买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安理工大学

摘要：本发明公开了一种光伏板积灰程度识别方法，具体包括：步骤1，图像采集，步骤2，图像数据制备及预处理，步骤3，构建改进DenseNet169网络的积灰程度识别模型，步骤4，训练数据集，训练完成后，得到光伏板积灰程度识别结果；本发明采用改进DenseBlock模块替换原有DenseNet169模型中的DenseBlock模块，另外在训练过程中，采用Ranger优化算法进行模型参数更新，并引入迁移学习的方法，改进的DenseNet169网络模型在提高模型准确率的同时，减少了模型的参数量和浮点计算量，与现有的积灰程度识别模型相比有很大的提高，更具有实用性。

主权项：1.一种光伏板积灰程度识别方法，其特征在于，具体包括以下步骤：步骤1，图像采集，在光伏电站通过人工拍摄的方式获得图像数据样本；步骤2，图像数据制备及预处理，包括以下步骤：步骤2.1，图像筛选，过滤掉步骤1采集到的图像数据样本中强反光干扰的光伏板积灰图像；步骤2.2，样本划分，针对积灰程度的定量问题，根据不同积灰图像对应的发电效率损失，将经过步骤2.1图像筛选后的图像分为轻度积灰、中度积灰和重度积灰3个类别；步骤2.3，数据增强对步骤2.1筛选出来的图像通过随机翻转、围绕中心旋转、仿射变换、平移变换、高斯模糊5种数据增强方法进行数据扩充，进而增加数据的多样性，最后得到光伏板积灰程度图像数据集，其中，80％的数据集作为训练集，20％的数据集作为测试集；步骤3，构建改进DenseNet169网络的积灰程度识别模型，包括以下步骤：步骤3.1，使用步长为2、卷积核大小为7×7的卷积层对输入的积灰程度图像进行提取特征，并输出特征图；步骤3.2，对步骤3.1输出的特征图使用步长为2、卷积核大小为3×3的最大池化进行下采样特征提取，并输出特征图；步骤3.3，对步骤3.2输出的特征图使用改进DenseBlock1模块进行特征提取，并输出特征图；步骤3.4，对步骤3.3输出的特征图使用卷积核大小为1×1卷积进行提取特征，并输出特征图；步骤3.5，对步骤3.4输出的特征图使用步长为2、卷积核大小为2×2的平均池化进行下采样提取特征，并输出特征图；步骤3.6，对步骤3.5输出的特征图使用改进DenseBlock2模块进行特征提取，并输出特征图；步骤3.7，对步骤3.6输出的特征图使用卷积核大小为1×1卷积进行提取特征，并输出特征图；步骤3.8，对步骤3.7输出的特征图使用步长为2、卷积核大小为2×2的平均池化进行下采样提取特征，并输出特征图；步骤3.9，对步骤3.8输出的特征图使用改进DenseBlock3模块进行特征提取，并输出特征图；步骤3.10，对步骤3.9输出的特征图使用卷积核大小为1×1卷积进行提取特征，并输出特征图；步骤3.11，对步骤3.10输出的特征图使用步长为2、卷积核大小为2×2的平均池化进行下采样提取特征，并输出特征图；步骤3.12，对步骤3.11输出的特征图使用改进DenseBlock4模块进行特征提取，并输出特征图；步骤3.13，对步骤3.12输出的特征图使用卷积核大小为7×7的全局平均池化进行下采样特征提取，并输出特征图；步骤3.14，对步骤3.13输出的特征图使用全连接层和Softmax函数进行分类；步骤4，训练数据集步骤4.1，首先采用改进DenseNet169网络模型在Mini-ImageNet数据集上进行预训练，获得改进DenseNet169网络模型预训练模型权重；步骤4.2，将步骤2.3的训练集和测试集图像传入步骤3构建好的改进DenseNet169网络模型中，使用随机裁剪操作将所有图像调整为224×224像素大小，并采用均值为[0.485,0.456,0.406]和标准差为[0.229,0.224,0.225]对所有图像进行标准化；步骤4.3，载入步骤4.1得到预训练模型权重，并选用Ranger优化算法对改进DenseNet169网络模型开始训练100轮；步骤4.4，每完成1轮对训练集的训练后，采用测试集进行验证，并输出本轮的验证集准确率和训练集损失值，训练完成后，得到光伏板积灰程度识别结果。

全文数据：

权利要求：

百度查询： 西安理工大学 一种光伏板积灰程度识别方法