本发明涉及光伏产业领域，特别是涉及一种光伏组件的缺陷检测方法。
背景技术：
1、光伏产业是目前可再生能源领域的重要组成部分，光伏组件的质量和性能对于能源生产的可靠性和效率至关重要。然而，由于制造过程中的各种因素，光伏组件可能存在各种缺陷，如裂纹、热斑、热点和电池片损坏等。因此，对光伏组件进行准确、高效的视觉缺陷检测具有重要意义。
2、传统的光伏组件缺陷检测方法主要依靠人工目视检测，费时费力且容易出错。近年来，随着计算机视觉和深度学习的发展，利用图像处理和机器学习算法进行自动化缺陷检测成为一种有效的解决方案。然而，传统的云端计算模式在实时性和数据隐私方面存在一定的限制。因此，如何基于神经网络，提供一种效率高、精确性好的识别检测方法，是该领域亟待解决的技术问题。
技术实现思路
1、为解决上述技术问题，本发明提供一种光伏组件的缺陷检测方法，包括：
2、构建以光伏组件图像为输入、缺陷检测结果为输出的神经网络模型；
3、通过标注缺陷的光伏组件图像数据，训练神经网络模型，得到训练后的神经网络模型；
4、获取当前光伏组件的实时图像；
5、将当前光伏组件的实时图像，输入神经网络模型，输出缺陷检测结果。
6、进一步地，神经网络模型，包括：
7、输入层，用于输入光伏组件图像；
8、特征提取层，与输入层连接，用于提取光伏组件图像的局部特征，得到总特征图；
9、池化层，与特征提取层连接，用于降低总特征图的维度；
10、输出层，与池化层连接，用于根据降维的总特征图输出缺陷检测结果。
11、进一步地，特征提取层，包括：
12、第一卷积单元，用于提取光伏组件图像的纹理特征图；
13、第二卷积单元，用于提取光伏组件图像的颜色特征图；
14、第三卷积单元，用于提取光伏组件图像的形状特征图；
15、融合单元，用于在纹理特征、颜色特征和形状特征中，选择最具区分性和相关性的特征，得到总特征图。
16、进一步地，池化层，包括：
17、对总特征图进行下采样，以缩小总特征图的尺寸，并选择每个池化窗口中的最大值。
18、进一步地，输出层，包括：缺陷检测头和缺陷分类头；
19、缺陷检测头，用于根据特征图，输出光伏组件是否有缺陷；缺陷分类头，用于根据特征图，输出光伏组件的缺陷类型。
20、进一步地，标注缺陷的光伏组件图像数据的过程，包括：
21、根据纹理特征和颜色特征，标注光伏组件图像数据中的裂纹缺陷；
22、根据颜色特征和形状特征，标注光伏组件图像数据中的烧结不良缺陷；
23、根据颜色特征和形状特征，标注光伏组件图像数据中的污染缺陷。
24、进一步地，获取当前光伏组件的实时图像，包括：
25、采集当前光伏组件的正面、背面、边缘中任意一个角度或多个角度的实时图像；
26、对实时图像进行预处理后，得到实时图像集。
27、另一方面，本发明还提供一种光伏组件的缺陷检测系统，包括：现场边缘设备和云端处理终端；
28、现场边缘设备部分，用于采集光伏组件图像，并将其传输到云端处理终端；
29、云端处理终端，用于采用权利要求1-7任意一项所述的缺陷检测方法，检测光伏组件图像是否有缺陷，及缺陷类型。
30、另一方面，本发明还提供一种计算机存储介质，存储有可执行程序代码；所述可执行程序代码，用于执行上述任意的缺陷检测方法。
31、另一方面，本发明还提供一种终端设备，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行上述任意的缺陷检测方法。
32、本发明提供光伏组件的缺陷检测方法、系统及存储介质和终端设备，采用先进的计算机视觉算法模型，用于缺陷的检测和分类。这些算法模型经过大量的训练和优化，能够识别各种常见的光伏组件缺陷，在优选方案中，如裂纹、烧结不良、污染等。整体模型以图片为输入，模型内将特征进行提取，最后输出是否为缺陷以及优选的具体缺陷类型。
1.一种光伏组件的缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的缺陷检测方法，其特征在于，神经网络模型，包括：
3.根据权利要求2所述的缺陷检测方法，其特征在于，特征提取层，包括：
4.根据权利要求3所述的缺陷检测方法，其特征在于，池化层，包括：
5.根据权利要求4所述的缺陷检测方法，其特征在于，输出层，包括：缺陷检测头和缺陷分类头；
6.根据权利要求1所述的缺陷检测方法，其特征在于，标注缺陷的光伏组件图像数据的过程，包括：
7.根据权利要求1-6任意一项所述的缺陷检测方法，其特征在于，获取当前光伏组件的实时图像，包括：
8.一种光伏组件的缺陷检测系统，其特征在于，包括：现场边缘设备和云端处理终端；
9.一种计算机存储介质，其特征在于，存储有可执行程序代码；所述可执行程序代码，用于执行权利要求1-7任意一项所述的缺陷检测方法。
10.一种终端设备，其特征在于，包括存储器和处理器；所述存储器存储有可被处理器执行的程序代码；所述程序代码用于执行权利要求1-7任意一项所述的缺陷检测方法。
