買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉河北工業大學申請的專利一種基于特征感知的光伏電站熱斑缺陷檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116664549B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310781895.6，技術領域涉及：G06T7/00；該發明授權一種基于特征感知的光伏電站熱斑缺陷檢測方法是由陳海永;李佳奇;吳文簫;趙參參;宋夢園設計研發完成，并于2023-06-29向國家知識產權局提交的專利申請。

本一種基于特征感知的光伏電站熱斑缺陷檢測方法在說明書摘要公布了：本發明公開一種基于特征感知的光伏電站熱斑缺陷檢測方法，該方法采用的缺陷檢測模型中融合了自行設計的AFNF模塊和FPA模塊，AFNF模塊可以在淺層和深層之間根據特征之間的相關性自適應的集成不同尺度的信息，提取小目標的雙向上下文特征信息，可以更有效的突出微小缺陷的特征，改善模型對于微小缺陷的檢測效果；FPA模塊使網絡達到更好的訓練效果，同時又可以捕獲更多微小缺陷的結構信息與特征表示，然后通過全連接層去在每個通道之間進行建模，自適應的重新加權通道特征以提高特征的利用率，在突出目標缺陷特征的同時抑制背景信息。該方法對于熱斑缺陷檢測的精確率與召回率較高，可以有效的避免漏檢與誤檢。

本發明授權一種基于特征感知的光伏電站熱斑缺陷檢測方法在權利要求書中公布了：1.一種基于特征感知的光伏電站熱斑缺陷檢測方法，其特征在于，該方法包括以下步驟： 第一步：構建數據集 1-1獲取帶熱斑缺陷的光伏電站圖像的原始圖像集，對原始圖像集中的每張圖像進行數據增強，然后，對所有圖像進行尺寸歸一化處理，得到訓練圖像集；訓練圖像集中圖片的數量不少于500張； 1-2人工使用LabelImg軟件對訓練圖像集中的帶熱斑缺陷的光伏電站圖像進行標注，標注的信息包括熱斑缺陷區域框的中心坐標、邊框長度、邊框寬度以及類別標簽hotspot； 第二步：構建基于特征感知的光伏電站熱斑缺陷檢測模型； 缺陷檢測模型包括特征提取模塊、特征融合模塊和分類及回歸模塊三部分，特征提取模塊采用CSPDarknet53結構，包括CBM模塊、CSP1模塊、CSP2模塊、第一CSP8模塊、第二CSP8模塊、CSP4模塊、第一CBL模塊、SPP模塊、第二CBL模塊，上述9個模塊依次順接，輸入數據從CBM模塊輸入，前一個模塊的輸出為后一個模塊的輸入；其中，CSP2模塊的輸出特征記為C2，第一CSP8模塊的輸出特征記為C3，第二CSP8模塊的輸出特征記為C4，第二CBL模塊的輸出特征記為C5，C2、C3、C4、C5四個特征送入特征融合模塊來進行特征融合； 特征融合模塊包括多個CBL模塊和多個AFNF模塊；特征融合部分對于輸入的C2、C3、C4、C5四個特征，首先將C4特征經過4號CBL模塊處理之后再進行Downsample操作得到的特征與C5特征送入1號AFNF模塊處理，得到加強特征N5；然后將C4特征經過3號CBL模塊處理得到的特征、C3特征經過2號CBL模塊處理之后再進行Downsample操作得到的特征以及N5特征經過5號CBL模塊處理之后再進行Upsample操作得到的特征送入2號AFNF模塊處理，得到加強特征N4；然后將C3特征經過2號CBL模塊處理后得到的特征、C2特征經過1號CBL模塊處理之后再進行Downsample操作得到的特征以及N4特征經過6號CBL模塊處理之后再進行Upsample操作得到的特征送入3號AFNF模塊處理，得到加強特征N3； 分類及回歸模塊包括三個分支，分別對N3、N4、N5三個加強特征進行處理，輸出三個不同尺度的檢測結果；分類及回歸模塊的每個分支均包括依次連接的FPA模塊、CBL模塊、Conv模塊和Predict模塊，由Predict模塊輸出分類及回歸模塊的檢測結果； CSP1模塊、CSP2模塊、第一CSP8模塊、第二CSP8模塊、CSP4模塊的基本構成相同，均由CBM模塊、Resunit模塊和Concat模塊構成，區別在于Resunit模塊的個數，其中CSP1模塊、CSP2模塊、CSP4模塊中Resunit模塊的個數分別為1、2、4，第一CSP8模塊、第二CSP8模塊中的Resunit模塊的個數均為8，該五個模塊用通式CSPX表示，X＝1,2,4,8；CSPX模塊包括5個CBM模塊、X個Resunit模塊和一個Concat模塊，CSPX模塊的輸入首先經過第一CBM模塊處理，得到的結果再分別經過兩個分支處理，其中，第一個分支為第二CBM模塊、X個Resunit模塊、第三CBM模塊依次連接的結構，第二個分支由第四CBM模塊構成，兩個分支的輸出經過Concat模塊處理后再經過第五CBM模塊處理，得到CSPX模塊的輸出； 