多损失融合的小样本光伏组件隐裂检测算法

摘要：

针对工业生产线光伏组件隐性纹检测问题,为了降低人力成本,提高检测效率,并快速适应新型产品的隐裂检测,提出了一种多损失融合的小样本光伏组件隐裂检测算法.首先,为丰富卷积神经网络提取的语义信息,引入了Transformer的多头注意力机制,缓解各批次产品的分布差异对隐裂检测的影响,促使模型从多样化产品中关注于隐裂信息;其次,利用多损失结合约束模型训练的策略优化特征提取,在直接分类损失的基础上,利用三元组损失拉近含隐裂样本间特征距离;此外,设计了隐式分类损失以适应有无隐裂两类电池片内部也存在类型差异的特点,充分学习历史组件数据的多样性.该算法能够快速提取新型组件特征,利用少量的样本特征对新产品隐裂缺陷进行准确检测.在实际工业生产数据集上的实验结果表明,该算法对新型组件的隐裂检测的召回率相较于其他基线模型可提高10个百分点,能够有效缓解含隐裂样本数量不足的问题,极大地降低了频繁对每批新产品进行数据标记和训练的开销.

关键词：光伏组件;隐裂检测;小样本;深度学习;特征提取

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家电网有限公司总部科技项目

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：458-467