基于改进SSD算法的光伏组件缺陷检测研究

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络(GAN)对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建图像超分辨网络,减小图像数据集的噪声和提高局部区域的纹理特征。最后,将单次多边框检测(SSD)的主干网络替换为双池化方式融合的特征提取网络(VGG19_MP),在不提高网络参数的情况下,学习更深层次的纹理结构。结果表明基于超分辨率网络和双池化融合的光伏组件缺陷检测算法精确率达到了98.21%,平均检测时间为0.066 s,相较于对比的检测算法提高了0.9%~9.1%,平均检测时间提高了0.01~0.07 s,为光伏组件缺陷的精确识别提供了更有效的检测方法。

面向暗室照度计检定低对比度示值图像智能识别技术研究

针对照度计检定过程中所存在光照强弱与对比度变化的问题,本文提出采用基于Single Shot MultiBox Detector (SSD)目标检测框架的低对比度照度计示值识别技术。首先对比主流目标检测框架检测精度和检测速度,选择兼具精度与速度的SSD目标检测框架;其次设计针对低对比度目标检测的数据增强算法,用以提高SSD目标检测框架对低对比度示值图像识别准确率;最后进行实验与结果分析,设计4组不同照度环境下照度计示值识别实验,识别准确率为99. 6%,SSD目标检测框架识别一张图像平均耗时25. 9 ms。实验证明,该技术在不同光照、对比度环境下对照度计示值图像都有很好的识别效果,其检测速度也能保证照度计检定的在线识别。

基于SSD神经网络的图像自动标注及应用研究

针对目前图片标注成本高的问题,提出了融合自动标注半监督学习的协同训练算法:先基于SSD算法训练图片检测模型,融合半监督学习算法,在用自动标注的图片训练模型时叠加手动标注的数据,最终生成目标检测自动标注模型。实验结果表明,模型在经过6次迭代后自动标注生成的位置坐标与手动标注的真实位置坐标之间的平均IoU达到了80%以上,测试结果说明该算法在实际应用中有较大的应用前景。