光伏组件图像的标注方法、标注检测系统及服务器与流程

1.本发明涉及深度学习技术领域，具体涉及一种光伏组件图像的标注方法、标注检测系统及服务器。

背景技术：

2.光伏组件在生产制造过程中可能会存在各类缺陷问题，如缺角、异物、裂纹等，这些缺陷会导致光伏电池的光电转换效率降低，影响使用寿命，因此，需要在生产制造过程中对前述缺陷进行检测。
3.现有的检测方式包括基于深度学习模型的光伏组件缺陷检测。而用于光伏组件图像识别检测的深度学习模型是通过输入训练数据进行训练得到，训练数据中包含了光伏组件图像的目标标注结果。目前，光伏组件图像的目标标注主要是人工手动标注，当光伏组件图像数量较多或图像内目标复杂时，人工标注难免会出现差错，导致误标或错标的情况发生。此时就需要对标注的训练数据进行清洗，目前这一过程需要人工进行，通过对光伏组件图像每一张进行检查，并在发现错误后进行更正。由于训练数据的量大，整个更正过程费时费力。

技术实现要素：

4.本发明的主要目的在于提出，旨在解决现有技术中存在的上述问题。
5.为实现上述目的，本发明提供一种光伏组件图像的标注方法，包括：
6.获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注数据、与所述光伏组件图像一一对应的第二标注数据，所述第一标注数据通过第一标注流程产生，所述第二标注数据通过第二标注流程产生，所述第一标注流程与所述第二标注流程中的至多一个标注流程为人工标注；
7.比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异；
8.若所述差异满足预设条件，生成合并标注文件，所述合并标注文件包含对应光伏组件图像的所述第一标注数据和所述第二标注数据中至少与所述差异对应的部分；
9.对所述合并标注文件内的所述第一标注数据和/或所述第二标注数据进行判断更正，得到第三标注数据；
10.用所述第三标注数据覆盖对应的所述第一标注数据或所述第二标注数据。
11.在一些实施例中，所述预设条件为：所述第二标注数据中的标注对象数量与所述第一标注数据中的同类型标注对象数量不同或所述第二标注数据中存在标注对象和所述第一标注数据中同类型的所有标注对象之间的交并比小于0.5。
12.在一些实施例中，所述获取一定数量的所述光伏组件图像、与所述光伏组件图像一一对应的第一标注数据、与所述光伏组件图像一一对应的第二标注数据的步骤包括：
13.获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件，
所述第一标注文件中包含有对应的所述第一标注数据；
14.获取与所述光伏组件图像一一对应的第二标注数据；
15.所述用所述第三标注数据覆盖对应的所述第一标注数据或所述第二标注数据的步骤具体为：
16.用包含所述第三标注数据的所述合并标注文件覆盖对应的所述第一标注文件。
17.在一些实施例中，所述第一标注流程为人工标注；
18.所述获取与所述光伏组件图像一一对应的第二标注数据的步骤具体为：
19.使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
20.在一些实施例中，所述使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据的步骤包括：
21.构建网络架构；
22.将所述预设模型加载至gpu中；
23.加载所述预设模型的参数；
24.将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数；
25.执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
26.在一些实施例中，所述获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件的步骤包括：
27.获取一定数量的所述光伏组件图像、与所述光伏组件图像一一对应的第一标注文件至第一文件夹中；
28.所述生成合并标注文件的步骤包括：
29.在第二文件夹中生成所述合并标注文件，并将所述合并标注文件对应的所述光伏组件图像复制至所述第二文件夹中。
30.在一些实施例中，所述第一标注文件由图像标注工具生成和读取，所述合并标注文件与所述第一标注文件具有相同的格式类型；
31.所述在所述合并标注文件中对所述第一标注数据和/或所述第二标注数据进行判断更正，得到第三标注数据的步骤包括：
32.使用所述图像标注工具读取所述合并标注文件中的数据，人工检查更正所述第一标注数据和/或所述第二标注数据，得到第三标注数据；
33.所述用包含所述第三标注数据的所述合并标注文件覆盖对应的所述第一标注文件的步骤包括：
