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！

龙图腾网获悉河北工业大学申请的专利一种基于特征感知的光伏电站热斑缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116664549B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310781895.6，技术领域涉及：G06T7/00；该发明授权一种基于特征感知的光伏电站热斑缺陷检测方法是由陈海永;李佳奇;吴文箫;赵参参;宋梦园设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种基于特征感知的光伏电站热斑缺陷检测方法在说明书摘要公布了：本发明公开一种基于特征感知的光伏电站热斑缺陷检测方法，该方法采用的缺陷检测模型中融合了自行设计的AFNF模块和FPA模块，AFNF模块可以在浅层和深层之间根据特征之间的相关性自适应的集成不同尺度的信息，提取小目标的双向上下文特征信息，可以更有效的突出微小缺陷的特征，改善模型对于微小缺陷的检测效果；FPA模块使网络达到更好的训练效果，同时又可以捕获更多微小缺陷的结构信息与特征表示，然后通过全连接层去在每个通道之间进行建模，自适应的重新加权通道特征以提高特征的利用率，在突出目标缺陷特征的同时抑制背景信息。该方法对于热斑缺陷检测的精确率与召回率较高，可以有效的避免漏检与误检。

本发明授权一种基于特征感知的光伏电站热斑缺陷检测方法在权利要求书中公布了：1.一种基于特征感知的光伏电站热斑缺陷检测方法，其特征在于，该方法包括以下步骤： 第一步：构建数据集 1-1获取带热斑缺陷的光伏电站图像的原始图像集，对原始图像集中的每张图像进行数据增强，然后，对所有图像进行尺寸归一化处理，得到训练图像集；训练图像集中图片的数量不少于500张； 1-2人工使用LabelImg软件对训练图像集中的带热斑缺陷的光伏电站图像进行标注，标注的信息包括热斑缺陷区域框的中心坐标、边框长度、边框宽度以及类别标签hotspot； 第二步：构建基于特征感知的光伏电站热斑缺陷检测模型； 缺陷检测模型包括特征提取模块、特征融合模块和分类及回归模块三部分，特征提取模块采用CSPDarknet53结构，包括CBM模块、CSP1模块、CSP2模块、第一CSP8模块、第二CSP8模块、CSP4模块、第一CBL模块、SPP模块、第二CBL模块，上述9个模块依次顺接，输入数据从CBM模块输入，前一个模块的输出为后一个模块的输入；其中，CSP2模块的输出特征记为C2，第一CSP8模块的输出特征记为C3，第二CSP8模块的输出特征记为C4，第二CBL模块的输出特征记为C5，C2、C3、C4、C5四个特征送入特征融合模块来进行特征融合； 特征融合模块包括多个CBL模块和多个AFNF模块；特征融合部分对于输入的C2、C3、C4、C5四个特征，首先将C4特征经过4号CBL模块处理之后再进行Downsample操作得到的特征与C5特征送入1号AFNF模块处理，得到加强特征N5；然后将C4特征经过3号CBL模块处理得到的特征、C3特征经过2号CBL模块处理之后再进行Downsample操作得到的特征以及N5特征经过5号CBL模块处理之后再进行Upsample操作得到的特征送入2号AFNF模块处理，得到加强特征N4；然后将C3特征经过2号CBL模块处理后得到的特征、C2特征经过1号CBL模块处理之后再进行Downsample操作得到的特征以及N4特征经过6号CBL模块处理之后再进行Upsample操作得到的特征送入3号AFNF模块处理，得到加强特征N3； 分类及回归模块包括三个分支，分别对N3、N4、N5三个加强特征进行处理，输出三个不同尺度的检测结果；分类及回归模块的每个分支均包括依次连接的FPA模块、CBL模块、Conv模块和Predict模块，由Predict模块输出分类及回归模块的检测结果； CSP1模块、CSP2模块、第一CSP8模块、第二CSP8模块、CSP4模块的基本构成相同，均由CBM模块、Resunit模块和Concat模块构成，区别在于Resunit模块的个数，其中CSP1模块、CSP2模块、CSP4模块中Resunit模块的个数分别为1、2、4，第一CSP8模块、第二CSP8模块中的Resunit模块的个数均为8，该五个模块用通式CSPX表示，X＝1,2,4,8；CSPX模块包括5个CBM模块、X个Resunit模块和一个Concat模块，CSPX模块的输入首先经过第一CBM模块处理，得到的结果再分别经过两个分支处理，其中，第一个分支为第二CBM模块、X个Resunit模块、第三CBM模块依次连接的结构，第二个分支由第四CBM模块构成，两个分支的输出经过Concat模块处理后再经过第五CBM模块处理，得到CSPX模块的输出； 