针对光伏组件热斑效应图像分类任务中传统卷积神经网络对图像高维结构信息表征不足的问题

本文提出一种融合神经网络特征与拓扑特征的光伏热斑分类方法。首先

将光伏热斑图像输入卷积神经网络

通过前向传播提取各卷积层的激活特征;然后

把提取的特征制作成高维点云

通过拓扑数据分析对点云提取其拓扑结构生成条形码图;之后

计算条形码图中所有拓扑特征的L

2

范数、均值和标准差形成三维拓扑统计量

并将神经网络提取的数值特征与三维拓扑统计量融合;最后

将融合特征输入到随机森林和XGBoost中进行分类。实验结果显示

AlexNet、LeNet和ResNet 3种神经网络在随机森林下的平均分类准确率可达到98.93%

在XGBoost下的平均分类准确率可达到98.67%

与仅使用神经网络特征得到的分类准确率均有显著提升

从而验证了本文特征融合方法的有效性。