34.用更正后的所述第二文件夹中的所有文件覆盖至所述第一文件夹中。
35.本发明还提供一种光伏组件图像的标注检测系统，包括：
36.存储模块，用于存储一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件以及合并标注文件，所述第一标注文件中包含有对所述光伏组件图像进行人工标注得到的第一标注数据；
37.预测模块，用于对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一
一对应的第二标注数据；
38.比较模块，用于比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异是否满足预设条件；
39.生成模块，用于在比较模块判断所述差异满足预设条件时生成合并标注文件，所述合并标注文件包含对应的所述第一标注数据和对应的所述第二标注数据。
40.在一些实施例中，所述预测模块包括：
41.加载单元，用于构建网络架构，将所述预设模型加载至gpu中，加载所述预设模型的参数，将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数；
42.预测单元，用于执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
43.本发明还提供一种服务器，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序单独实现或在必要时配合人工检查实现前述任一实施例所述的方法。
44.本发明提出的光伏组件图像的标注方法，分别获取了两种不同标注流程对光伏组件图像标注得到的第一标注数据和第二标注数据，比较两种标注数据之间的差异，当两者之间差异满足预设条件时，说明差异较大，第一标注数据和/或第二标注数据可能存在错误，此时才需要对相关的第一标注数据和/或第二标注数据进行更正，从而大大减少了需要检查的标注数据量，节约了时间，降低了人力成本。
45.本发明的光伏组件图像的标注方法，只在第二标注数据与原始数据的差异较大时生成合并标注文件，且合并标注文件同时包含了第一标注数据和第二标注数据中至少与差异对应的部分，使得更正时只需要在合并标注文件内进行，方便在一张光伏组件图像中同时浏览对比两种标注数据。后续用判断更正得到的第三标注数据覆盖替换对应的第一标注数据或所述第二标注数据，得到的第三标注数据和未被替换的第一标注数据或第二标注数据即可满足训练数据的准确率要求，替换过程简便易行。
46.此外，本发明的光伏组件图像的标注方法，使用第一标注文件的方式保存人工标注的第一标注数据，而预设模型预测得到的第二标注数据在即时与第一标注数据比对后，仅在两者之间差异满足预设条件时以合并标注文件的方式保存，避免了将所有第二标注数据均使用额外的文件保存，在降低了第一标注数据和第二标注数据的比对更正替换难度的基础上，进一步降低了占用的系统资源。
附图说明
47.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
48.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
49.图1为本技术一些实施例方案涉及的光伏组件图像；
50.图2为本技术一些实施例方案涉及的光伏组件图像的标注方法的流程示意图；
51.图3为本技术一些实施例方案涉及的使用labelimg打开光伏组件图像的第一标注文件后的示意图；
52.图4为本技术一些实施例方案涉及的光伏组件图像和合并标注文件存放示意图；
53.图5为使用labelimg打开图3中光伏组件图像对应的合并标注文件后的示意图。
54.图6为图5对应的合并标注文件更正后的结果示意图。
具体实施方式
55.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
56.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
57.这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性，在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本技术的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本技术的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本技术的范围。应当知晓的是，这些附图并不依照比例。
