检测结果的确定方法及装置、存储介质及电子装置与流程

本技术涉及光伏设备检测领域，具体而言，涉及一种检测结果的确定方法及装置、存储介质及电子装置。

背景技术：

1、实现光伏发电的光伏场站具有大量光伏设备，占地面积很大，故光伏场站一般设置在沙漠、戈壁、荒漠、山坡等自然环境恶劣的地区，因此，光伏设备所处的运行环境也非常差。这样一来，受自然环境影响，设备质量会大大下降，并引发光伏场站出现各种运行故障。若没有及时发现运行故障，一旦故障影响的范围不断扩大会导致设备事故。

2、当前的光伏场站在展开故障巡查工作时，通常使用目标检测的方式来检测故障，但是光伏场站所在的区域通常光照强度较高，存在太阳能电池板反光的情况，会对无人机的摄像头造成干扰，这种使用目标检测的方式由于仅靠图像识别装置并不能准确识别设备故障。因此，相关技术中，对光伏设备进行故障巡检时，存在故障检测准确度低的技术问题。

3、针对相关技术中，对光伏设备进行故障巡检时，故障检测准确度低的技术问题，目前尚未提出有效的解决方案。

4、因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。

技术实现思路

1、本技术实施例提供了一种检测结果的确定方法及装置、存储介质及电子装置，以至少解决对光伏设备进行故障巡检时，故障检测准确度低的技术问题。

2、根据本技术实施例的一方面，提供一种检测结果的确定方法，包括：获取对光伏设备进行图像采集得到的初始图像，其中，所述初始图像至少包括以下之一：可见光图像，红外光图像；将所述初始图像输入训练好的多任务学习模型，根据所述多任务学习模型输出的故障类型确定所述光伏设备的检测结果，其中，所述多任务学习模型包括：多个子任务学习模型，所述多个子任务学习模型共享基础特征提取层，所述基础特征提取层用于提取所述初始图像的基础图像特征向量，且所述多个子任务学习模型用于基于所述基础图像特征向量输出所述初始图像的不同故障类型。

3、在一个示例性的实施例中，在将所述初始图像输入训练好的多任务学习模型，根据所述多任务学习模型输出的故障类型确定所述光伏设备的检测结果之前，所述方法还包括：针对获取的初始神经网络模型的模型框架，在所述模型框架中建立输入层，以基于所述输入层接收输入的待处理图像；建立与所述输入层相连的基础特征提取层，以通过所述基础特征提取层对来自所述输入层的所述待处理图像进行特征提取，得到所述待处理图像的基础图像特征向量；基于所述基础特征提取层建立多个互相独立的全连接层，并为每一个全连接层单独建立输出层，以使所述每一个全连接层根据所述待处理图像的基础图像特征向量得到所述待处理图像的故障类型，以及使用所述每一个全连接层对应的输出层输出所述待处理图像的故障类型，其中，每一个子任务学习模型均至少包括一个全连接层与所述一个全连接层所对应的输出层；在为所述多个子任务学习模型的子任务学习模型设置模型训练条件之后，对所述多个子任务学习模型的子任务学习模型进行训练，并根据训练后的多个子任务学习模型对所述初始神经网络模型进行更新，得到所述多任务学习模型。

4、在一个示例性的实施例中，对所述多个子任务学习模型的子任务学习模型进行训练，包括：针对所述多个子任务学习模型的第一子任务学习模型，确定所述第一子任务模型对应的第一故障类型，其中，所述第一故障类型用于表示所述光伏设备存在组件缺失的故障；对所述光伏设备的历史故障图像进行分类，得到多组图像样本，其中，所述多组图像样本分别对应不同故障类型；从所述多组图像样本中确定出属于第一故障类型的第一图像样本，其中，所述第一图像样本包括可见光类型和红外光类型；以所述第一图像样本为输入样本，以所述第一故障类型为输出样本对所述第一子任务学习模型进行训练。

5、在一个示例性的实施例中，所述方法还包括：从所述光伏设备的历史运行数据中确定出所述光伏设备在不同天气状态下保持正常运行时的第一工作图像样本；以所述第一工作图像样本为输入样本，以所述第一工作图像样本对应的工作状态为输出样本对所述第一子任务学习模型进行训练。

6、在一个示例性的实施例中，对所述多个子任务学习模型的子任务学习模型进行训练，包括：针对所述多个子任务学习模型的第二子任务学习模型，确定所述第二子任务模型对应的第二故障类型，其中，所述第二故障类型用于表示所述光伏设备存在碎裂的故障；对所述光伏设备的历史故障图像进行分类，得到多组图像样本，其中，所述多组图像样本分别对应不同故障类型；从所述多组图像样本中确定出属于第二故障类型的第二图像样本，其中，所述第二图像样本包括可见光类型；以所述第二图像样本为输入样本，以所述第二故障类型为输出样本对所述第二子任务学习模型进行训练。

