[发明专利]一种基于无人机巡检的光伏站故障点定位方法及系统

权利要求书

1.一种基于无人机巡检的光伏站故障点定位方法，其特征在于，所述定位方法包括：

获取无人机对光伏站进行巡检时所采集得到的巡检图像；

以所述巡检图像作为输入，利用环境感知器确定所述巡检图像对应的各环境类型的概率值；所述环境类型为采集所述巡检图像时的天气类型；

以所述各环境类型的概率值作为输入，利用环境去除器对所述巡检图像进行环境去除，得到无环境因素的第一特征图；

以所述第一特征图作为输入，利用目标检测模型确定故障点位置。

2.根据权利要求1所述的定位方法，其特征在于，在以所述巡检图像作为输入，利用环境感知器确定所述巡检图像对应的各环境类型的概率值之前，所述定位方法还包括构建全量数据集；所述全量数据集用于训练得到所述环境感知器、所述环境去除器以及所述目标检测模型；

所述构建全量数据集具体包括：

基于第一数据集对SOTA二阶段大模型进行训练，得到第一模型；所述第一数据集包括正常环境下采集的多张训练用第一图像以及每一所述训练用第一图像对应的第一标签；所述正常环境为晴天；所述第一标签为所述训练用第一图像对应的故障点位置；

获取第二数据集；所述第二数据集包括非正常环境下采集的多张训练用第二图像；所述非正常环境为除晴天之外的其他天气；

利用所述第一模型对所述第二数据集进行预测，得到每一所述训练用第二图像对应的第二标签；所述第二标签为所述训练用第二图像对应的故障点位置；所有所述训练用第二图像和每一所述训练用第二图像对应的第二标签组成第三数据集；

合并所述第一数据集和所述第三数据集，得到第四数据集；

基于所述第四数据集对所述第一模型进行训练，得到第二模型；

利用所述第二模型对所述第二数据集进行预测，得到每一所述训练用第二图像对应的第三标签；所述第三标签为所述训练用第二图像对应的故障点位置；所有所述训练用第二图像和每一所述训练用第二图像对应的第三标签组成第五数据集；

合并所述第一数据集和所述第五数据集，得到全量数据集。

3.根据权利要求2所述的定位方法，其特征在于，所述基于第一数据集对SOTA二阶段大模型进行训练具体包括：基于第一数据集，采用每A个epoch逐渐解冻SOTA二阶段大模型的倒数网络层的方式对所述SOTA二阶段大模型进行训练。

4.根据权利要求2所述的定位方法，其特征在于，所述基于所述第四数据集对所述第一模型进行训练具体包括：

按照m:n的比例对所述第一数据集和所述第三数据集进行混合，生成训练数据；

基于所述训练数据，采用每A个epoch逐渐解冻所述第一模型的倒数网络层的方式对所述第一模型进行训练。

5.根据权利要求2所述的定位方法，其特征在于，在以所述巡检图像作为输入，利用环境感知器确定所述巡检图像对应的各环境类型的概率值之前，所述定位方法还包括生成所述环境感知器、所述环境去除器和所述目标检测模型，具体包括：

以Encoder网络结构作为初始环境感知器，以多头Decoder网络结构作为初始环境去除器，以SOTA一阶段小模型作为初始目标检测模型；

基于所述全量数据集对所述初始环境感知器进行训练，得到所述环境感知器；基于所述全量数据集对所述初始环境去除器进行训练，得到所述环境去除器；基于所述全量数据集对所述初始目标检测模型进行训练，得到所述目标检测模型。

6.根据权利要求5所述的定位方法，其特征在于，所述以所述各环境类型的概率值作为输入，利用环境去除器对所述巡检图像进行环境去除，得到无环境因素的第一特征图具体包括：

以所述各环境类型的概率值作为输入，利用可控逻辑门将所述各环境类型的概率值转换为权重值；

将所述权重值分别赋予所述环境去除器的每一个头，得到赋予权重值的环境去除器；

利用所述赋予权重值的环境去除器对所述巡检图像进行环境去除，得到无环境因素的第一特征图。