58.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
59.本技术的标注方法用于光伏组件图像的标注，如图1所示，为光伏组件的照片图像，图1中的光伏组件包含黑的电池片部分以及电池片左侧的汇流条。可以理解的是，光伏组件可以包含比图1中所展示部件更多的其他部件。为方便说明，下面以光伏组件缺角的标注为例对本技术的标注方法进行解释，但本技术的标注方法并不仅限于缺角的标注，还可适用于异物、裂纹等缺陷的标注。
60.请参照图2，本技术的具体光伏组件图像的标注方法可以包括以下步骤。
61.步骤s100，获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注数据、与所述光伏组件图像一一对应的第二标注数据。
62.将光伏组件图像制作成深度学习模型的训练数据前，需要先对光伏组件图像进行标注，得到包含缺陷的种类和位置等信息在内的标注数据。
63.本实施例中，第一标注数据通过第一标注流程产生，第二标注数据通过第二标注流程产生，第一标注流程与第二标注流程中的至多一个标注流程为人工标注，具体地，第一
标注流程与第二标注流程可以有一个为人工标注，另一个为非人工标注，如通过其他深度学习模型自动标注；也可以第一标注流程与第二标注流程均为非人工标注，如通过其他两种不同的深度学习模型自动标注。第一标注数据和第二标注数据均包含光伏组件缺陷的种类和位置等信息。
64.步骤s200，比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异。
65.本实施例采用逐张对比的方式，对每张光伏组件图像对应的第一标注数据和对应的第二标注数据进行对比，出差异。本实施例可以根据缺陷的特点确定差异的判定参数，具体地，缺陷的种类、数量以及标注框的交并比均可以作为差异的判定参数。
66.本实施例只将同一光伏组件图像对应的第一标注数据和第二标注数据进行比对，无需将所有第一标注数据和第二标注数据进行比较，降低了比对的用时和资源消耗。
67.步骤s300，若所述差异满足预设条件，生成合并标注文件，所述合并标注文件包含对应光伏组件图像的所述第一标注数据和所述第二标注数据中至少与所述差异对应的部分。
68.若第二标注数据与第一标注数据之间的差异满足预设条件，则表明两者的差异较大，可能存在标注错误的情况，因此后续需要对这部分的第二标注数据和第一标注数据进行检查更正。本实施例仅针对差异较大的第二标注数据与第一标注数据生成合并标注文件，而非对所有第二标注数据与第一标注数据生成合并标注文件，可以有效地降低后续更正时需要比对的数据量。
69.本实施例可以根据缺陷的类型对判断差异的预设条件进行设定。优选地，预设条件为：第二标注数据中的标注对象数量与第一标注数据中的同类型标注对象数量不同，或第二标注数据中存在标注对象和第一标注数据中同类型的所有标注对象之间的交并比小于0.5，两者只要具备其一即可认定差异满足预设条件。以缺角缺陷类型为例，此时第二标注数据中的标注对象即为第二标注流程在光伏组件图像中标注出的缺角，第一标注数据中的同类型标注对象即为第一标注流程在光伏组件图像中标注出的缺角。进一步地，可以先进行标注对象数量的比对，再判断交并比。由于交并比计算需要耗费相对较多的资源算力，通过先比较对象数量，在两种标注数据存在标注对象数量不同的情况下，无需再进行交并比的判断，节约了计算资源。
70.步骤s400，对所述合并标注文件内的所述第一标注数据和/或所述第二标注数据进行判断更正，得到第三标注数据。
71.步骤s500，用所述第三标注数据覆盖对应的所述第一标注数据或所述第二标注数据。
72.本实施例中，由于合并标注文件直接包含了第一标注数据和第二标注数据中至少与差异对应的部分，而第一标注数据中有与第二标注数据相同的部分和差异对应的部分，因此，合并标注文件同时包含了完整的第一标注数据和第二标注数据，此时只需要在合并标注文件中进行标注数据的检查判断和更正即可。当发现某一标注数据存在标注错误时，可以直接将标注错误的部分删除，从而完成更正并得到第三标注数据，后续只用将第三标注数据覆盖对应的第一标注数据或第二标注数据，剩余未被覆盖的第一标注数据或第二标注数据、第三标注数据即可作为最终标注得到的训练数据用于后续深度学习模型的训练。
73.通过上述步骤s100-步骤s500，本实施例采用两种不同的标注流程对光伏组件图像标注得到的第一标注数据和第二标注数据，通过第二标注数据与第一标注数据进行比对，当两者之间差异满足预设条件时，说明差异较大，第一标注数据可能存在错误，此时才需要对第一标注数据和/或第二标注数据进行更正，大大降低了需要检查更正的数据量，节省了时间。此外，当第二标注数据与原始数据的差异较大时生成合并标注文件，合并标注文件内具有对应的第一标注数据和第二标注数据，更正时只需要在合并标注文件内进行，简化了更正过程；用更正后合并标注文件内的第三标注数据覆盖替换第一标注数据或第二标注数据，剩余未被覆盖的第一标注数据或第二标注数据和第三标注数据一起作为训练数据，可满足训练数据的准确率要求，整个更正替换过程简便易行。