所述Resunit模塊包括兩個CBM模塊以及一個殘差邊，Resunit模塊的輸入M1依次經過兩個CBM模塊的處理，得到M2；M1再經過殘差邊與M2相加，得到Resunit模塊的輸出； 特征提取模塊中的CBL模塊、特征融合模塊中的CBL模塊、分類及回歸模塊中的CBL模塊的結構均相同，均為依次連接的卷積層、歸一化層和激活層的結構，但參數不共享； 缺陷檢測模型中的CBM模塊的結構均相同，均為依次連接的卷積層、歸一化層和激活層的結構，但參數不共享； SPP模塊包括四個分支，其中三個分支分別為窗口大小為5×5、9×9、13×13的最大池化層，然后三個分支的輸出與殘差邊進行Concat操作后得到SPP模塊的輸出； 特征融合模塊中的多個AFNF模塊的結構均相同，但參數不共享，AFNF模塊對于輸入的n個相同尺度的特征，首先進行Concat操作，對于得到的結果A1，A1的形狀為nC×H×W，首先經過依次連接的全局最大池化操作、兩次1×1Conv操作、一個Sigmoid操作的處理后，得到A2，A2的形狀為nC×1×1；然后將A1與A2進行相乘得到A3，A3的形狀為nC×H×W，再對A3進行Split操作將其拆分為n個形狀為C×H×W的特征，然后將n個特征進行相加得到AFNF模塊的輸出特征，輸出特征的形狀為C×H×W；對于1號AFNF模塊，n為2；對于2號AFNF模塊和3號AFNF模塊，n均為3； FPA模塊首先將形狀大小為C×H×W的輸入特征F分別進行三個不同的GAP操作，得到形狀為4×4×C、2×2×C、1×1×C的初級特征，然后將得到的三個初級特征分別進行重塑操作得到形狀為16C×1×1、4C×1×1、1C×1×1的中級特征，然后將三個中級特征進行Concat操作得到形狀為21C×1×1的特征H；之后，特征H分別通過兩個不同的全連接層處理后，得到特征U、I，其中特征U的形狀為C×1×1，特征I為通道權重系數，將特征U與輸入特征F進行相乘后再與輸入特征F相加，得到形狀大小為C×H×W的特征P，然后將特征P與特征I進行相乘，得到FPA模塊的輸出特征O，輸出特征O的形狀為C×H×W； 特征融合模塊輸出的三個加強特征輸入到分類及回歸模塊后，首先分別經過一個分支的FPA模塊、CBL模塊、Conv模塊的處理，Conv模塊由2d卷積層、BN層和激活函數組成，經過對應的Conv模塊處理之后，三個分支分別輸出最終特征；然后將每個最終特征分別輸入到對應分支的Predict模塊中，Predict模塊對最終特征上的通道特征參數進行解碼操作，分別得到預測框信息、是否包含缺陷以及缺陷的種類； 對分類及回歸模塊的三個分支的Predict模塊輸出的檢測結果進行得分排序以及非極大抑制篩選，得到最終的熱斑缺陷的預測框信息、類別標簽以及對應預測框的置信度； 第三步：對缺陷檢測模型進行訓練 3-1參數設置 使用Ubuntu22.04系統，使用的深度學習框架是Pytorch1.9.0，采用隨機梯度下降法更新網絡模型訓練參數，設置權重衰減值為0.0001，初始學習率為0.01，并使用指數衰減的學習率，其中衰減指數為0.9，批量大小設置為64，迭代周期為300；采用隨機賦值法初始化網絡模型的訓練參數； 3-2缺陷檢測模型的訓練 將步驟1-2中的訓練圖像集分批輸入到完成參數設置的缺陷檢測模型中進行訓練，并計算一個批次圖像的訓練損失；訓練損失為缺陷坐標損失、目標置信度損失和分類損失的平均值，其中，缺陷坐標損失函數采用CIoU損失，目標置信度損失函數和分類損失函數均采用BCEWithLogitsLoss；根據訓練損失，采用隨機梯度下降法沿參數的梯度方向更新一次模型的訓練參數，完成一個批量圖片的訓練；將上一個批量圖片訓練完成時模型的訓練參數作為下一個批量圖片訓練時的初始參數，并根據該批量圖片的訓練損失，反向傳播再次更新模型的訓練參數，不斷迭代，直至損失收斂，完成缺陷檢測模型的訓練； 第四步：光伏電站熱斑缺陷檢測 采用尺寸歸一化操作，使待檢測的光伏電站圖像與步驟1-1中的訓練圖像集中圖像的尺寸相同，之后將其輸入到第三步中完成訓練的缺陷檢測模型中，得到該光伏電站圖像的熱斑缺陷檢測結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人河北工業大學，其通訊地址為：300130 天津市紅橋區丁字沽光榮道8號河北工業大學東院；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。