太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用, 传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题, 大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性, 提出基于改进DenseNet网络模型的缺陷检测方法, 选取DenseNet基础网络模型, 在模型中加入L2正则化, 并调整Batch Normalization层以解决过拟合问题; 将激活函数ReLU函数替换为SELU函数, 更好地缓解了梯度消失问题, 加强了网络的鲁棒性。实验结果表明, 训练集准确率到达93%, 测试集准确率达到87%, 能有效地检测并区分出电池板不同程度的损伤。

随机配置网络(SCN)通过引入不等式约束来限制输入权重和偏置的赋值,随着节点数量增加,网络能够逼近任意的数学函数和数据模型。在构建SCN的过程中,由于网络本身性质以及样本数据的不适定性和病态条件等问题会引起网络的过拟合,故提出一种基于Dropout技术的改进型SCN模型(Dropout-SCN)来自适应地约束输出权重分布和大小,以此来提高网络模型的识别精度。光纤数据验证的结果表明:与传统的SCN和L2范数正则化的SCN模型相比, Dropout-SCN模型具有更低的测试误差,有效地减缓了网络过拟合问题,提高了对光纤预警系统(OFPS)中光纤入侵信号的识别准确率。