一种用于生成光伏板缺陷图像的CycleGAN模型的训练方法及装置与流程

一种用于生成光伏板缺陷图像的cyclegan模型的训练方法及装置
技术领域
1.本发明涉及人工智能技术领域，特别涉及一种用于生成光伏板缺陷图像的cyclegan模型的训练方法及装置。


背景技术：

2.随着近年来光伏产业的飞速发展，光伏板的规模已经十分庞大，由于集中式光伏场站大多建设在偏远地区，相关人员也不易到达，光伏板的运行维护成为影响光伏产业发展的主要因素之一，在光伏板的运行过程中，可能存在表面破损、灰尘、遮挡、脏污、热斑等缺陷，导致光伏组件发电效率不高，严重地会损坏光伏板，影响光伏场站的安全运行并会造成一定的经济损失。
3.相关技术中，可以通过人工智能图像识别方法进行光伏板缺陷的检测，然而，由于光伏板缺陷图像较少，导致光伏板缺陷检测的准确率较低。因此，如何解决光伏板缺陷图像较少的问题，进而提高光伏板缺陷检测的准确率，已成为了亟待解决的问题。


技术实现要素：

4.本技术提供了一种用于生成光伏板缺陷图像的cyclegan模型的训练方法，通过用于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
5.根据本技术的第一方面，提供了一种用于生成光伏板缺陷图像的cyclegan模型的训练方法，包括：获取训练样本，其中，所述训练样本包括光伏板的正常样本图像和缺陷样本图像；将所述训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由所述cyclegan模型输出的光伏板的候选图像，其中，所述候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像；根据所述训练样本和所述候选图像对所述cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。
6.另外，根据本技术上述实施例的一种用于生成光伏板缺陷图像的cyclegan模型的训练方法，还可以具有如下附加的技术特征：
7.根据本技术的一个实施例，所述将所述训练样本输入至待训练的用于生成光伏板缺陷图像的cyclegan模型中，获取由所述cyclegan模型输出的光伏板的候选图像，还包括：根据所述正常样本图像生成对应的第一缺陷候选图像和第三缺陷候选图像，并根据所述第一缺陷候选图像生成对应的所述第一正常候选图像；根据所述缺陷样本图像生成对应的第二正常候选图像和第三正常候选图像，并根据所述第二正常候选图像生成对应的第二缺陷候选图像。
8.根据本技术的一个实施例，所述cyclegan模型包括第一生成器和第二生成器，所述方法还包括：
9.将所述正常样本图像输入所述第一生成器，由所述第一生成器根据所述正常样本
图像输出所述第一缺陷候选图像，并将所述第一缺陷候选图像输入所述第二生成器，由所述第二生成器根据所述第一缺陷候选图像输出所述第一正常候选图像，并将所述正常样本图像输入所述第二生成器，由所述第二生成器根据所述正常样本图像输出所述第三缺陷候选图像。
10.将所述缺陷样本图像输入所述第二生成器，由所述第二生成器根据所述缺陷样本图像输出所述第二正常候选图像，将所述第二正常候选图像输入所述第一生成器，由所述第一生成器根据所述第二正常候选图像输出所述第二缺陷候选图像，并将所述缺陷样本图像输入所述第一生成器，由所述第一生成器根据所述缺陷样本图像输出所述第三正常候选图像。
11.根据本技术的一个实施例，所述cyclegan模型包括第一判别器和第二判别器，所述方法还包括：根据所述第一判别器，对所述光伏板的正常样本图像和所述光伏板的正常候选图像进行判别；根据所述第二判别器，对所述光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别。
12.根据本技术的一个实施例，根据所述训练样本和所述候选图像对所述循环生成对抗网络cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型，还包括：基于所述第一判别器和所述第二判别器的判别结果，获取所述cyclegan模型的总损失函数；基于所述总损失函数调整所述cyclegan模型的模型参数，并对调整后的cyclegan模型继续下一次训练，直至满足训练结束条件，得到所述目标cyclegan模型。
13.根据本技术的一个实施例，所述基于所述第一判别器和所述第二判别器的判别结果，获取所述cyclegan模型的损失函数，包括：根据所述正常样本图像和所述第二正常候选图像以及根据所述缺陷样本图像和第一缺陷候选图像的判别结果，获取所述cyclegan模型的第一损失函数；根据所述正常样本图像和所述第一正常候选图像以及根据所述缺陷样本图像和第二缺陷候选图像的判别结果，获取所述cyclegan模型的第二损失函数；根据所述正常样本图像和所述第三正常候选图像以及根据所述缺陷样本图像和所述第三缺陷候选图像的判别结果，获取所述cyclegan模型的第三损失函数；根据所述第一损失函数、第二损失函数和第三损失函数，获取所述cyclegan模型的所述总损失函数。
