intTypePromotion=1
ADSENSE

Xây dựng hệ thống nhận dạng lỗi tự động của tấm pin năng lượng mặt trời

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

12
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Xây dựng hệ thống nhận dạng lỗi tự động của tấm pin năng lượng mặt trời trình bày về kỹ thuật xử lý ảnh và ứng dụng trong bài toán nhận dạng lỗi cho các tấm pin mặt trời, cụ thể sử dụng mang Yolov3 để nhận dạng lỗi.

Chủ đề:
Lưu

Nội dung Text: Xây dựng hệ thống nhận dạng lỗi tự động của tấm pin năng lượng mặt trời

  1. Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 XÂY DỰNG HỆ THỐNG NHẬN DẠNG LỖI TỰ ĐỘNG CỦA TẤM PIN NĂNG LƯỢNG MẶT TRỜI Lê Thị Hương Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG Nguyên lý hoạt động của mạng yolo: Đầu vào của mô hình là một ảnh, mô hình sẽ nhận Các mô hình nhận dạng lỗi của tấm pin dạng ảnh đó có đối tượng nào hay không, sau hiện nay chỉ phù hợp cho một hệ thống PV đó sẽ xác định tọa độ của đối tượng trong nhất định và chưa chỉ rõ vị trí bị lỗi trong hệ ảnh. Ảnh chia thành các ma trận ô vuông SxS thống. Để khắc phụ được nhược điểm đó, bài (S là tham số do người huấn luyện chỉ định báo này sẽ trình bày về kỹ thuật xử lý ảnh [1] và S có thể là 3, 5, 7…), mỗi ô vuông bao và ứng dụng trong bài toán nhận dạng lỗi cho gồm một tập các thông tin mô hình phải dự các tấm pin mặt trời, cụ thể sử dụng mang đoán. Yolov3 để nhận dạng lỗi. Như Hình 1, mạng yolo gồm có 24 lớp tích Thuật ngữ: (1) chập và 2 lớp fully connected (FC). : Lớp tích chập; (2): Lớp kết nối; (3): Hình chữ nhật bao quanh đối tượng; (4): Điểm phân loại, (5): Điểm địa phương; (6): Điểm tin cậy; (7): Độ đo chính xác trung bình; (8): Độ chính xác; (9): Độ phủ; (10): Dương tính thật; (11): Dương tính giả; FN: Âm tính giả; TN: Âm tính thật. 2. PHƯƠNG PHÁP NGHIÊN CỨU Nhận dạng đối tượng là một kỹ thuật trong Hình 1. Kiến trúc mạng Yolo thị giác máy tính có chức năng nhận diện các Một vài lớp tích chập có kích thước 11 đối tượng có trong ảnh hoặc trong video. giảm độ phức tạp của các đặc trưng, giúp mô Yolo là một mô hình mạng nơron CNN cho hình huấn luyện nhanh hơn. Đầu ra của mạng việc phát hiện, nhận dạng, phân loại đối là một tensor có kích thước 7730 qua lớp tượng, tạo ra từ việc kết hợp giữa fully connected để phân loại. convolutional layers (1) và connected layers(2). Hàm mất mát có chức năng kiểm tra chất Trong đó các convolutional layers sẽ trích lượng đầu ra của mô hình so với nhãn đúng xuất ra các đặc trưng của ảnh, còn full để từ đó điều chỉnh các hệ số trong quá trình connected layers sẽ dự đoán ra xác suất đó và huấn luyện. Yolo sử dụng hàm độ lỗi bình tọa độ của đối tượng. Mạng yolo so với mạng phương giữa dự đoán và nhãn để tính độ lỗi R-CNN thì tốc độ nhanh hơn rất nhiều. Bài cho mô hình. Cụ thể, độ lỗi tổng sẽ là tổng toán nhận dạng đối tượng gồm 2 bài toán của 3 độ lỗi con sau: Độ lỗi của việc dự đoán nhỏ: (1) Xác định các bounding box(3). (2) loại nhãn của vật thể - Classification loss. Độ Với mỗi bounding box thì cần phân loại xem lỗi của dự đoán tạo độ cũng như chiều dài, đấy là đối tượng gì. chiều rộng của boundary box - localization 279
