本发明涉及太阳能板故障检测，具体为一种基于深度学习的轻量级红外热成像太阳能板故障检测方法、装置、设备及存储介质。
背景技术：
1、如今，光伏电站的快速发展对光伏组件的现场维护和故障诊断提出了越来越高的要求；现有技术中，采用了一些深度学习的方法检测太阳能板的故障，然而，这些深度学习的方法都面临着轻量化和准确率之间的矛盾，模型精度高和可靠性高的transformer网络，对硬件性能和数据集要求非常高，而可实时检测的yo l o网络却面临着低精度和对小目标检测能力较差的困扰；
2、综上所述，如何设计一种太阳能板故障检测方法，使其所采用的检测模型整体性能良好，小目标检测能力强，能够准确的检测到故障，轻量化程度高，成为亟待解决的问题。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的轻量级红外热成像太阳能板故障检测方法、装置、设备及存储介质，以解决以上的问题。
2、为达到以上目的，提供以下技术方案：
3、一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，包括以下步骤：
4、s1：以低空红外热成像方法获取太阳能板图像；
5、s2：建立故障检测模型并进行训练；
6、s3：将太阳能板图像导入训练后的故障检测模型中，得到太阳能板故障检测结果；
7、其中，故障检测模型训练步骤具体如下：
8、取红外热成像中的全部缺陷类型图像，将缺陷类型图像按照8：1：1的比例分为训练集、验证集和测试集，对模型进行训练，得到训练后的故障检测模型；
9、其中，学习率为0.01，数据加载器的数量为8个，训练历元的数量为200个；所述缺陷类型包括：模块表面存在鸟粪和污垢、模块表面有植被、模块运行时单电池热异常、电池破裂、多电池热异常。
10、优选地，
11、所述训练后的故障检测模型，结构包括：
12、骨干网络backbone、颈部网络neck和头部网络head；
13、所述骨干网络包括：
14、依次连接的输入模块i nput、hgstem模块、第一rephg模块、第一dwconv模块、第二rephg模块、第二dwconv模块、第三rephg模块、第四rephg模块、第五rephg模块、第三dwconv模块、第六rephg模块、sppf模块；
15、所述颈部网络包括：
16、依次连接的第一上采样模块、第一拼接模块、第一cmspc模块、第二上采样模块、第二拼接模块、第二cmspc模块、第一conv模块、第三拼接模块、第三cmspc模块、第二conv模块、第四拼接模块、第四cmspc模块；
17、其中，颈部网络的第一上采样模块对骨干网络中sppf模块的输出结果进行上采样；
18、第三rephg模块的输出结果还进入第一拼接模块参与拼接；
19、第五rephg模块的输出结果还进入第二拼接模块参与拼接；
20、sppf模块的输出结果还进入第四拼接模块参与拼接；
21、所述头部网络包括：
22、相互并联的第一dcd head模块、第二dcd head模块、第三dcd head模块；
23、所述第一dcd head模块与第二cmspc模块连接；
24、所述第二dcd head模块与第三cmspc模块连接；
25、所述第三dcd head模块与第四cmspc模块连接。
26、优选地，
27、所述rephg模块，包括：
28、多个并列设置的rlcvr模块，squeeze conv模块以及exc itat i on conv模块；
29、其中，每个rlcvr模块均包括依次连接的conv层和repconvbnrelu层，所述多个并列设置的rlcvr模块的输出结果拼接后依次与squeeze conv模块以及exc itat i on conv模块连接。
30、优选地，
31、所述cmspc模块，包括：
32、依次连接的3x3 conv bn si lu层，sp l it层，cmspc b l ock层、concat层以及3x3 conv bn si lu层，cmspc b l ock层包括多个cmspc b l ock；sp l it层的输出结果与多个cmspc b l ock的输出结果还在concat层进行拼接；
33、其中，所述cmspc b l ock包括依次相连的3x3 conv bn si lu层、mspconv模块以及add层，cmspc b l ock中的输入内容还进入add层进行相加。
34、优选地，
35、所述mspconv模块中，对输入内容的具体操作如下：
36、首先对输入通道等分，分成第一通道、第二通道、第三通道、第四通道，其中第一通道进行3×3标准卷积操作，第二通道进行5×5标准卷积操作，第三通道、第四通道保持通道不变，进行恒等映射，将第一通道、第二通道、第三通道、第四通道重新合并，并通过1x1标准卷积层输出。
37、优选地，
38、所述dcd head模块包括：
39、依次连接的第一cbs模块，第二cbs模块以及concat模块；
40、concat模块的输出结果分为四个支路，分别与mask&offset模块、第一taskdecompos it i on模块、第二taskdecompos it i on模块、以及si gmoi d模块相连接；
41、其中，第一taskdecompos it ion模块依次与dcnv2模块和bbox.loss模块连接；第二taskdecompos it ion模块依次与mu l t ip ly模块和c l s.loss模块连接；
42、mask&offset模块与dcnv2模块连接，sigmoid模块依次与conv模块、conv+relu模块和mu lt ip ly模块连接。
43、本发明还提供了一种基于深度学习的轻量级红外热成像太阳能板故障检测装置，应用于所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，
44、包括：
45、红外热成像单元，用于获取太阳能板图像；
46、模型建立单元，用于构建故障检测模型；
47、训练单元，用于对故障检测模型进行训练；
48、输出单元，用于输出检测结果。
49、本发明还提供了一种基于深度学习的轻量级红外热成像太阳能板故障检测设备，
50、所述设备包括：处理器以及存储有计算机程序指令的存储器；
51、所述处理器执行所述计算机程序指令时实现所述的基于深度学习的轻量级红外热成像太阳能板故障检测方法。
52、本发明还提供了一种计算机可读存储介质，
53、所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述的基于深度学习的轻量级红外热成像太阳能板故障检测方法。
54、本发明的有益效果为：
55、1.本发明将detr和yolo的优势结合设计了一款低空无人机红外热成像检测缺陷模型；设计了一款适配于yolo框架的rephgbone主干网络，在降低网络参数的同时引入detr类模型复杂背景下的全局特征提取能力；同时，由于无人机在空中的位置是不定的，红外热成像缺陷随着无人机所处的高低拍摄出的大小是不同的，本发明提高了网络对于不同大小缺陷的多尺度提取能力，提高了轻量级模型的整体性能和小目标检测能力；
56、2.本发明设计了一款轻量的动态协调检测头，并不是解耦头那样只是单纯的分离分类和检测，而是将分类和检查头进行合理的任务分解，这操作大大提高了对于复杂背景下的小目标的检测能力和模型的精度；实验表明，该模型达到了最先进的性能，在参数为3.14m的情况下，在线数据增强的准确率为89.14％；所提出的轻量级高性能模型可以方便地部署到无人机设备上，面对不同高度的检测和不同复杂背景的干扰，能够准确的检测到故障。
1.一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
3.根据权利要求2所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
4.根据权利要求3所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
5.根据权利要求4所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
6.根据权利要求5所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
7.一种基于深度学习的轻量级红外热成像太阳能板故障检测装置，应用于权利要求6所述的一种基于深度学习的轻量级红外热成像太阳能板故障检测方法，其特征在于，
8.一种基于深度学习的轻量级红外热成像太阳能板故障检测设备，其特征在于，
9.一种计算机可读存储介质，其特征在于，