7、在一个示例性的实施例中，所述方法还包括：从所述光伏设备的历史运行数据中确定出所述光伏设备在不同光照条件状态下保持正常运行时的第二工作图像样本；以所述第二工作图像样本为输入样本，以所述第二工作图像样本对应的工作状态为输出样本对所述第二子任务学习模型进行训练。

8、在一个示例性的实施例中，通过以下方法为所述多个子任务学习模型的子任务学习模型设置模型训练条件：为所述多个子任务学习模型的子任务学习模型设置进行模型训练所需的模型优化器，其中，所述模型优化器用于对多个子任务学习模型的权重系数进行优化，以最小化损失函数；为所述多个子任务学习模型的子任务学习模型设置进行模型训练所需的损失函数，其中，所述损失函数用于衡量所述多个子任务学习模型的预测值与样本值之间的差异程度；为所述多个子任务学习模型的子任务学习模型设置进行模型训练所需的评估指标，其中，所述评估指标用于评估所述多个子任务学习模型的模型性能。

9、根据本技术实施例的另一方面，还提供了一种检测结果的确定装置，包括：获取模块，用于获取对光伏设备进行图像采集得到的初始图像，其中，所述初始图像至少包括以下之一：可见光图像，红外光图像；确定模块，用于将所述初始图像输入训练好的多任务学习模型，根据所述多任务学习模型输出的故障类型确定所述光伏设备的检测结果，其中，所述多任务学习模型包括：多个子任务学习模型，所述多个子任务学习模型共享基础特征提取层，所述基础特征提取层用于提取所述初始图像的基础图像特征向量，且所述多个子任务学习模型用于基于所述基础图像特征向量输出所述初始图像的不同故障类型。

10、根据本技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述检测结果的确定方法。

11、根据本技术实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述检测结果的确定方法。

12、根据本技术的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。

13、通过本技术，通过获取对光伏设备进行图像采集得到的初始图像，其中，所述初始图像至少包括以下之一：可见光图像，红外光图像；将所述初始图像输入训练好的多任务学习模型，根据所述多任务学习模型输出的故障类型确定所述光伏设备的检测结果，其中，所述多任务学习模型包括：多个子任务学习模型，所述多个子任务学习模型共享基础特征提取层，所述基础特征提取层用于提取所述初始图像的基础图像特征向量，且所述多个子任务学习模型用于基于所述基础图像特征向量输出所述初始图像的不同故障类型。在多任务学习模型中，通过共享基础特征提取层提取的基础图像特征向量，可以更有效地利用计算资源，提高多任务学习模型的运算效率，解决了对光伏设备进行故障巡检时，故障检测准确度低的技术问题，达到了提高光伏设备的故障检测准确度的技术效果。

技术特征：

1.一种检测结果的确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在将所述初始图像输入训练好的多任务学习模型，根据所述多任务学习模型输出的故障类型确定所述光伏设备的检测结果之前，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，对所述多个子任务学习模型的子任务学习模型进行训练，包括：

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

5.根据权利要求2所述的方法，其特征在于，对所述多个子任务学习模型的子任务学习模型进行训练，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.根据权利要求2所述的方法，其特征在于，通过以下方法为所述多个子任务学习模型的子任务学习模型设置模型训练条件：

8.一种检测结果的确定装置，其特征在于，包括：

9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至7中任一项所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。

技术总结
本申请公开了一种检测结果的确定方法及装置、存储介质及电子装置，涉及光伏设备检测领域，该方法包括：获取对光伏设备进行图像采集得到的初始图像，其中，初始图像至少包括以下之一：可见光图像，红外光图像；将初始图像输入训练好的多任务学习模型，根据多任务学习模型输出的故障类型确定光伏设备的检测结果，其中，多任务学习模型包括：多个子任务学习模型，多个子任务学习模型共享基础特征提取层，基础特征提取层用于提取初始图像的基础图像特征向量，且多个子任务学习模型用于基于基础图像特征向量输出初始图像的不同故障类型。采用上述技术方案，解决对光伏设备进行故障巡检时，故障检测准确度低的技术问题。

技术研发人员：杜静宇,王恩民,魏昂昂,唐建平,孟欣,陈德为,周凡,许青松,于景龙,王介昌,张俊东,葛鎣,张立武,翟强,于波,张梦楠
受保护的技术使用者：华能吉林发电有限公司
技术研发日：
技术公布日：2024/9/23