14.根据本技术的一个实施例，所述方法还包括：获取目标优化函数；根据所述目标优化函数和所述总损失函数，调整所述cyclegan模型的模型参数。
15.根据本技术的第二方面，提供了一种基于cyclegan模型的光伏板缺陷图像生成方法，包括：获取待处理的光伏板图像；将所述待处理的光伏板图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板的缺陷图像。
16.根据本技术的第三方面，提供了一种用于生成光伏板缺陷图像的cyclegan模型的训练装置，包括：第一获取模块，用于获取训练样本，其中，所述训练样本包括光伏板的正常样本图像和缺陷样本图像；输出模块，用于将所述训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由所述cyclegan模型输出的光伏板的候选图像，其中，所述候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像；训练模块，用于根据所述训练样本和所述候选图像对所述cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。
17.根据本技术上述实施例的一种用于生成光伏板缺陷图像的cyclegan模型的训练
装置，还可以具有如下附加的技术特征：
18.根据本技术的一个实施例，所述输出模块，还用于：根据所述正常样本图像生成对应的第一缺陷候选图像和第三缺陷候选图像，并根据所述第一缺陷候选图像生成对应的所述第一正常候选图像；根据所述缺陷样本图像生成对应的第二正常候选图像和第三正常候选图像，并根据所述第二正常候选图像生成对应的第二缺陷候选图像。
19.根据本技术的一个实施例，所述cyclegan模型包括第一生成器和第二生成器，所述输出模块，还用于：将所述正常样本图像输入所述第一生成器，由所述第一生成器根据所述正常样本图像输出所述第一缺陷候选图像，并将所述第一缺陷候选图像输入所述第二生成器，由所述第二生成器根据所述第一缺陷候选图像输出所述第一正常候选图像，并将缺陷样本图像输入所述第一生成器，由所述第一生成器根据所述缺陷样本图像输出所述第三缺陷候选图像。将所述缺陷样本图像输入所述第二生成器，由所述第二生成器根据所述缺陷样本图像输出所述第二正常候选图像，将所述第二正常候选图像输入所述第一生成器，由所述第一生成器根据所述第二正常候选图像输出所述第二缺陷候选图像，并将正常样本图像输入所述第二生成器，由所述第二生成器根据所述正常样本图像输出所述第三正常候选图像。
20.根据本技术的一个实施例，所述cyclegan模型包括第一判别器和第二判别器，所述装置，还用于：根据第一判别器，对光伏板的正常样本图像和光伏板的正常候选图像进行判别。根据第二判别器，对光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别。
21.本技术的一个实施例，所述训练模块，还用于：基于所述第一判别器和所述第二判别器的判别结果，获取所述cyclegan模型的总损失函数；基于所述总损失函数调整所述cyclegan模型的模型参数，并对调整后的cyclegan模型继续下一次训练，直至满足训练结束条件，得到所述目标cyclegan模型。
22.本技术的一个实施例，所述训练模块，还用于：根据所述正常样本图像和所述第二正常候选图像以及根据所述缺陷样本图像和第一缺陷候选图像的判别结果，获取所述cyclegan模型的第一损失函数；根据所述正常样本图像和所述第一正常候选图像以及根据所述缺陷样本图像和第二缺陷候选图像的判别结果，获取所述cyclegan模型的第二损失函数；根据所述正常样本图像和所述第三正常候选图像以及根据所述缺陷样本图像和所述第三缺陷候选图像的判别结果，获取所述cyclegan模型的第三损失函数；根据所述第一损失函数、第二损失函数和第三损失函数，获取所述cyclegan模型的所述总损失函数。
23.本技术的一个实施例，所述装置还用于：获取目标优化函数；根据所述目标优化函数和所述总损失函数，调整所述cyclegan模型的模型参数。
24.根据本技术的第四方面，提供了一种基于cyclegan模型的光伏板缺陷图像生成装置，包括：获取模块，用于获取待处理的光伏板图像；输入模块，将所述待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板缺陷图像。
25.为了实现上述目的，本技术第五方面提出了一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
26.为了实现上述目的，本技术第六方面提出了一种存储有计算机指令的非瞬时计算
