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

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.

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 GIỚI THIỆU CHUNG Các mơ hình nhận dạng lỗi pin phù hợp cho hệ thống PV định chưa rõ vị trí bị lỗi hệ thống Để khắc phụ nhược điểm đó, báo trình bày kỹ thuật xử lý ảnh [1] ứng dụng toán nhận dạng lỗi cho pin mặt trời, cụ thể sử dụng mang Yolov3 để nhận dạng lỗi Thuật ngữ: (1) : 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 xác trung bình; (8): Độ xác; (9): Độ phủ; (10): Dương tính thật; (11): Dương tính giả; FN: Âm tính giả; TN: Âm tính thật Nguyên lý hoạt động mạng yolo: Đầu vào mơ hình ảnh, mơ hình nhận dạng ảnh có đối tượng hay khơng, sau xác định tọa độ đối tượng ảnh Ảnh chia thành ma trận ô vuông SxS (S tham số người huấn luyện định S 3, 5, 7…), ô vuông bao gồm tập thơng tin mơ hình phải dự đốn Như Hình 1, mạng yolo gồm có 24 lớp tích chập lớp fully connected (FC) PHƯƠNG PHÁP NGHIÊN CỨU Nhận dạng đối tượng kỹ thuật thị giác máy tính có chức nhận diện đối tượng có ảnh video Yolo mơ hình mạng nơron CNN cho việc phát hiện, nhận dạng, phân loại đối tượng, tạo từ việc kết hợp convolutional layers (1) connected layers(2) Trong convolutional layers trích xuất đặc trưng ảnh, full connected layers dự đốn xác suất tọa độ đối tượng Mạng yolo so với mạng R-CNN tốc độ nhanh nhiều Bài toán nhận dạng đối tượng gồm toán nhỏ: (1) Xác định bounding box(3) (2) Với bounding box cần phân loại xem đối tượng Hình Kiến trúc mạng Yolo Một vài lớp tích chập có kích thước 11 giảm độ phức tạp đặc trưng, giúp mơ hình huấn luyện nhanh Đầu mạng tensor có kích thước 7730 qua lớp fully connected để phân loại Hàm mát có chức kiểm tra chất lượng đầu mơ hình so với nhãn để từ điều chỉnh hệ số trình huấn luyện Yolo sử dụng hàm độ lỗi bình phương dự đốn nhãn để tính độ lỗi cho mơ hình Cụ thể, độ lỗi tổng tổng độ lỗi sau: Độ lỗi việc dự đoán loại nhãn vật thể - Classification loss Độ lỗi dự đoán tạo độ chiều dài, chiều rộng boundary box - localization 279 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 loss Độ lỗi ô vng có chứa vật thể hay khơng - Confidence loss Trong q trình huấn luyện, mơ hình nhìn vào vng có chứa vật thể Tăng classification score(4) lớp vật thể lên Sau đó, nhìn vào vng đó, tìm boundary box tốt boxes dự đoán Tăng localization score(5) boundary box lên, thay đổi thơng tin boundary box để gần với nhãn Đối với ô vuông không chứa vật thể, giảm confidence score(6) không quan tâm đến classification score localization score ô vuông này: Công thức hàm mát: S2 B J(W,b,X,Y) = coord 1ijabj [( xi  xµi )2  ( yi  µ yi )2 ] i 0 j 0 S2 B yi )2 ] + coord 1ijabj [( w i  xµi )  ( y i  µ i 0 j  S B  + µ) + (Ci  C i i 0 j 0 S2  1i obj i 0  S2 B µ)2  noord  (Ci  C i với ngưỡng t để xác định số TP (True Positive(10) – IoU >t), FP (False Positive(11) –IoU Tạo một.txt file ứng với ảnh.jpg tên đặt thư mục i  j 0 ( pi (c)  µ pi (c)) (2) (1) cclasses Trong đó: 1ijobj 