池板缺陷识别
文献摘要：
太阳能在可再生能源中扮演越来越重要的角色,但是积灰和鸟粪等影响因素会降低太阳能电池板的发电效率,针对太阳能电池板的缺陷识别十分重要,为此基于改进的Faster R-CNN(faster region-based convolutional neural network)算法对太阳能电池板的缺陷识别进行研究.网络的改进内容如下:实验样本量较少,首先采取了色域转换、旋转等操作以及mosaic数据增强方法,将主干网络替换为效果更好的RestNeSt-50网络;由于检测目标中积灰和鸟粪目标尺寸相差较大,采取了目标尺寸均衡策略;为了使分类和回归任务独立学习,采用了参数不共享双分支策略;并采用了Cosine学习率策略避免网络陷入局部最小值.以上改进方法使得评价指标平均准确率(mean average precision,mAP)值从基准模型的78.91％提升至94.05％.最后成功将单个太阳能电池板从无人机拍摄的图像中提取并修正角度,同时利用改进的Faster R-CNN算法进行缺陷识别,结果表明所提方法可以更准确地识别出积灰和鸟粪等缺陷.
文献关键词：
太阳能电池板;目标检测;缺陷识别;图像处理;卷积神经网络
中图分类号：
作者姓名：
张文彪;马永华;白晓静;谈元鹏;皮宇啸
作者机构：
华北电力大学控制与计算机工程学院,北京市 昌平区 102206;中国电力科学研究院有限公司,北京市 海淀区 100192
文献出处：
引用格式：
[1]张文彪;马永华;白晓静;谈元鹏;皮宇啸-.基于改进Faster R-CNN的太阳能电池板缺陷识别)[J].电网技术,2022(07):2593-2600
A类：
色域转换,RestNeSt
B类：
Faster,太阳能电池板,缺陷识别,可再生能源,积灰,鸟粪,发电效率,faster,region,convolutional,neural,network,样本量,mosaic,数据增强,增强方法,主干网络,标尺,均衡策略,独立学习,双分支,Cosine,学习率,局部最小值,改进方法,平均准确率,mean,average,precision,mAP,目标检测
AB值：
0.284916
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。
