融合持续同调-CNN的灰度化光伏红外图像的识别和分类

孙海蓉; 唐振超; 张洪玮; 周黎辉

doi:doi:10.19912/j.0254-0096.tynxb.2024-0084

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

融合持续同调-CNN的灰度化光伏红外图像的识别和分类

更新时间：2025-12-02

- 融合持续同调-CNN的灰度化光伏红外图像的识别和分类
- 融合持续同调-CNN的灰度化光伏红外图像的识别和分类
- 太阳能学报 2025年46卷第6期页码：321-328
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0084
  中图分类号： TP391
- 网络出版：2025-07-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
孙海蓉, 唐振超, 张洪玮, 等. 融合持续同调-CNN的灰度化光伏红外图像的识别和分类[J]. 太阳能学报, 2025,46(6):321-328.

孙海蓉, 唐振超, 张洪玮, et al. 融合持续同调-CNN的灰度化光伏红外图像的识别和分类[J]. 2025, 46(6): 321-328.
孙海蓉, 唐振超, 张洪玮, 等. 融合持续同调-CNN的灰度化光伏红外图像的识别和分类[J]. 太阳能学报, 2025,46(6):321-328. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0084.

孙海蓉, 唐振超, 张洪玮, et al. 融合持续同调-CNN的灰度化光伏红外图像的识别和分类[J]. 2025, 46(6): 321-328. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0084.

摘要

针对卷积神经网络对光伏红外热斑图像进行识别和分类准确率低、计算量大、光伏红外图像上热斑特征难以识别的问题

提出一种基于持续同调的对灰度化光伏热斑图像提取拓扑特征的算法。首先

将光伏红外热斑图像灰度化;然后将灰度化之后的图像进行持续同调计算

得到条形码

从条形码中提取其拓扑特征组成新的图像;最后

用卷积神经网络对新的图像进行识别和分类。实验结果表明

灰度化后的光伏红外图像是一个单通道图像

计算量更小;提取的光伏红外热斑图像拓扑特征更易识别和分类

准确率更高。

Abstract

Aiming at the low accuracy and high computational complexity of convolutional neural networks in recognizing and classifying photovoltaic infrared hot spot images

as well as the difficulty in identifying the hot spot features on photovoltaic infrared images

an algorithm based on persistent homology is proposed to extract topological features from grayscale photovoltaic hot spot images. Firstly

the photovoltaic infrared hot spot image is converted to grayscale. Then

persistent homology calculation is performed on the grayscale image to obtain a barcode

from which the topological features are extracted to compose a new image. Finally

a convolutional neural network is employed to recognize and classify the new image. The experimental results demonstrate that the grayscale photovoltaic infrared image is a single-channel image

resulting in lower computational complexity. The extracted topological features of the photovoltaic infrared hot spot image are easier to identify and classify

leading to higher accuracy.

关键词

Keywords

references

张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819.

王道累, 姚勇, 张世恒等. 基于红外热图像的光伏组件热斑深度学习检测方法[J]. 中国电机工程学报,2023, 43(24): 9608-9616.

孙海蓉, 周映杰, 张镇韬, 等. 基于改进自私羊群算法的光伏红外热图像热斑识别方法[J]. 中国电机工程学报, 2022, 42(24): 8942-8951.

唐圣学, 邢明, 陈丽, 等. 太阳电池组串热斑防治策略研究[J]. 太阳能学报,2022,43(4):226-235.

周颖, 毛立, 张燕, 等. 改进的CNN在太阳能电池板缺陷检测中的应用[J]. 计算机仿真, 2020, 37(3): 458-463, 474.

田浩, 周强, 贺晨龙. 基于多尺度特征融合的光伏组件缺陷检测[J]. 计算机工程与应用, 2024, 60(3): 340-347.

孙海蓉, 李莉, 周映杰等. 基于特征金字塔融合高分辨率网络的光伏热斑识别[J]. 太阳能学报, 2023, 44(9): 109-116.

孙航. 基于频域特性的光伏组件热斑故障检测方法研究[D]. 西安: 西安理工大学, 2023.

朱喆, 黄勇, 来春庆等. 改进YOLOv5的轻量化光伏热斑检测算法[J]. 机电工程技术, 2023, 52(8): 16-21+96.

殷杏子, 彭宁宁, 詹学燕. 基于持续同调的过滤式特征选择算法[J]. 计算机科学, 2023,50(6): 159-166.

FROSINI P, LANDI C.Size theory as a topological tool for computer vision[J]. Pattern recognition and image analysis, 1999, 9(4): 596-603.

CARLSSON G.Topology and data[J]. Bulletin of the American mathematical society, 2009, 46(2): 255-308.

SINGH G, MEMOLI F, CARLSSON G.Topological methods for the analysis of high dimensional data sets and 3D object recognition[C]// Eurographics symposium on Point-Based graphics, Prague, Czech, 2007.

CARLSSON G, ISHKHANOV T, DE SILVA V, et al.On the local behavior of spaces of natural images[J]. International journal of computer vision, 2008, 76(1): 1-12.

张景亮, 鞠先孟. 持续同调在图像分类和识别中的应用[J]. 应用数学与计算数学学报, 2017, 31(4): 494-508.

李双悦. 拓扑数据分析及其在图像分类中的应用[D]. 济南: 山东大学, 2022.

OTTER N, PORTER M A, TILLMANN U, et al.A roadmap for the computation of persistent homology[J]. EPJ data science, 2017, 6(1): 17.

姚慧. 基于卷积神经网络的光伏阵列热斑故障检测方法研究[D]. 北京: 华北电力大学, 2020.

孙海蓉, 潘子杰, 晏勇. 基于深度卷积自编码网络的小样本光伏热斑识别与定位[J]. 华北电力大学学报: 自然科学版, 2021, 48(4): 91-98.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于注意力模块及1D-CNN的滚动轴承故障诊断

基于多方面特征提取和迁移学习的风速预测

基于GSS的RIME-CNN-LSTM-Attention光伏出力组合预测模型