[发明专利]光伏板图像分割方法及其模型的训练方法、装置

说明书

本发明公开了一种光伏板图像分割方法及其模型的训练方法、装置，该训练方法包括：获取训练样本集；将第一样本图像输入第一模型得到第一图像分割结果；将第二样本图像输入第二模型得到置信度和伪标签；根据置信度选择第三样本图像和对应的目标伪标签；将第三样本图像输入第一模型得到第三图像分割结果；根据真实标签和第一图像分割结果的损失以及目标伪标签和第三图像分割结果的损失更新第一模型的模型参数，将收敛的第一模型作为光伏板图像分割模型。本发明采用两个模型相配合的半监督训练方式训练光伏板图像分割模型，实现了少量的有标签样本和大量的无标签样本的有效利用，并根据置信度对无标签样本进行筛选，保证了训练的模型精度。

技术领域

本发明涉及图像识别和深度学习技术领域，特别涉及一种光伏板图像分割方法及其模型的训练方法、装置。

背景技术

光伏电站在稳定、持续、高效的发电过程中，因为光伏板本身问题或者其他问题导致发电量下降，需要对光伏板进行巡检，实时检测光伏板运行情况并及时排除有可能影响光伏板正常运行的异物，目前主要方式是通过无人机拍摄红外及可见光图像进行巡检，并对图像中光伏板表面是否存在异物以及异物的分布进行判断。其中，光伏板图像分割是光伏板异物检测的必要前置步骤，通过分割出可见光图像中的光伏板，可以排除图像中除光伏板外的其他物体的干扰，因此提高光伏板图像分割的准确率有助于提高异物检测的准确率。

现有的光伏板图像分割任务需要依赖于大量的标签数据进行训练，而光伏板图像数据的人工标注成本太高，大量采集的图像数据是没有标签的，使得训练出来的光伏板图像分割模型的准确性不高。目前，通过半监督学习的方式能有效的解决训练的标签数据量不足的问题，半监督学习的关键在于为训练数据集中的无标签图像的各个像素打上伪标签，伪标签的准确性及可靠性越高，则训练得到的模型的精度越高。由于有标签图像的数量要远远大于无标签图像的数量，因此无法保证伪标签的准确度，使用不准确的伪标签标注的数据集进行图像分割任务的模型训练将导致模型朝着错误的方向发展，从而影响光伏板图像分割模型的准确性。

发明内容

本发明要解决的技术问题是为了克服现有技术中有标签图像数据有限的情况下光伏板图像分割的准确性不高的缺陷，提供一种光伏板图像分割方法及其模型的训练方法、装置。

本发明是通过下述技术方案来解决上述技术问题：

本发明的第一方面提供一种光伏板图像分割模型的训练方法，所述训练方法包括：

获取训练样本集，所述训练样本集包括具有真实标签的多个第一样本图像以及无标签的多个第二样本图像，所述第一样本图像和所述第二样本图像均包含光伏板，所述第一样本图像的数量少于所述第二样本图像的数量；

将所述第一样本图像输入第一模型进行光伏板分割处理，输出所述第一样本图像的第一图像分割结果；

将所述第二样本图像输入第二模型进行光伏板分割处理，输出所述第二样本图像的置信度和第二图像分割结果，并根据所述第二图像分割结果得到所述第二样本图像的伪标签；

根据所述置信度从所述第二样本图像中选择第三样本图像，并从所述伪标签中选择与所述第三样本图像对应的目标伪标签；

将所述第三样本图像输入所述第一模型进行光伏板分割处理，输出所述第三样本图像的第三图像分割结果；

根据所述真实标签和所述第一图像分割结果计算的第一损失以及所述目标伪标签和所述第三图像分割结果计算的第二损失更新所述第一模型的模型参数，并基于所述第一模型的模型参数更新所述第二模型的模型参数，直至满足收敛条件，将收敛的第一模型作为所述光伏板图像分割模型。

较佳地，所述根据所述置信度从所述第二样本图像中选择第三样本图像的步骤包括：

选择所述置信度大于置信度阈值的所述第二样本图像作为所述第三样本图像；

或，