(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210960026.5 (22)申请日 2022.08.11 (71)申请人 南京信息职业 技术学院 地址 210023 江苏省南京市栖霞区仙林大 学城文澜路99号 (72)发明人 王欣　姜敏敏　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 朱鸿雁 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种基于太阳能光伏板故障分类的检测方 法 (57)摘要 本发明公开了一种基于太阳能光伏板故障 分类的检测方法， 包括步骤： (1)采集太阳能光伏 板的表面图像数据； (2)选用R ‑CNN神经网络对获 取的图像数据进行处理获取候选图； 将候选图随 机划分为训练集图像、 待检测集图像； (3)对训练 集图像中像素点进行特征向量的提取； (4)将步 骤(3)利用提取的特征向量获得训练好的故障预 测的BP神经网络； (5)提取待检测集图像中像素 点的特征向量输入训练好的BP神经网络中， 获取 预测结果值； (6)获取每个像素点的位置， 根据预 测结果中属于故障点的像素点的位置采用k ‑ means算法进行聚类， 获取 故障分类。 本发明能够 提高太阳能光伏板故障的检测准确性和效率， 对 于太阳能光伏板故障的检测结果进行准确的分 类。 权利要求书3页 说明书8页 附图1页 CN 115331084 A 2022.11.11 CN 115331084 A 1.一种基于太阳能光伏板故障分类的检测方法， 其特 征在于， 包括以下步骤； (1)采集太阳能光伏板的表面图像数据； (2)选用R ‑CNN神经网络对获取的图像数据进行卷积、 池化预处理； 通过设置检测框和 锚框对预处理后的图像数据进 行扫描并计算IOU值； 根据IOU值最大时检测框和锚框数值选 取获取候选图； 将候选图随机划分为训练集图像、 待检测集图像； (3)对训练集图像 中像素点进行特征向量的提取； 其中， 亮度小于预设值的像素点作为 故障点； (4)将步骤(3)提取的特征向量输入至BP神经网络进行训练， 完成训练后更新BP神经网 络的权值和阈值再次训练BP神经网络， 最终 获得训练好的BP神经网络； (5)提取待检测集图像中像素点的特征向量输入训练好的BP神经网络中， 获取待检测 集图像中每 个像素点的预测结果； (6)获取检测集图像中每个像素点的位置， 根据预测结果中属于故障点的像素点的位 置采用k‑means算法进行聚类， 获取太阳能光伏板的故障分类。 2.根据权利要求1所述的基于太阳能光伏板故障分类的检测方法， 其特征在于， 步骤 (2)包括以下步骤； (2.1)通过R ‑CNN神经网络的卷积层对获取的图像数据进行扩充和卷积 操作， 公式为： 式中， dj为卷积层处理后的图像大小； 原始图像大小为A*B； sj为卷积层的卷积核尺寸； w 为步长； g为卷积填充； (2.2)将完成卷积 操作后的图像输入 池化层进行池化操作， 公式为： 式中， dc为池化层处 理后的图像大小； sc为池化层的卷积核尺寸； p为池化层的个数； (2.3)将池化层后的图像dc中太阳能光伏 板所在区域的矩形设为检测框， 采用预设尺寸 的锚框平 移扫描图像dc， 计算IOU； 公式为： 式中， Sc为检测框和锚框的重 叠面积； Sm为检测框面积； Sj为锚框的面积； (2.4)选取IOU值最大是对应的锚框记为M， 检测框记为表示为C； 根据M与C计算获得候 选图H， 公式为： Hx＝Mx·X+Mx Hy＝My·Y+My Hw＝Mw·exp(W)+Mw Hh＝Mh·exp(h)+Mh 其中： X＝zx·λA Y＝zy·λA权　利　要　求　书 1/3 页 2 CN 115331084 A 2W＝zw·λA H＝zh·λA 式中， M以向量(Mx,My,Mw,Mh)表示， C以向量(Cx,Cy,Cw,Ch)表示， H以向量(Hx,Hy,Hw,Hh)表 示； (x， y)表示中心点坐标， w表示宽， h表示高； λA为锚框区域的特征值向量； (zx,zy)为锚框 中心点坐 标和检测框中心点坐 标的差距； zw锚框和检测框在宽度方面的差距； zh为锚框和检 测框在高度方面的 的差距。 3.根据权利要求1所述的基于太阳能光伏板故障分类的检测方法， 其特征在于， 步骤 (3)中训练集图像中像素点作为故障点的判断具体为： (3.1)在训练集图像中选 取任意一个像 素点， 记为o， 将其亮度记为Lo， 设置阈值E， E的计 算公式为： E＝Lo·Ex 式中， Ex为阈值系数； (3.2)以o为中心点， 设置一个半径为t的圆， 选取圆环上r个的像素点， 获取其亮度Lr， r ∈[1,m]； (3.3)若r个的像素点中连续存在G个点满足： Lr＜Lo‑E 则认定满足上式的r个的像素点 为故障点。 4.根据权利要求1所述的基于太阳能光伏板故障分类的检测方法， 其特征在于， 步骤 (4)具体为： (4.1)将步骤3中获取的特征向量集合X＝[x1,x2,x3,…,xn]T作为BP神经网络的输入， 输 入层有n个神经 元； xl为各像素点的特 征向量， l取1 ……n； (4.2)隐藏层输出为V＝[v1,v2,v3,…,vm]T， 隐含层有m个神经 元； 具体公式为： 式中， qvl为隐含层权值， βvl为隐含层阈值； f为sigmo id激活函数； (4.3)输出层输出为Y＝[y1,y2,y3,…,yn]T， 输入层有n个神经 元； 具体公式为： 式中， qyl为隐含层权值， βyl为隐含层阈值； (4.4)采用能量函数获取更新附值， 分别将BP神经网络隐藏层的权值与阈值、 输出层的 权值与阈值均乘以更新附值获取更新后的隐藏层的权值与阈值、 输出层的权值与阈值； 分 别将获取 的更新后的隐藏层的权值、 输出层的权值均与预设数值K进行比较， 若不小于K则 重新选取小于K的权值或者调整期 望输出值； 否则则保留该更新后的 隐藏层的权值、 输出层 的权值； 所述的能量 函数公式为： 式中， yl为输出层输出的结果； yl'为输出层期望 输出结果； (4.5)将步骤(4.4)获取的更新后的隐藏层的权值与阈值、 输出层的权值与阈值带回步 骤(4.2)、 步骤(4.3)， 重复步骤(4.1) ‑(4.3)获取最终的输出Y ”＝[y1”,y2”,y3”,…,yn”]T。权　利　要　求　书 2/3 页 3 CN 115331084 A 3