本发明涉及光伏，尤其涉及一种基于深度学习的光伏板热斑故障图像分类方法及系统。
背景技术：
1、通过深度学习算法对实时数据、无人机采集图像等数据的综合分析，可以实现光伏板智能运维系统的优化和提升。这种系统可以有效地监测光伏板的状态、识别潜在问题，并提供预警和自动化维护措施，从而提高光伏发电系统的效率和可靠性。深度学习算法可以帮助系统从大量数据中学习和提取特征，实现对光伏板运行状态的准确分析和预测。结合实时数据和无人机采集的图像数据，系统可以及时发现光伏板表面的损坏、污染或其他问题，并进行精准定位和诊断。这种智能运维系统不仅能够减少人工巡检的成本和工作量，还能够有效降低故障风险，延长光伏板的使用寿命，提升整个光伏电站的发电效率。因此，光伏板智能运维系统基于深度学习算法的综合分析，将在光伏电站建设和管理中具有重要的市场空间和推广价值。这种智能系统将为光伏行业带来更高效、更智能的解决方案，推动光伏发电技术的发展与应用。
2、但是传统的深度学习算法在光伏板智能运维系统中可能存在一些局限性，例如对于复杂的光伏板表面损坏或异常情况的识别能力有限，对于图像的细微特征的提取能力不足；同时，传统深度学习算法在处理实时数据、大规模图像等方面也可能存在效率较低的问题。
3、为了解决上述问题，本发明提出一种基于深度学习的光伏板热斑故障图像分类方法及系统。
技术实现思路
1、本发明的目的在于提出一种基于深度学习的光伏板热斑故障图像分类方法及系统以解决背景技术中所提出的问题：
2、传统的深度学习算法存在一些识别能力有限、对于图像的细微特征的提取能力不足、效率较低的局限性。
3、为了实现上述目的，本发明采用了如下技术方案：
4、一种基于深度学习的光伏板热斑故障图像分类方法，包括如下步骤：
5、s1：采集光伏板热斑故障图像并进行预处理；
6、s2：构建改进的卷积神经网络，并将预处理后的光伏板热斑故障图像作为输入，并将输入分为训练集、验证集和测试集，使用训练集对改进的卷积神经网络模型进行训练，并通过反向传播算法调整模型参数以减小损失函数；
7、s3：使用验证集对训练好的模型进行评估，根据评估结果对模型进行调参和优化；
8、s4：将优化后的模型部署至实际环境中，用于自动化地对光伏板热斑图像进行故障分类识别。
9、优选地，所述预处理包括对图像进行二值化处理以进行感兴趣区域的提取，还包括对图像故障类型的标记和对图像的调整、去噪操作。
10、优选地，所述图像故障类型包括热点、热斑、电池片断裂、电池片遮挡、脱焊、反向偏压、阴影遮挡、局部污染、接触不良、腐蚀、灰尘积累、结露、局部失效、阻断、热焊接和热背反射。
11、优选地，所述改进的卷积神经网络融入注意力机制对输入的光伏板热斑故障图像进行增强。
12、优选地，所述注意力机制具体如下：
13、将光伏板热斑故障图像分别基于最大池化和平均池化生成两组特征图，在输入由两组全连接层和1个sigmoid激活函数组成的共享多层感知机mlp中，生成通道注意力特征权重m1(f)如下；
14、
15、其中，σ表示sigmoid函数；w和均为权重参数；favg表示平均池化特征；fmax表示最大池化特征；
16、生成空间注意力特征权重m2(f)如下：
17、m2(f)＝σ(fa×a([favg；fmax]))
18、
19、其中，fa×a表示卷积核尺寸为a×a的卷积运算；c表示通道数，α和β表示通道相关系数；|x|q表示取与x最接近的奇数；
20、最终基于串联方式融合通道注意力特征权重与空间注意力特征权重。
21、优选地，所述改进的卷积神经网络基于多尺度特征提取单元提取添加了注意力机制的图像特征，并使用融合损失函数替换网络中原有的交叉熵损失函数。
22、优选地，所述融合损失函数具体如下：
23、
24、其中，f1为第一损失函数；yk为第k个样本的预测；pk为第k个样本所属的可能类别的概率分布；k为样本总数；gk表示第k个样本的狄利克雷参数；l为故障类别总数；β()为l维多项第一类欧拉积分；为第k个样本属于第l个类别的概率分布；
25、gk＝yk+(1-yk)gk
26、其中，gk为第k个样本的狄利克雷分布参数；
27、
28、其中，f2为第二损失函数；为转换后的第k个样本属于第l个类别的狄利克雷参数；γ()为伽马函数；zk为第k个样本的证据量；ξ()表示惩罚函数；
29、
30、其中，f3为第三损失函数；wk为区分性特征向量；wh！＝l、wh＝l为其他不同类别代理特征向量；为余弦函数；
31、f＝f1+δt f2+f3
32、其中，f为融合损失函数；δt为训练轮数为t时的衰减系数，基于遗传算法寻优获得。
33、优选地，所述卷积神经网络还使用selu激活函数替换relu激活函数。
34、优选地，所述selu激活函数f(x)具体如下：
35、
36、其中，α和β均为常数；x为变量。
37、一种基于深度学习的光伏板热斑故障图像分类系统，包括：
38、采集处理模块：用于对采集的光伏板热斑故障图像进行预处理；
39、网络搭建模块：用于搭建改进的卷积神经网络并通过训练集进行模型训练，还基于反向传播算法进行模型参数调整；
40、网络优化模块：使用验证集对训练好的模型进行评估，根据评估结果对模型进行调参和优化
41、故障识别模块：用于将优化后的模型部署至实际环境中，用于自动化地对光伏板热斑图像进行故障分类识别。
42、与现有技术相比，本发明提供了一种基于深度学习的光伏板热斑故障图像分类方法及系统，具备以下有益效果：
43、本发明通过改进的卷积神经网络提升对光伏板的故障和异常情况的识别准确性和效率。基于改进的特征注意力机制增强对于光伏板热斑故障图像特征的提取能力，基于融合损失函数提高对于光伏板热斑故障图像进行故障分类识别的精准度，缓解了样本类别分布不均衡导致模型对不同类别光伏板热斑故障识别效果差异大的问题；基于selu激活函数提高识别准确率，避免了输入为负时产生的梯度消失问题，提升模型的表达能力；可以提高模型对光伏板表面损伤和异常情况的检测能力。
1.一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述预处理包括对图像进行二值化处理以进行感兴趣区域的提取，还包括对图像故障类型的标记和对图像的调整、去噪操作。
3.根据权利要求1所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述图像故障类型包括热点、热斑、电池片断裂、电池片遮挡、脱焊、反向偏压、阴影遮挡、局部污染、接触不良、腐蚀、灰尘积累、结露、局部失效、阻断、热焊接和热背反射。
4.根据权利要求1所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述改进的卷积神经网络融入注意力机制对输入的光伏板热斑故障图像进行增强。
5.根据权利要求4所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述注意力机制具体如下：
6.根据权利要求1所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述改进的卷积神经网络基于多尺度特征提取单元提取添加了注意力机制的图像特征，并使用融合损失函数替换网络中原有的交叉熵损失函数。
7.根据权利要求6所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述融合损失函数具体如下：
8.根据权利要求1所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述卷积神经网络还使用selu激活函数替换relu激活函数。
9.根据权利要求8所述的一种基于深度学习的光伏板热斑故障图像分类方法，其特征在于，所述selu激活函数f(x)具体如下：
10.一种基于权利要求1～9所述的基于深度学习的光伏板热斑故障图像分类系统，其特征在于，包括：