机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
27.为了实现上述目的，本技术第七方面提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
28.本技术实施例提供的技术方案至少包括如下有益效果：
29.本技术提供了一种用于生成光伏板缺陷图像的cyclegan模型的训练方法，通过用于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
30.应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
31.附图用于更好地理解本方案，不构成对本技术的限定。其中：
32.图1为本技术实施例提供的一种用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图；
33.图2为本技术实施例提供的另一种用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图；
34.图3为本技术实施例提供的另一种用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图；
35.图4为本技术实施例提供的一种cyclegan模型的结构示意图；
36.图5为本技术实施例提供的一种cyclegan模型的结构示意图；
37.图6为本技术实施例提供的另一种用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图；
38.图7为本技术实施例提供的另一种用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图；
39.图8为本技术实施例提供的一种基于cyclegan模型的光伏板缺陷图像生成方法的流程示意图；
40.图9为本技术实施例提供的一种模型训练装置的结构示意图；
41.图10为本技术实施例提供的一种基于cyclegan模型的光伏板缺陷图像生成装置的结构示意图；
42.图11为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
43.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同
样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
44.下面采用实施例对本技术的用于生成光伏板缺陷图像的cyclegan模型的训练方法进行详细说明。
45.图1为本技术实施例提供的用于生成光伏板缺陷图像的cyclegan模型的训练方法的流程示意图。
46.如图1所示，本实施例提出的用于生成光伏板缺陷图像的cyclegan模型的训练方法，具体包括以下步骤：
47.s101、获取训练样本，其中，训练样本包括光伏板的正常样本图像和缺陷样本图像。
48.需要说明的是，在获取训练样本后，可以对训练样本进行标注，将训练样本划分为光伏板的正常样本图像和缺陷样本图像。
49.进一步地，光伏板的缺陷样本图像可以为光伏板表面破损、光伏板表面有灰尘、光伏板表面被遮挡、光伏板表面有脏污等。进一步地，光伏板表面被遮挡的类型可以分为光伏板表面被阴影遮挡、光伏板表面被植物遮挡、光伏板表面被建筑物遮挡、光伏板表面被其他组件遮挡等，进一步地光伏板表面有脏污的类型可以分光伏板表面有鸟粪、光伏板表面有泥垢、光伏板表面有无机盐结垢等。
50.s102、将训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由cyclegan模型输出的光伏板的候选图像，其中，候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像。
51.在本技术实施例中，在获取到训练样本后，可以将训练样本输入cyclegan模型中，进而获取由cyclegan模型输出的光伏板的正常候选图像以及光伏板的缺陷候选图像。
52.其中，cyclegan模型包括2个生成器，即第一生成器和第二生成器。
53.举例而言，将训练样本中的光伏板的正常样本图像x，输入cyclegan模型中的第一生成器，可以获取与正常样本图像x对应的第一缺陷候选图像x’，将训练样本中的光伏板的缺陷样本图像y，输入cyclegan模型中的第二生成器，可以获取与缺陷样本图像y对应的第二正常候选图像y’。
54.进一步地，在获取到第一缺陷候选图像和第二正常候选图像后，可以输入cyclegan模型中，以获取与第一缺陷候选图像对应的第一正常候选图像以及与第二正常候选图像对应的第二缺陷候选图像。
55.举例而言，将第一缺陷候选图像x’输入cyclegan模型中的第二生成器，可以获取与第一缺陷候选图像x’对应的第一正常候选图像x”，将第二正常候选图像y’输入cyclegan模型中的第一生成器，可以获取与第二正常候选图像y’对应的第二缺陷候选图像y”。
