典型文献
基于改进深度残差网络的光伏板积灰程度识别
文献摘要：
光伏板积灰会降低光伏发电的转换效率,同时易造成光伏板的损坏;因此,对光伏板的积灰进行智能识别具有重大意义.针对以上问题,提出一种基于改进深度残差网络的光伏板积灰程度识别模型.首先,通过分解卷积和微调下采样,对次代残差网络(ResNeXt)50进行改进;然后,融合坐标注意力(CA)机制,将位置信息嵌入到通道注意力中,通过精确的位置信息对通道关系和长期依赖性进行编码,并通过二维全局池操作将特征图像分解为两个一维编码,以增强关注对象的表示;最后,用监督对比(SupCon)学习损失函数替代交叉熵损失函数,从而有效提高识别准确率.实验结果表明,在真实光伏电站4个等级的光伏板积灰程度识别中,改进后的ResNeXt50的识别准确率为90.7％,与原始ResNeXt50相比提升了7.2个百分点.所提模型可满足光伏电站智能运维的基本要求.
文献关键词：
光伏板;积灰程度识别;次代残差网络;注意力机制;监督对比学习损失
中图分类号：
作者姓名：
孙鹏翔;毕利;王俊杰
作者机构：
宁夏大学信息工程学院,银川 750021
文献出处：
引用格式：
[1]孙鹏翔;毕利;王俊杰-.基于改进深度残差网络的光伏板积灰程度识别)[J].计算机应用,2022(12):3733-3739
A类：
光伏板积灰,积灰程度识别,次代残差网络,SupCon,监督对比学习损失
B类：
进深,深度残差网络,低光,光伏发电,转换效率,智能识别,别具,识别模型,分解卷积,微调,调下,下采样,坐标注意力,CA,位置信息,通道注意力,特征图像,图像分解,代交,交叉熵损失函数,识别准确率,光伏电站,ResNeXt50,百分点,智能运维,注意力机制
AB值：
0.213079
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。