所述Resunit模块包括两个CBM模块以及一个残差边，Resunit模块的输入M1依次经过两个CBM模块的处理，得到M2；M1再经过残差边与M2相加，得到Resunit模块的输出； 特征提取模块中的CBL模块、特征融合模块中的CBL模块、分类及回归模块中的CBL模块的结构均相同，均为依次连接的卷积层、归一化层和激活层的结构，但参数不共享； 缺陷检测模型中的CBM模块的结构均相同，均为依次连接的卷积层、归一化层和激活层的结构，但参数不共享； SPP模块包括四个分支，其中三个分支分别为窗口大小为5×5、9×9、13×13的最大池化层，然后三个分支的输出与残差边进行Concat操作后得到SPP模块的输出； 特征融合模块中的多个AFNF模块的结构均相同，但参数不共享，AFNF模块对于输入的n个相同尺度的特征，首先进行Concat操作，对于得到的结果A1，A1的形状为nC×H×W，首先经过依次连接的全局最大池化操作、两次1×1Conv操作、一个Sigmoid操作的处理后，得到A2，A2的形状为nC×1×1；然后将A1与A2进行相乘得到A3，A3的形状为nC×H×W，再对A3进行Split操作将其拆分为n个形状为C×H×W的特征，然后将n个特征进行相加得到AFNF模块的输出特征，输出特征的形状为C×H×W；对于1号AFNF模块，n为2；对于2号AFNF模块和3号AFNF模块，n均为3； FPA模块首先将形状大小为C×H×W的输入特征F分别进行三个不同的GAP操作，得到形状为4×4×C、2×2×C、1×1×C的初级特征，然后将得到的三个初级特征分别进行重塑操作得到形状为16C×1×1、4C×1×1、1C×1×1的中级特征，然后将三个中级特征进行Concat操作得到形状为21C×1×1的特征H；之后，特征H分别通过两个不同的全连接层处理后，得到特征U、I，其中特征U的形状为C×1×1，特征I为通道权重系数，将特征U与输入特征F进行相乘后再与输入特征F相加，得到形状大小为C×H×W的特征P，然后将特征P与特征I进行相乘，得到FPA模块的输出特征O，输出特征O的形状为C×H×W； 特征融合模块输出的三个加强特征输入到分类及回归模块后，首先分别经过一个分支的FPA模块、CBL模块、Conv模块的处理，Conv模块由2d卷积层、BN层和激活函数组成，经过对应的Conv模块处理之后，三个分支分别输出最终特征；然后将每个最终特征分别输入到对应分支的Predict模块中，Predict模块对最终特征上的通道特征参数进行解码操作，分别得到预测框信息、是否包含缺陷以及缺陷的种类； 对分类及回归模块的三个分支的Predict模块输出的检测结果进行得分排序以及非极大抑制筛选，得到最终的热斑缺陷的预测框信息、类别标签以及对应预测框的置信度； 第三步：对缺陷检测模型进行训练 3-1参数设置 使用Ubuntu22.04系统，使用的深度学习框架是Pytorch1.9.0，采用随机梯度下降法更新网络模型训练参数，设置权重衰减值为0.0001，初始学习率为0.01，并使用指数衰减的学习率，其中衰减指数为0.9，批量大小设置为64，迭代周期为300；采用随机赋值法初始化网络模型的训练参数； 3-2缺陷检测模型的训练 将步骤1-2中的训练图像集分批输入到完成参数设置的缺陷检测模型中进行训练，并计算一个批次图像的训练损失；训练损失为缺陷坐标损失、目标置信度损失和分类损失的平均值，其中，缺陷坐标损失函数采用CIoU损失，目标置信度损失函数和分类损失函数均采用BCEWithLogitsLoss；根据训练损失，采用随机梯度下降法沿参数的梯度方向更新一次模型的训练参数，完成一个批量图片的训练；将上一个批量图片训练完成时模型的训练参数作为下一个批量图片训练时的初始参数，并根据该批量图片的训练损失，反向传播再次更新模型的训练参数，不断迭代，直至损失收敛，完成缺陷检测模型的训练； 第四步：光伏电站热斑缺陷检测 采用尺寸归一化操作，使待检测的光伏电站图像与步骤1-1中的训练图像集中图像的尺寸相同，之后将其输入到第三步中完成训练的缺陷检测模型中，得到该光伏电站图像的热斑缺陷检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。