56.s103、根据训练样本和候选图像对cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。
57.需要说明的是，相关技术中，光伏板的缺陷图像较少，本技术可以基于目标cyclegan模型，将大量的光伏板的正常图像转换成不同类型的缺陷候选图像，解决了现有技术中光伏板的缺陷图像较少的问题。
58.在本技术实施例中，在获取到训练样本和候选图像后，可以根据训练样本和候选图像对cyclegan模型进行训练，进而获取用于生成光伏板缺陷图像的目标cyclegan模型。
59.进一步地，在获取到用于生成光伏板缺陷图像的目标cyclegan模型后，可以基于目标cyclegan模型，将光伏板的正常样本图像转换成不同类型的光伏板缺陷图像。
60.本技术提供的用于生成光伏板缺陷图像的cyclegan模型的训练方法，通过获取训练样本，其中，训练样本包括光伏板的正常样本图像和缺陷样本图像，并将训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由cyclegan模型输出的光伏板的候选图像，其中，候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像，并根据训练样本和候选图像对cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。由此，本技术通过用于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
61.需要说明的是，本技术中，在试图获取由cyclegan模型输出的光伏板的候选图像时，可以基于cyclegan模型中的第一生成器和第二生成器，获取由cyclegan模型输出的光伏板的正常候选图像以及缺陷候选图像。
62.作为一种可能的实现方式，如图2所示，在上述步骤的基础上，上述步骤s101中将训练样本输入cyclegan模型中，获取由cyclegan模型输出的光伏板的候选图像的具体过程，包括以下步骤：
63.s201、根据正常样本图像生成对应的第一缺陷候选图像和第三正常候选图像，并根据第一缺陷候选图像生成对应的第一正常候选图像。
64.在本技术实施例中，可以将正常样本图像输入第一生成器，由第一生成器根据正常样本图像输出第一缺陷候选图像，并将第一缺陷候选图像输入第二生成器，由第二生成器根据第一缺陷候选图像输出第二正常候选图像。
65.进一步地，在本技术实施例中，还可以将正常样本图像输入第二生成器，由第二生成器根据正常样本图像输出第三正常候选图像。
66.s202、根据缺陷样本图像生成对应的第一正常候选图像和第三缺陷候选图像，并根据第一正常候选图像生成对应的第二缺陷候选图像。
67.在本技术实施例中，可以将缺陷样本图像输入第二生成器，由第二生成器根据缺陷样本图像输出第一正常候选图像，并将第一正常候选图像输入第一生成器，由第一生成器根据第一正常候选图像输出第二缺陷候选图像。
68.进一步地，在本技术实施例中，还可以将缺陷样本图像输入第一生成器，由第一生成器根据缺陷样本图像输出第三缺陷候选图像。
69.需要说明的是，本技术中，cyclegan模型包括两个判别器，即第一判别器和第二判别器，在获取到由cyclegan模型输出的光伏板的候选图像后，可以基于第一判别器和第二判别器，对光伏板的正常样本图像和光伏板的正常候选图像进行判别，对光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别。
70.作为一种可能的实现方式，如图3所示，在上述步骤的基础上，上述步骤中对光伏板的正常候选图像以及缺陷候选图像进行判别的具体过程，包括以下步骤：
71.s301、根据第一判别器，对光伏板的正常样本图像和光伏板的正常候选图像进行判别。
72.需要说明的是，第一判别器，可以用于区分正常样本图像和正常候选图像。
73.s302、根据第二判别器，对光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别。
74.需要说明的是，第二判别器，可以用于区分缺陷样本图像和缺陷候选图像。
75.下面对基于cyclegan模型获取光伏板的候选图像、对光伏板的正常样本图像和光伏板的正常候选图像进行判别以及对光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别的过程进行解释说明。
76.举例而言，其中，生成器g即为第一生成器，生成器f即为第二生成器，判别器dx即为第一判别器，判别器dy即为第二判别器。
77.如图4所示，针对正常样本图像x，缺陷样本图像y，将正常样本图像x输入至生成器g(第一生成器)中，可以获取第一缺陷候选图像x’，再将第一缺陷候选图像x’输入至生成器f(第二生成器)中，可以获取第一正常候选图像x”，将正常样本图像x输入生成器f(第二生成器)，可以获取第三正常候选图像像x
