文献类型：期刊文章

作　　者：孙海蓉[1] 李号[1,2]

Sun Hairong;Li Hao(School of Control and Computer Engineering,North China Electric Power University,Baoding 071003,China;Hebei Engineering Research Center of Simulation&Optimized Control for Power Generation,North China Electric Power University,Baoding 071003,China)

机构地区：[1]华北电力大学控制与计算机工程学院,保定071003 [2]华北电力大学河北省发电过程仿真与优化控制工程技术研究中心,保定071003

出　　处：《太阳能学报》

基　　金：河北省自然科学基金(E2018502111)。

年　　份：2022

卷　　号：43

期　　号：1

起止页码：406-411

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对训练传统深度学习模型需大量数据而热斑效应样本数量相对少且不易采集的问题,提出基于深度迁移学习的小样本光伏热斑识别方法。在Inception-v3模型的基础上构建深度迁移学习模型,然后在负样本多分类的小样本热斑数据集上完成训练,得到可用于热斑识别的网络模型。实验结果表明,在样本数量不充足的情况下深度迁移学习方法训练出的模型识别准确率高、误检率低、泛化能力强。

关 键 词：光伏效应 迁移学习  图像识别 光伏热斑  深度学习  

分 类 号：TP18] TM615]