(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210471476.8 (22)申请日 2022.04.28 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城南区华能人才创新创业基地实 验楼A楼 (72)发明人 邸智　韦玮　黄思皖　王青天　 曾谁飞　李小翔　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 黄垚琳 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01)G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 光伏面板缺陷检测方法、 装置及计算机设备 (57)摘要 本申请提出一种光伏 面板缺陷检测方法、 装 置及计算机设备。 其中， 方法包括： 获取待检测光 伏面板的表 面图像； 将表面图像输入至最新迭代 升级后的缺陷检测模型， 获得待检测光伏面板的 缺陷检测结果； 基于对抗学习的方法， 获取表面 图像的无缺陷图像， 获取表面图像与无缺陷图像 之间的差值； 响应于差值超 过预设的阈值且缺陷 检测结果为无缺陷， 将表面图像作为目标图像放 入预设的数据库中； 响应于达到缺陷检测模型的 迭代升级条件， 从数据库中取出目标图像， 根据 目标图像及其标注数据确定新的训练样本， 并基 于新的训练样本对缺陷检测模型进行迭代训练。 本方案可以避免缺陷检测模型对于新的缺陷类 型的遗漏， 提升缺陷检测的准确性。 权利要求书2页 说明书11页 附图4页 CN 114897807 A 2022.08.12 CN 114897807 A 1.一种光伏面板缺陷检测方法， 其特 征在于， 包括： 获取待检测光伏面板的表面图像； 将所述表面图像输入至最新迭代升级后的缺陷检测模型， 获得所述待检测光伏面板的 缺陷检测结果； 所述缺陷检测模型已学习得到基于待检测光伏面板的表面图像预测所述光 伏面板的缺陷类型及定位的能力； 基于对抗学习的方法， 获取所述表面图像的无缺陷图像， 并将所述表面图像与所述无 缺陷图像进行比对， 获取 所述表面图像与所述无缺陷图像之间的差值； 响应于所述差值超过预设的阈值且所述缺陷检测结果为无缺陷， 将所述表面图像作为 目标图像放入预设的数据库中； 响应于达到所述缺陷检测模型的迭代升级条件， 从所述数据库中取出所述目标图像， 根据所述目标图像及其标注数据确定新的训练样本， 并基于所述新的训练样本对所述缺陷 检测模型进行迭代训练。 2.根据权利要求1所述的方法， 其特征在于， 所述基于对抗学习的方法， 获取所述表面 图像的无缺陷图像， 包括： 将所述表面图像输入至预设的生成器， 获得所述表面图像的无缺陷图像； 所述生成器 为已经过训练的生成式对抗网络中的生成器， 且所述生成器已学习得到基于光伏面板的表 面图像生成对应的无缺陷图像的能力。 3.根据权利要求1所述的方法， 其特征在于， 所述将所述表面图像与 所述无缺陷图像进 行比对， 获取 所述表面图像与所述无缺陷图像之间的差值， 包括： 分别将所述表面图像和所述无缺陷 图像进行灰度变换， 得到所述表面图像的第 一灰度 图和所述无缺陷图像的第二灰度图； 将所述第一灰度图中的每个像素点和所述第 二灰度图中对应的像素点进行比对， 获得 每个像素点之间差值； 根据每个像素点之间的差值， 确定所述表面图像与所述无缺陷图像之间的差值。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述目标图像及其标注数据确定 新的训练样本， 并基于所述 新的训练样本对所述 缺陷检测模型进行迭代训练， 包括： 确定所述目标图像的标注数据； 获取所述缺陷检测模型在最 新迭代训练时的第一训练样本； 将所述目标图像及其标注数据添加到所述第一训练样本中， 获得第二训练样本； 基于所述第二训练样本对所述 缺陷检测模型进行迭代训练。 5.根据权利要求1所述的方法， 其特征在于， 所述缺陷检测模型包括特征提取层、 特征 融合层和输出层， 所述将所述表面图像输入至最新迭代升级后的缺陷检测模型， 获得所述 待检测光伏面板的缺陷检测结果， 包括： 将所述表面图像输入至所述缺陷检测模型的特征提取层， 获得所述表面图像的第 一特 征图； 将所述第一特 征图输入至所述特 征融合层， 获得第二特 征图； 将所述第二特 征图输入至所述输出层， 获得 所述待检测光伏面板的缺陷检测结果。 6.一种光伏面板缺陷检测装置， 其特 征在于， 包括： 第一获取模块， 用于获取待检测光伏面板的表面图像；权　利　要　求　书 1/2 页 2 CN 114897807 A 2第二获取模块， 用于将所述表面图像输入至最新迭代升级后的缺陷检测模型， 获得所 述待检测光伏面板的缺陷检测结果； 所述缺陷检测模型已学习得到基于待检测光伏面板的 表面图像预测所述 光伏面板的缺陷类型及定位的能力； 第三获取模块， 用于基于对抗学习的方法， 获取 所述表面图像的无缺陷图像； 比对模块， 用于将所述表面图像与所述无缺陷图像进行比对， 获取所述表面图像与所 述无缺陷图像之间的差值； 放入模块， 用于响应于所述差值超过预设的阈值且所述缺陷检测结果为无缺陷， 将所 述表面图像作为目标图像放入预设的数据库中； 迭代训练模块， 用于响应于达到所述缺陷检测模型的迭代升级条件， 从所述数据库中 取出所述 目标图像， 根据所述 目标图像及其标注数据确定新的训练样本， 并基于所述新的 训练样本对所述 缺陷检测模型进行迭代训练。 7.根据权利要求6所述的装置， 其特 征在于， 所述第三获取模块具体用于： 将所述表面图像输入至预设的生成器， 获得所述表面图像的无缺陷图像； 所述生成器 为已经过训练的生成式对抗网络中的生成器， 且所述生成器已学习得到基于光伏面板的表 面图像生成对应的无缺陷图像的能力。 8.根据权利要求6所述的装置， 其特 征在于， 所述比对 模块具体用于： 分别将所述表面图像和所述无缺陷 图像进行灰度变换， 得到所述表面图像的第 一灰度 图和所述无缺陷图像的第二灰度图； 将所述第一灰度图中的每个像素点和所述第 二灰度图中对应的像素点进行比对， 获得 每个像素点之间差值； 根据每个像素点之间的差值， 确定所述表面图像与所述无缺陷图像之间的差值。 9.一种计算机设备， 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， 其特征在于， 所述处理器执行所述程序时， 实现如权利要求 1至5中任一所述的方 法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求5中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114897807 A 3