”’
，判别器dx(第一判别器)可以用于区分正常样本图像x和正常候选图像(第一正常候选图像x”、第二正常候选图像y’和第三正常候选图像x
”’
)，判别器dy(第二判别器)可以用于区分缺陷样本图像y和缺陷候选图像(第一缺陷候选图像x’、第二缺陷候选图像y”和第三缺陷候选图像y
”’
)。
78.如图5所示，针对正常样本图像x，缺陷样本图像y，将缺陷样本图像y输入至生成器f(第二生成器)中，可以获取第二正常候选图像y’，再将第二正常候选图像y’输入至生成器g(第一生成器)中，可以获取第二缺陷候选图像y”，将缺陷样本y图像输入生成器g(第一生成器)中，可以获取第三缺陷候选图像y
”’
，判别器dx(第一判别器)可以用于区分正常样本图像x和正常候选图像(第一正常候选图像x”、第二正常候选图像y’和第三正常候选图像x
”’
)，判别器dy(第二判别器)可以用于区分缺陷样本图像y和缺陷候选图像(第一缺陷候选图像x’、第二缺陷候选图像y”和第三缺陷候选图像y
”’
)。
79.进一步地，可以根据判别结果，获取cyclegan模型的总损失函数，进而调整cyclegan模型的模型参数，以得到目标cyclegan模型。
80.作为一种可能的实现方式，如图6所示，在上述步骤的基础上，上述步骤s103中根据训练样本和候选图像对cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型的具体过程，包括以下步骤：
81.s601、基于第一判别器和第二判别器的判别结果，获取cyclegan模型的总损失函数。
82.作为一种可能的实现方式，如图7所示，在上述步骤的基础上，上述步骤s601中基于第一判别器和第二判别器的判别结果，获取cyclegan模型的总损失函数的具体过程，包括以下步骤：
83.s701、根据正常样本图像和正常候选图像的判别结果以及根据缺陷样本图像和缺陷候选图像的判别结果，获取cyclegan模型的第一损失函数。
84.其中，cyclegan模型的第一损失函数，loss
gan
表示使生成器g(第一生成器)生成的缺陷候选图像尽可能被判别器dy(第二判别器)判定为缺陷样本图像；使生成器f(第二生成器)生成的正常候选图像尽可能被判别器dx(第一判别器)判定为正常样本图像。
85.其中，cyclegan模型的第一损失函数loss
gan
可以用以下公式进行获取：
[0086][0087]
s702、根据正常样本图像和第一正常候选图像的判别结果以及缺陷样本图像和第二缺陷候选图像的判别结果，获取cyclegan模型的第二损失函数。
[0088]
其中，cyclegan模型的第二损失函数表示正常样本图像x经过生成器g(第一生成器)生成第一缺陷候选图像x’，再经过生成器f(第二生成器)生成第一正常候选图像x”，使生成的正常候选图像与正常样本图像尽可能相似，同理地，缺陷样本图像y经过生成器f(第二生成器)生成第二正常候选图像y’后，再经过生成器g(第一生成器)生成第二缺陷图像y”，使生成的缺陷候选图像与样本缺陷图像尽可能相似。
[0089]
其中，cyclegan模型的第二损失函数loss
cycle
可以用以下公式进行获取：
[0090][0091]
s703、根据正常样本图像和第一正常候选图像以及第二正常候选图像的相似度，并根据缺陷样本图像和第一缺陷候选以及第二缺陷候选图像的相似度，获取cyclegan模型的第三损失函数。
[0092]
其中，cyclegan模型的第三损失函数loss
identity
表示保证生成器g、f生成的图像与输入的图像在内容上基本保持一致，仅实现正常和缺陷图像的转换。即生成器f(第二生成器)的目的是生成正常候选图像，输入正常样本图像x，生成的图像f(x)应与正常样本图像x尽可能相似，同理地，生成器g(第二生成器)的目的是生成缺陷图像，输入缺陷样本图像y，生成的图像g(y)应与缺陷样本图像y尽可能相似。
[0093]
其中，cyclegan模型的第三损失函数可以用以下公式进行获取：
[0094][0095]
s704、根据第一损失函数、第二损失函数和第三损失函数，获取cyclegan模型的总损失函数。
[0096]
需要说明的是，根据第一损失函数loss
gan
、第二损失函数loss
cyclegan
和第三损失函数loss
identity
，可以获取cyclegan模型的总损失函数loss
cyclegan
。
[0097]
举例而言，总损失函数loss
cyclegan
＝loss
gan
+λiloss
cycle
+λ2loss
identity
。
[0098]
其中，λ1和λ2可以根据对cyclegan模型的总损失函数的影响程度进行设定。
[0099]