1ijobj vng xét có object ngược lại XY tọa độ tâm w, h chiều rộng chiều dài bounding box B số lượng bounding box Ci điểm số tự tin box j ô vuông i pi(c) xác suất lớp c ô vuông i coord , noobj : hệ số điều chỉnh Phương pháp đánh giá kết theo [2] sử dụng số mAP (mean average precision (7)) đánh giá kết mơ hình, số xây dựng từ 11 điểm 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 đối tượng Chỉ số IoU tính tỉ số diện tích vùng giao (area of overlap) tổng diện tích box (area of union) Hai box box thật đối tượng (ground-truth bounding box) box mô hình dự đốn (predicted bounding box) So sánh số IoU 280 Hình Ảnh nhiệt pin mặt trời Hình Phần mềm LabelIimg Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 Thông tin file.txt gồm có số lượng vật thể tọa độ vật thể ảnh, ứng với vật thể dòng: với: : số thứ tự class xuất phát từ o đến (số class -1) : số thực vị trí tương ứng object so với ảnh, nằm khoảng từ đến Các đặt thông số cho trình huấn luyện: Do có liệu (120 ảnh) sử dụng yolov3 để huấn luyện liệu thay xây dựng mơ hình lại từ đầu Chọn số lượng classes = mơ hình cần phân biệt có lỗi khơng có lỗi Chọn số lượng epoch: 2000 epochs Chọn số lượng filter layer cuối theo công thức: (n classes  5)   18 Chọn learning rate = 0,001, thay đổi learning rate sau 1600 1800 epoch Lập trình python kết dự đốn lỗi Từ Hình 4, nhận thấy hàm mát giảm dần trình huấn luyện mơ hình giá trị 0,5, kết tốt tăng thời gian huấn luyện mơ hình, thời gina huấn luyện phụ thuốc lớn vào phần cứng (a) KẾT QUẢ (c) Chỉ số mAP đạt 91,91% (b) (d) Hình Kết dự đốn lỗi mơ hình Từ kết Hình cho thấy mơ hình phát vùng lỗi tốt, số vùng phát chưa hết vùng lỗi hình (a) hay hình (d) mơ hình cho thấy khả nhận dạng lỗi tự động hồn tồn ứng dụng vào thực tế KẾT LUẬN Tác giả xây dựng mơ hình với kết có độ xác cao Tuy nhiên cịn số hướng phát triển đề tài cho tương lại để cải thiện độ xác mơ hình cách: Thu thập thêm liệu để đánh giá thuật tốn tốt hơn, tìm hiểu liệu thực tế, xây dựng phần mềm nhận dạng lỗi tự động cho người vận hành sử dụng Hình Đồ thị loss trình huấn luyện TÀI LIỆU THAM KHẢO Nhận xét: Chỉ số mAP đạt cao, chứng tỏ mơ hình hoạt động tốt việc lựa chọn thơng số cho q trình huấn luyện phù hợp [1] V.M.Tiệp, 2016, machine learning bản, nhà xuất khoa học kỹ thuật [2] R.Khandelwal, 2017, Evaluating performance of an object detection model, towards datascience.com 281 ... thực tế, xây dựng phần mềm nhận dạng lỗi tự động cho người vận hành sử dụng Hình Đồ thị loss trình huấn luyện TÀI LIỆU THAM KHẢO Nhận xét: Chỉ số mAP đạt cao, chứng tỏ mô hình hoạt động tốt việc... (d) Hình Kết dự đốn lỗi mơ hình Từ kết Hình cho thấy mơ hình phát vùng lỗi tốt, số vùng phát chưa hết vùng lỗi hình (a) hay hình (d) mơ hình cho thấy khả nhận dạng lỗi tự động hồn tồn ứng dụng... yolov3 để huấn luyện liệu thay xây dựng mơ hình lại từ đầu Chọn số lượng classes = mơ hình cần phân biệt có lỗi khơng có lỗi Chọn số lượng epoch: 2000 epochs Chọn số lượng filter layer cuối theo