一种光伏组件可见光故障模型的训练和识别方法及装置与流程
本发明属于光伏组件故障检测技术领域，尤其涉及一种光伏组件可见光故障模型的训练和识别方法及装置。
背景技术：
光伏组件的故障可以分为：一类是由于环境因素引起的，如建筑物、树木、云朵、灰尘、鸟类的排泄物等造成的阴影；另一类是光伏组件自身因长期运行导致器件老化带来的组件短路、开路及光伏组件不匹配等故障。这些故障又可分为软故障和硬故障，软故障是指故障随时间变化而变化，如飘过的云或建筑物的影子，这种故障无需排除。硬故障是指故障不随时间变化，如灰尘、鸟类排泄物及短路开路故障，因此需要及时排除。
目前光伏组件的故障诊断常用方法主要有直接法和间接法。直接法是直接测量每块电池板的电压和电流，用总线技术将数据送入计算机判断，如上节分析的光伏组件失配定位技术。间接法是通过测量电池的温度来判断电池的工作状态，该方法利用热性能和视觉方法，在阵列前面架设热成像仪或摄影机，通过图像处理程序实现对故障点的定位。前面提到本项目可见光缺陷主要研究异物遮挡类缺陷。异物遮挡主要指灰尘、树叶、鸟粪、动植物等在光伏组件受光面上，影响光伏组件转化效率。上述遮挡物中，鸟粪因其附着力强、腐蚀性强、散布范围广成为光伏组件异物遮挡引起故障的主要原因。
目前光伏组件的鸟粪异物遮挡巡检主要人工巡检，通过便携式的摄像装置对光伏组件的异物遮挡情况进行拍照、记录，以便于后期维护。而国内现在已经建成的地面光伏电站大多都是几十兆瓦以上的规模，这些大型地面电站覆盖面积大，组件系统排布密集，日常电池板巡检工作量很大。单单靠人力完成这些工作也会耗费巨大的时间和人力成本。另外，人工巡检常常受地形影响，无法到达一些区域，从而产生巡检盲点。与此同时，人工巡检遇到大型光伏电站时，巡检频次很难达到要求，导致很多电站故障无法及时发现。
技术实现要素：
本发明实施例提供一种光伏组件可见光故障模型的训练和识别方法及装置，用于解决现有技术人工巡检受地形影响，无法到达一些区域，从而产生巡检盲点以及人工巡检耗费巨大的时间和人力成本的技术问题。
第一方面，本发明实施例提供一种光伏组件可见光故障模型的训练方法，包括：响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；抽取所述目标数据库中的所述目标物样本的数据集；基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
第二方面，本发明实施例提供一种根据第一方面所述的方法训练后的光伏组件可见光故障模型的识别方法，所述识别方法包括：响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；标记各个所述图像数据在所述待检测图像中的像素坐标；响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
第三方面，本发明实施例提供一种光伏组件可见光故障模型的训练装置，所述训练装置包括：切割模块，配置为响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；标注模块配置为对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；抽取模块，配置为抽取所述目标数据库中的所述目标物样本的数据集；训练模块，配置为基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
第四方面，本发明实施例提供一种光伏组件可见光故障模型的识别装置，所述识别装置包括：剪切模块，配置为响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；标记模块，配置为标记各个所述图像数据在所述待检测图像中的像素坐标；第一输出模块，配置为响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；判断模块，配置为判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；第二输出模块，配置为若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
第五方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的光伏组件可见光故障模型的训练或识别方法的步骤。
第六方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的光伏组件可见光故障模型的训练或识别方法的步骤。
本申请的方法和装置通过提取光伏组件与鸟粪的图像特征，识别被测图像中光伏组件的坐标范围与鸟粪坐标，将二者相重叠的地方标记为光伏组件的鸟粪覆盖故障点，从而实现光伏组件的鸟粪遮挡故障点辨识，相对于传统的人工巡检操作方法简单，对光伏组件上的鸟粪位置辨识准确且高效。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种光伏组件可见光故障模型的训练方法的流程图；
图2为本发明一实施例提供的一种光伏组件可见光故障模型的识别方法的流程图；
图3为本发明一实施例提供的一个具体实施例的工作流程框图；
图4为本发明一实施例提供的一种光伏组件可见光故障模型的识别方法的对照图；
图5为本发明一实施例提供的一种光伏组件可见光故障模型的训练装置的框图；
图6为本发明一实施例提供的一种光伏组件可见光故障模型的识别装置的框图；
图7是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的光伏组件可见光故障模型的训练方法一实施例的流程图，本实施例的光伏组件可见光故障模型可以适用于具备语言模型或者通讯功能的终端，如笔记本电脑。
如图1所示，在步骤101中，响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；
在步骤102中，对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；