s602、基于总损失函数调整cyclegan模型的模型参数，并对调整后的cyclegan模型继续下一次训练，直至满足训练结束条件，得到目标cyclegan模型。
[0100]
在本技术实施例中，在获取到总损失函数后，可以获取目标优化函数，并根据目标优化函数和总损失函数，调整cyclegan生成对抗网络模型的模型参数。
[0101]
举例而言，在试图根据目标优化函数和总损失函数，调整cyclegan生成对抗网络模型的模型参数时，可以根据以下公式进行调整：
[0102][0103]
其中，为目标优化函数、loss
cyclegan
为总损失函数。
[0104]
进一步地，可以对调整后的cyclegan模型继续下一次训练，直至满足训练结束条
件，得到目标cyclegan模型。
[0105]
其中，训练结束条件，可以根据实际情况进行设定，本技术不作限定。
[0106]
可选地，可以设定训练结束条件为训练次数达到预设训练次数。
[0107]
举例而言，可以设定训练结束条件为训练次数达到10000次。
[0108]
进一步，在获取到生成光伏板缺陷图像的目标cyclegan模型后，可以根据生成光伏板缺陷图像的目标cyclegan模型获取光伏板正常图像和不同类型的缺陷图像之间的映射关系。
[0109]
进一步地，在获取到光伏板正常图像和不同类型的缺陷图像之间的映射关系后，可以将光伏板正常图像转换成不同类型的缺陷图像，得到光伏板大量的缺陷图像。
[0110]
本技术提供的用于生成光伏板缺陷图像的cyclegan模型的训练方法，可以通过生成光伏板缺陷图像的目标cyclegan模型，获取到光伏板正常图像和不同类型的缺陷图像之间的映射关系，进而将光伏板正常图像转换成不同类型的缺陷图像，得到光伏板大量的缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率，进而提高了光伏组件的发电效率。
[0111]
下面采用实施例对本技术的基于cyclegan模型的光伏板缺陷图像生成方法进行详细说明。
[0112]
图8为本技术实施例提供的基于cyclegan模型的光伏板缺陷图像生成方法的流程示意图。
[0113]
s801、获取待处理的光伏板图像。
[0114]
可选地，待处理的光伏板图像可以为光伏板的正常图像。
[0115]
s802、将待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板缺陷图像。
[0116]
在本技术实施例中，在获取到待处理图像后，将待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，进而可以得到大量的光伏板缺陷图像。
[0117]
本技术提供的基于cyclegan模型的光伏板缺陷图像生成方法，通过获获取待处理的光伏板图像，将待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板缺陷图像。由此，本技术通过基于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
[0118]
为了实现上述实施例，本实施例提供了一种用于生成光伏板缺陷图像的cyclegan模型的训练装置，图9为本技术实施例提供的一种模型训练装置的结构示意图。
[0119]
如图9所示，该用于生成光伏板缺陷图像的cyclegan模型的训练装置1000，包括：第一获取模块110，输出模块120和第二获取模块130。
[0120]
第一获取模块110，用于获取训练样本，其中，所述训练样本包括光伏板的正常样本图像和缺陷样本图像；
[0121]
输出模块120，用于将所述训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由所述cyclegan模型输出的光伏板的候选图像，其中，所述候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像；
[0122]
训练模块130，用于根据所述训练样本和所述候选图像对所述循环生成对抗网络
cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。
[0123]
根据本技术的一个实施例，所述输出模块120，还用于：根据所述正常样本图像生成对应的第一缺陷候选图像和第三正常候选图像，并根据所述第一缺陷候选图像生成对应的所述第一正常候选图像；根据所述缺陷样本图像生成对应的第二正常候选图像和第三缺陷候选图像，并根据所述第二正常候选图像生成对应的第二缺陷候选图像。
[0124]
