基于卷积神经网络的光伏太阳能板红外缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111292308A(43)申请公布日2020.06.16(21)申请号202010085699.1(22)申请日2020.02.11(71)申请人南京邮电大学地址210003江苏省南京市栖霞区文苑路9号(72)发明人朱虎何春明邓丽珍(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)G01N25/72(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于卷积神经网络的光伏太阳能板红外缺陷检测方法(57)摘要本发明公开了无损检测技术领域的一种基于卷积神经网络的光伏太阳能板红外缺陷检测方法，旨在解决现有技术中利用卷积网络进行物体表面缺陷检测时，由于受数据集的质量、容量以及网络规模的限制，无法精确捕捉和保留图片内容信息、网络运行速度缓慢、影响缺陷检测效果的技术问题。所述方法包括如下步骤：将光伏太阳能板的红外图像输入预先训练好的U型全卷积神经网络，获取光伏太阳能板的缺陷检测结果。CN111292308ACN111292308A权利要求书1/1页1.一种基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，包括如下步骤：将光伏太阳能板的红外图像输入预先训练好的U型全卷积神经网络，获取光伏太阳能板的缺陷检测结果。2.根据权利要求1所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，所述U型全卷积神经网络包括彼此连接的收缩路径和拓展路径，所述收缩路径与U型全卷积神经网络的输入端连接，所述拓展路径与U型全卷积神经网络的输出端连接。3.根据权利要求2所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，所述收缩路径包括不少于两组间隔分布的卷积核簇和最大池化核。4.根据权利要求3所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，所述拓展路径包括不少于两组间隔分布的卷积核簇和反卷积核，拓展路径的输出端连接有第二卷积核。5.根据权利要求4所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，所述卷积核簇由不少于两个相同尺寸的第一卷积核串联而成，所述第一卷积核的输出端连接有指数线性单元。6.根据权利要求5所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，所述第一卷积核的尺寸为3×3，所述第二卷积核的尺寸为1×1，所述最大池化核或／和反卷积核的尺寸为2×2。7.根据权利要求3所述的基于卷积神经网络的光伏太阳能板红外缺陷检测方法，其特征是，收缩路径的卷积核簇与拓展路径的卷积核簇之间对应连接有裁剪单元。2CN111292308A说明书1/4页基于卷积神经网络的光伏太阳能板红外缺陷检测方法技术领域[0001]本发明涉及一种基于卷积神经网络的光伏太阳能板红外缺陷检测方法，属于无损检测技术领域。背景技术[0002]缺陷检测常指对物品表面缺陷的检测，多采用先进的机器视觉检测技术，基于卷积神经网络的缺陷检测技术在该领域中崭露头角。经实践证明，深度卷积网络在很多视觉识别任务中的表现要优于其他网络。但受数据集的质量、容量以及网络规模的限制，卷积网络在较长一段时间内未能充分发挥其作用。克里泽夫斯基等人在2012年的突破，则是通过在百万级训练图像个数的基础上对8层和数百万参数的大型网络进行监督训练。从那时起，人们开始训练规模更大、层次更深的网络。卷积网络的典型应用便是分类任务，输入一张图像，对应输出一个单独类标签。但在诸如物体表面缺陷检测的视觉任务中，我们往往希望得到的包含特征点的精确定位的输出结果，即需要将该种类标签精确地分配至每个像素点，这样的精确定位对于大多数方法而言，都是费时费力且难以实现的。此外，很多的视觉任务因各种因素的影响，往往只能够获得有限的样本图片来组成训练数据集，百万级的训练数据集在该情况下是难以实现的。[0003]为此，锡兰等人在2012年利用滑动窗口内部的特点，设计了一个网络并对其加以训练，通过在每个像素点周围提供一个局部区域(补丁块)作为输入来预测每个像素点的类标签。该方法解决了如下问题：(1)这个网络是可以通过调节滑动窗口的尺度来达到不同精度的定位的；(2)补丁块提供训练数据的能力显然要远优于完整图像。但该方法同时也存在如下缺陷：(1)由于该网络以补丁块为处理单位，导致该方法的运行速度相比之下较为缓慢，而且补丁块之间存在着大量的重叠部分，从而产生为数较大的冗余计算；(2)所取补丁块的大小难以确定——当取一个较大补丁块时，需要更多的池化层来降低补丁的大小以提高定位的精度；而当取一个较小补丁块时，网络所处理的补丁块过于局部化，这会导致网络所获得的图像特征无