基于轻量化YOLOv5s的光伏热斑检测定位方法

针对目前目标检测技术在检测光伏热斑效应时模型检测速度低、计算复杂、模型结构复杂等问题,提出基于轻量化YOLOv5s的光伏热斑检测定位方法。首先,以YOLOv5s为基础模型,引入轻量网络ShuffleNetV2改进YOLOv5s的主干网络,利用其分组卷积和通道混洗的设计思想,减少模型参数和计算量,同时保持较高的准确率。其次,引入轻量级卷积GSConv优化YOLOv5s的Neck部分,利用其深度可分离卷积结合标准卷积的形式,降低计算复杂度,优化整体模型。最后利用数据集进行验证。结果表明,轻量化后的模型在保证较高精度的前提下,能够提高检测速度、减少参数量和计算量。

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明:所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。