在步骤103中，抽取所述目标数据库中的所述目标物样本的数据集；
在步骤104中，基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
在本实施例中，对于步骤101，训练装置响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据。之后，对于步骤102，训练装置对所述样本图像数据中的光伏组件样本以及障碍物样本分别进行矩形标注，以分别形成光伏组件数据库和障碍物数据库。然后，对于步骤103，训练装置分别抽取所述光伏组件数据库和障碍物数据库中的所述光伏组件样本和障碍物样本的数据集。之后，对于步骤104，训练装置基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
本实施例提供的方案，通过光伏组件样本的数据集以及障碍物样本的数据集对光伏组件可见光故障模型进行训练，使得光伏组件可见光故障模型能够获取拍摄图像中的光伏组件及鸟粪的抽象特征。
在一些可选的实施例中，所述抽取所述目标数据库中的所述目标物样本的数据集的方法为随机取样。
在一些可选的实施例中，所述数据集包括训练集、测试集以及验证集，其中，所述训练集、所述测试集以及所述验证集的选取采样比例为6:2:2。
在一些可选的实施例中，上述训练方法还包括：在所述基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型之前，搭建faster-rcnn网络建构，其中，所述faster-rcnn网络建构包括卷积层、网络层、池化层和分类层。
请参阅图2，其示出了一种根据权利要求上述训练后的光伏组件可见光故障模型的识别方法。
如图2所示，在步骤201中，响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；
在步骤202中，标记各个所述图像数据在所述待检测图像中的像素坐标；
在步骤203中，响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；
在步骤204中，判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；
在步骤205中，若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
在本实施例中，对于步骤201，识别装置响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据。之后，对于步骤202，识别装置标记各个所述图像数据在所述待检测图像中的像素坐标。之后，对于步骤203，识别装置响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据。然后，对于步骤204，识别装置判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围。之后，对于步骤205，若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，识别装置输出该所述障碍物图像数据的像素坐标。
本实施例提供的方案，通过提取光伏组件与鸟粪的图像特征，识别被测图像中光伏组件的坐标范围与鸟粪坐标，将二者相重叠的地方标记为光伏组件的鸟粪覆盖故障点，从而实现光伏组件的鸟粪遮挡故障点辨识，适用于大规模光伏发电站的光伏组件鸟粪覆盖物辨识。
在一些可选的实施例中，上述识别方法还包括：若某一所述障碍物图像数据的像素坐标不在全部所述光伏组件图像数据的像素坐标的范围内，对下一个所述所述障碍物图像数据的像素坐标进行判断，直至全部所述障碍物图像数据的像素坐标完成比对。
需要说明的是，上述方法步骤并不用于限制各步骤的执行顺序，实际上，某些步骤可能会同时执行或者以与步骤限定的相反的顺序执行，本申请在此没有限制。
图3是本发明实施例提供的光伏组件可见光故障模型的识别方法的流程示意图，下面结合实施例及附图,对本发明作进一步详细的说明。
步骤1：获取无人机拍摄的光伏组件图像
首选利用无人机平台搭配高分辨率数码相机获取厘米级分辨率的图像，例如配备索尼qx-100高清摄像机，分辨率为5472×3648，无人机飞行距离光伏组件高度不高于30米，采集无人机航拍图像的实验数据，如附图2。
步骤2：对图像中光伏组件与鸟粪进行目标物标记
(1)通过编写脚本文件，将研究所需要的样本数据从原始图像数据里面按照确定的尺度切割出来，如切割图像尺寸为500行×300列，切割出来的样本数据以唯一标识符加图像格式后缀名命名。
(2)再利用图形标注工具labellmg按照标准化数据集voc数据格式对采集的无人机航拍实验数据用矩形进行标注，得到每个样本数据对应图像的xml标注文件，在存入数据库。
步骤3：通过随机采样的方式按照合适采样比从数据库中选取训练集、测试集和验证集，选取采样比例为为6:2:2。
步骤4：在深度学习框架tenserflow中搭建faster-rcnn的网络架构，其中faster-rcnn的网络架构包括：卷积层、区域提案网络层、感兴趣区域池化层和分类层。
(1)卷积层，用一些预训练好的网络，如计算机视觉组、inception模型、残差网络等，来提取输入图像的特征图，该特征图被共享用于后续的区域网络提案层和全连接层；
(2)区域提案网络层，用于生成候选区域，该层通过逻辑回归模型softmax判断锚点属于前景或背景，再利用边框回归修正锚点，获得精确的候选区域；
(3)感兴趣池化层，收集输入的特征图像和候选区域，综合这些信息提取候选区域的特征图，送入后续全连接层判定目标类别；
(4)分类层，利用候选区特征图计算该候选区的类别，同时再次使用boundingboxregression获得滑框(boundingbox)信息，boundingbox包含5个值，分别是x，y，w，h，和置信度(confidence)，其中x，y分别表示boundingbox中心的坐标，w、h表示boundingbox的宽度和高度。
confidence反映当前bbox是否包含物体，以及物体位置的准确性，计算方式如下：