  2. Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 loss. Độ lỗi của ô vuông có chứa vật thể nào với ngưỡng t để xác định ra các chỉ số TP hay không - Confidence loss. Trong quá trình (True Positive(10) – IoU >t), và FP (False huấn luyện, mô hình sẽ nhìn vào những ô Positive(11) –IoU Tạo một.txt file ứng với i 0 j  0 S 2 B S2 B mỗi ảnh.jpg cùng tên và đặt trong cùng 1 µ) 2 + µ)2 thư mục. +  i 0 j 0 (Ci  Ci  noord  (Ci  C i  0 j 0 i S2  1i obj  ( pi (c)  µ pi (c)) 2 (1) i 0 cclasses Trong đó: 1ijobj 1ijobj bằng 1 nếu ô vuông đang xét có object ngược lại bằng 0. XY tọa độ của tâm. w, h là chiều rộng và chiều dài của bounding box. B là số lượng bounding box. Ci là điểm số tự tin của box j trong ô vuông i pi(c) là xác suất của lớp c trong ô vuông i Hình 2. Ảnh nhiệt của pin mặt trời coord , noobj : là các hệ số điều chỉnh. Phương pháp đánh giá kết quả theo [2] sử dụng chỉ số mAP (mean average precision (7)) đánh giá kết quả mô hình, chỉ số này xây dựng từ 11 điểm của đồ thị precision(8) - recall (9). Trong đó: IoU(Intersection over Union) để đánh giá xem bounding box dự đoán đối tượng khớp với ground truth thật của đối tượng. Chỉ số IoU được tính bằng tỉ số diện tích của vùng giao nhau (area of overlap) và tổng diện tích của 2 box (area of union). Hai box là box thật của đối tượng (ground-truth bounding box) và box do mô hình dự đoán (predicted bounding box). So sánh chỉ số IoU Hình 3. Phần mềm LabelIimg 280
  3. Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0 Thông tin trong mỗi file.txt gồm có số Từ Hình 4, nhận thấy hàm mất mát giảm lượng vật thể và tọa độ của vật thể ở trong dần trong quá trình huấn luyện mô hình và về ảnh, ứng với mỗi vật thể là một dòng: giá trị 0,5, kết quả có thể tốt hơn nếu tăng thời với: gian huấn luyện mô hình, nhưng thời gina : là số thứ tự của class xuất huấn luyện phụ thuốc rất lớn vào phần cứng. phát từ o đến (số class -1) : là các số thực chỉ vị trí tương ứng của object so với ảnh, nằm trong khoảng từ 0 đến 1. Các đặt thông số cho quá trình huấn luyện: Do có ít dữ liệu (120 ảnh) sử dụng yolov3 để huấn luyện dữ liệu thay vì xây dựng mô hình lại từ đầu. Chọn số lượng classes = 1 do mô hình chỉ cần phân biệt giữa có lỗi và (a) (b) không có lỗi. Chọn số lượng epoch: 2000 epochs. Chọn số lượng filter trong layer cuối cùng theo công thức: (n classes  5)  3  18 . Chọn learning rate = 0,001, thay đổi learning rate sau 1600 và 1800 epoch. Lập trình python để cho kết quả dự đoán lỗi. 3. KẾT QUẢ (c) (d) Chỉ số mAP đạt được 91,91% Hình 5. Kết quả dự đoán lỗi của mô hình Từ kết quả Hình 5 cho thấy mô hình đã phát hiện các vùng lỗi tốt, tuy còn một số vùng phát hiện chưa hết các vùng lỗi như trên hình (a) hay trên hình (d) nhưng mô hình cho thấy khả năng nhận dạng lỗi tự động và hoàn toàn có thể ứng dụng vào thực tế. 4. KẾT LUẬN Tác giả đã xây dựng được mô hình với kết quả có độ chính xác cao. Tuy nhiên vẫn còn một số hướng phát triển của đề tài cho tương lại để cải thiện độ chính xác của mô hình bằng cách: Thu thập thêm dữ liệu để đánh giá thuật toán tốt hơn, tìm hiểu về dữ liệu thực tế, và xây dựng phần mềm nhận dạng lỗi tự động cho người vận hành sử dụng. Hình 4. Đồ thị loss trong quá trình 5. TÀI LIỆU THAM KHẢO huấn luyện [1] V.M.Tiệp, 2016, machine learning cơ bản, Nhận xét: Chỉ số mAP đạt được khá cao, nhà xuất bản khoa học kỹ thuật. chứng tỏ mô hình hoạt động tốt cũng như [2] R.Khandelwal, 2017, Evaluating performance việc lựa chọn thông số cho quá trình huấn of an object detection model, towards - luyện là phù hợp. datascience.com. 281
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2