根据本技术的一个实施例，所述cyclegan模型包括第一生成器和第二生成器，所述输出模块120，还用于：将所述正常样本图像输入所述第一生成器，由所述第一生成器根据所述正常样本图像输出所述第一缺陷候选图像，并将所述第一缺陷候选图像输入所述第二生成器，由所述第二生成器根据所述第一缺陷候选图像输出所述第一正常候选图像，并将缺陷样本图像输入所述第一生成器，由所述第一生成器根据所述缺陷样本图像输出所述第三缺陷候选图像。将所述缺陷样本图像输入所述第二生成器，由所述第二生成器根据所述缺陷样本图像输出所述第二正常候选图像，将所述第二正常候选图像输入所述第一生成器，由所述第一生成器根据所述第二正常候选图像输出所述第二缺陷候选图像，并将正常样本图像输入所述第二生成器，由所述第二生成器根据所述正常样本图像输出所述第三正常候选图像。
[0125]
根据本技术的一个实施例，所述cyclegan模型包括第一判别器和第二判别器，所述装置1000，还用于：根据第一判别器，对光伏板的正常样本图像和光伏板的正常候选图像进行判别。根据第二判别器，对光伏板的缺陷样本图像和光伏板的缺陷候选图像进行判别。
[0126]
本技术的一个实施例，所述训练模块130，还用于：基于所述第一判别器和所述第二判别器的判别结果，获取所述cyclegan模型的总损失函数；基于所述总损失函数调整所述cyclegan模型的模型参数，并对调整后的cyclegan模型继续下一次训练，直至满足训练结束条件，得到所述目标cyclegan模型。
[0127]
本技术的一个实施例，所述训练模块130，还用于：根据所述正常样本图像和所述第二正常候选图像以及根据所述缺陷样本图像和第一缺陷候选图像的判别结果，获取所述cyclegan模型的第一损失函数；根据所述正常样本图像和所述第一正常候选图像以及根据所述缺陷样本图像和第二缺陷候选图像的判别结果，获取所述cyclegan模型的第二损失函数；根据所述正常样本图像和所述第三正常候选图像以及根据所述缺陷样本图像和所述第三缺陷候选图像的判别结果，获取所述cyclegan模型的第三损失函数；根据所述第一损失函数、第二损失函数和第三损失函数，获取所述cyclegan模型的所述总损失函数。
[0128]
本技术的一个实施例，所述装置1000，还用于：获取目标优化函数；根据所述目标优化函数和所述总损失函数，调整所述cyclegan模型的模型参数。
[0129]
本技术提供的用于生成光伏板缺陷图像的cyclegan模型的训练装置，通过获取训练样本，其中，训练样本包括光伏板的正常样本图像和缺陷样本图像，并将训练样本输入至待训练的用于生成光伏板缺陷图像的循环生成对抗网络cyclegan模型中，获取由cyclegan模型输出的光伏板的候选图像，其中，候选图像包括光伏板的正常候选图像以及光伏板的缺陷候选图像，并根据训练样本和候选图像对cyclegan模型进行训练，以获取用于生成光伏板缺陷图像的目标cyclegan模型。由此，本技术通过用于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
[0130]
为了实现上述实施例，本实施例提供了一种基于cyclegan模型的光伏板缺陷图像生成装置，图10为本技术实施例提供的一种基于cyclegan模型的光伏板缺陷图像生成装置的结构示意图。
[0131]
如图10所示，该用于生成光伏板缺陷图像的cyclegan模型的训练装置2000，包括：第二获取模块210和输入模块220。
[0132]
获取模块210，用于获取待处理的光伏板图像；
[0133]
输入模块220，将所述待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板缺陷图像。
[0134]
本技术提供的基于cyclegan模型的光伏板缺陷图像生成装置，通过获获取待处理的光伏板图像，将待处理的光伏板缺陷图像输入至用于生成光伏板缺陷图像的目标cyclegan模型中，以得到光伏板缺陷图像。由此，本技术通过基于生成光伏板缺陷图像的目标cyclegan模型，可以将光伏板的正常图像转换成不同类型的光伏板缺陷图像，解决了光伏板缺陷图像较少的问题，提高了光伏板缺陷检测的准确率。
[0135]
为了实现上述实施例，本技术还提出了一种电子设备3000，如图11所示，包括：存储器310、处理器320及存储在存储器310上并可在处理器上320运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
[0136]
为了实现上述实施例，本技术提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
[0137]
为了实现上述实施例，本技术还提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面所述的用于生成光伏板缺陷图像的cyclegan模型的训练方法或者第二方面所述的基于cyclegan模型的光伏板缺陷图像生成方法。
[0138]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0139]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。