confidence＝p(object)×iou
其中，当p(object)＝1时表示boundingbox包含目标物体(object)，p(object)＝0则不包含；重叠度(interection-over-union，以下简称iou)为预测boundingbox与物体真实区域的交集面积与并集面积之比，面积以像素面积计算，结果归一化到[0,1]区间内。
步骤5：训练参数
修改faster-rcnn网络模型源码中其网络架构中的各个训练参数，训练参数包括：迭代次数、类别名称、类别数量、训练集及测试集路径。
步骤6：训练faster-rcnn网络框架
faster-rcnn的网络模型根据探测分类概率和探测边框回归对分类概率和边框回归进行训练得到，详细地，根据指定的迭代次数在faster-rcnn网络结构中对训练集的样本进行迭代训练，直至网络收敛。具体训练过程包括：
(1)训练图片；
(2)对输入的图片缩放至固定尺度，并对缩放后的图片利用卷积层进行特征提取，常用一些预训练好的网络如计算机视觉组(vgg)、inception模型、残差网络(resnet)等，获得特征图；
(3)在特征图上的每一个锚点上取9个感兴趣区域，包括3个不同尺度，3个不同长宽比，并根据相应的比例将其映射到原始图像中；
(4)接着将这些候选的roi输入到rpn网络中，rpn网络对这些roi进行分类(即确定这些roi是前景还是背景)同时对其进行初步回归；
(5)通过roipooling层(即将其映射为特定大小的featuremap，如设置默认大小是7x7)使每个roi生成固定尺寸的featuremap；
(6)利用softmaxloss(探测分类概率)和smoothl1loss(探测边框回归)对分类概率和边框回归(boundingboxregression)联合训练，损失函数如下：
其中，i表示锚点的索引；pi表示是目标物体的概率；
通过上述过程，分别获取光伏组件的faster-rcnn网络框架与鸟粪的faster-rcnn网络框架。
步骤7：测试并确定faster-rcnn网络结构训练模型
分别利用光伏组件测试集与鸟粪测试集测试训练后的faster-rcnn网络模型，运行测试脚本文件，输出定位与识别的结果保存到对应的结果文件夹中
步骤8：确定光伏组件与鸟粪的图像坐标
为了满足对原始无人机航拍图像进行目标物体检测的需要，分别以目标物体为光伏组件(及鸟粪)，在检测之前对原始图像进行了裁剪，对裁剪的图像进行检测识别，最后对这些结果进行非极大值抑制处理，剔除检测结果中的冗余结果；具体的，首先根据滑框大小和滑框重叠度，自左至右，自上至下收集包含在原始无人机图像中的所有滑框以及相对于原始图像的位置；在此基础上对所有滑框利用训练好的faster-rcnn网络模型进行光伏电池板(及鸟粪)的识别，记录每个滑框中每一块光伏组件(及鸟粪)的位置和概率；根据每个滑框相对于原始图像的位置与滑框中的位置，计算光伏组件(及鸟粪)在原始图像中的位置；利用非极大值抑制思想剔除检测结果中冗余的滑框。
下面(1)-(5)以光伏组件的位置辨识为例：
(1)以原始图像大小5472×3648，滑框大小500×300，重叠度为10％为例，则从该原始图像中可收集wn×hn个滑框。其中：
w，h分别表示原始图片的宽度与高度，如本例中分别为5472，3648；w，h表示滑框的宽度与高度，如本例中分别为1000，800；r表示滑框重叠度，如本例中为100％。
(2)记录每个滑框的位置(x，y)，如可以记录每个滑框在原始图像中左上角的坐标，其中：
(3)将所有的滑框利用训练好的faster-rcnn模型进行目标物体识别，如进行光伏组件识别，并记录每个滑框的识别结果res＝{o1，o2，…，ok，…}，其中ok＝(ox，oy，ow，oh，conf)，k表示滑框的索引号，(ox，oy)表示滑框的左上角坐标即相对于滑框的目标位置，ow，oh分别表示滑框的宽度与高度，conf表示该滑框是目标物体的置信度。根据这些信息以及滑框相对于原始图像的位置，将相对于滑框的位置更新为相对于原始图像的位置，更新公式如下：
(4)对每个滑框中的每个检测结果都进行上述的位置更新操作，至此可以得到原始图像中所有目标物体检测的候选框，但是这些框很可能有互相重叠的部分，即存在目标冗余的情况，只需要保留最优的框，通过非极大值抑制的思想剔除检测结果中iou较大的情况，具体步骤如下所示。假设在原始图像中有n个框，每个框被分类器计算得到的置信度为confi，1<＝i<＝n，按照以下几步处理：
第一步：构建一个候选框集合candidate，初始化为包含全部n个框；将candidate中的框按照置信度大小进行排序；建造一个存放最优框的优选框集合optimal，将其初始化为空集。
第二步：从集合candidate中选出置信度最高的框o，并从集合candidate移到集合optimal中；
第三步：遍历集合candidate中的所有框，分别与框o计算iou交并比，如果高于某个阈值，如0.1，则认为当前框与框o重叠，将此框从集合candidate中去除。
第四步：回到第二步进行迭代，直到集合candidate为空，则集合optimal中的框为我们所需要的。
(5)再根据集合optimal中的框以及原始无人机航拍图像数据，利用跨平台计算机视觉库opencv进行处理，确定光伏组件的准确位置。
(6)重复步骤(1)-(5)确定鸟粪在图像中的准确位置。
步骤9：输出辨识结果
获取光伏组件与鸟粪在被检测图像中的坐标位置
(1)如果检测到的鸟粪在待检测图像中的坐标位置，与光伏组件在被检测图像中的坐标位置不重叠，则判定该鸟粪为一般类鸟粪信息，并丢弃该数据；
(2)如果检测到的鸟粪在待检测图像中的坐标位置，与光伏组件在被检测图像中的坐标位置重叠，则判定该鸟粪覆盖在光伏组件上，形成可见光故障点。
(3)将不含鸟粪覆盖的光伏电池板标记为正常电池板，将含鸟粪覆盖的光伏电池板标记为含潜在故障的电池板，如附图4所示。
请参阅图5，其示出了本发明一种光伏组件可见光故障模型的训练装置的框图。
如图5所示，训练装置300，包括切割模块310、标注模块320、抽取模块330以及训练模块340。
其中，切割模块310，配置为响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；标注模块320，配置为对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；抽取模块330，配置为抽取所述目标数据库中的所述目标物样本的数据集；训练模块340，配置为基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
请参阅图6，其示出了本发明一种光伏组件可见光故障模型的识别装置的框图。
如图6所示，识别装置400，包括剪切模块410、标记模块420、第一输出模块430、判断模块440以及第二输出模块450。
其中，剪切模块410，配置为响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；标记模块420，配置为标记各个所述图像数据在所述待检测图像中的像素坐标；第一输出模块430，配置为响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；判断模块440，配置为判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；第二输出模块450，配置为若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
应当理解，图5和图6中记载的诸模块与参考图1和图2中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5和图6中的诸模块，在此不再赘述。
值得注意的是，本公开的实施例中的模块并不用于限制本公开的方案，例如判断模块可以描述为当设备处于交互状态时，判断交互状态某一障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内的模块。另外，还可以通过硬件处理器来实现相关功能模块，例如判断模块也可以用处理器实现，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的光伏组件可见光故障模型的训练和识别方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；
对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；
抽取所述目标数据库中的所述目标物样本的数据集；
基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；
标记各个所述图像数据在所述待检测图像中的像素坐标；
响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；
判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；
若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据光伏组件可见光故障模型的训练和识别装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至光伏组件可见光故障模型的训练和识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述任一项光伏组件可见光故障模型的训练和识别方法。
图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个或多个处理器510以及存储器520，图7中以一个处理器510为例。光伏组件可见光故障模型的训练和识别方法的设备还可以包括：输入装置530和输出装置540。处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器520为上述的非易失性计算机可读存储介质。处理器510通过运行存储在存储器520中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例光伏组件可见光故障模型的训练和识别方法。输入装置530可接收输入的数字或字符信息，以及产生与光伏组件可见光故障模型的训练和识别装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于光伏组件可见光故障模型的训练装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
响应于获取的样本图像，对所述样本图像基于预设的尺度进行切割，以得到样本图像数据；
对所述样本图像数据中的目标物样本进行矩形标注，以形成目标数据库；
抽取所述目标数据库中的所述目标物样本的数据集；
基于所述数据集对预设的faster-rcnn网络进行训练，以得到光伏组件可见光故障模型。
作为一种实施方式，上述电子设备应用于光伏组件可见光故障模型的识别装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
响应于获取的待检测图像，对所述待检测图像进行剪切，以形成若干个图像数据；
标记各个所述图像数据在所述待检测图像中的像素坐标；
响应于获取的所述若干个图像数据，所述faster-rcnn训练模型输出所述若干个图像数据中的目标物图像数据，其中，所述目标物图像数据包括光伏组件图像数据和障碍物图像数据；
判断某一所述障碍物图像数据的像素坐标是否在全部所述光伏组件图像数据的像素坐标的范围内；
若某一所述障碍物图像数据的像素坐标在全部所述光伏组件图像数据的像素坐标的范围内，输出该所述障碍物图像数据的像素坐标。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：pda、mid和umpc设备等，例如ipad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！