74.在一些实施例中，步骤s100包括：
75.步骤s110，获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件，所述第一标注文件中包含有对应的所述第一标注数据。
76.步骤s120，获取与所述光伏组件图像一一对应的第二标注数据。
77.步骤s500具体为：
78.用包含所述第三标注数据的所述合并标注文件覆盖对应的所述第一标注文件。
79.进一步地，在一些实施例中，所述第一标注流程为人工标注；步骤s120具体为：
80.使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
81.本实施例中第一标注流程为人工使用图像标注工具的方式对光伏组件图像进行标注，图像标注工具可以为labelimg等软件，得到的第一标注数据存放在特定格式类型(如xml格式)的第一标注文件中。可以理解的是，作为训练数据的光伏组件图像可以为多个，每个光伏组件图像在第一标注流程后均会得到对应的第一标注文件。优选地，所有的第一标注文件与光伏组件图像存放在同一位置，如存放在同一文件夹内，且第一标注文件与光伏组件图像之间具有对应关系，后续可以通过图像标注工具打开指定的第一标注文件来读取和更正对应的第一标注数据。
82.图3为用图像标注工具labelimg打开某一个第一标注文件后所展示的光伏组件图像标注情况，左侧为光伏组件图像和缺陷的标注框，右侧栏目中包含有缺陷的类别信息，其中的“yiwu”和“quejiao”分别代表缺陷的类别为异物和缺角，且异物和缺角缺陷位置分别对应于左侧光伏组件图像中两个标注框的位置。
83.本实施例中采用的预设模型基于yolov5网络架构，通过预先使用图像中包含缺角缺陷的数据进行训练得到该预设模型，因此，该预设模型可以对光伏组件图像进行预测，得到包含缺角缺陷的位置等信息的第二标注数据。当光伏组件图像为多个时，预设模型得到的第二标注数据也为多个且与光伏组件图像一一对应。
84.本实施例中，通过预设模型得到的第二标注数据与第一标注数据进行比对，这一过程可以在预设模型完成预测标注后通过自动执行相关代码实现。
85.在一些实施例中，步骤s120：使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据，包括：
86.步骤s121，构建网络架构。
87.步骤s122，将所述预设模型加载至gpu中。
88.步骤s123，加载所述预设模型的参数。
89.步骤s124，将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数。
90.步骤s125，执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
91.本实施例通过将预设模型中的参数和buffer转为浮点型，可以提高预测精度，将预设模型中的卷积和bn层进行融合，可以加快预测速度，通过固定预设模型的参数，避免预测过程中预设模型的参数发生改变。
92.在一些实施例中，步骤s110具体为：
93.获取一定数量的所述光伏组件图像、与所述光伏组件图像一一对应的第一标注文件至第一文件夹中。
94.步骤s300中生成合并标注文件具体为：
95.在第二文件夹中生成所述合并标注文件，并将所述合并标注文件对应的所述光伏组件图像复制至所述第二文件夹中。
96.通过将光伏组件图像和对应的标注文件放置在同一文件夹中，便于后续使用图像标注工具读取相关数据并进行检查和替换。
97.进一步地，所述第一标注文件由图像标注工具生成和读取，所述合并标注文件与所述第一标注文件具有相同的格式类型。
98.步骤s400包括：
99.使用所述图像标注工具读取所述合并标注文件中的数据，人工检查更正所述第一标注数据和/或所述第二标注数据，得到第三标注数据。
100.步骤s500包括：
101.用更正后的所述第二文件夹中的所有文件覆盖至所述第一文件夹中。
102.以使用图像标注工具labelimg为例，第一标注流程得到的第一标注文件以xml格式和光伏组件图像存放在第一文件夹内。类似地，如图4所示，合并标注文件以xml格式和光伏组件图像存放在第二文件夹内。
103.图3所涉及的光伏组件图像对应的合并标注文件被图像标注工具labelimg打开后的界面如图5所示，在对应的光伏组件图像中同时显示第一标注流程和第二标注流程得到的缺角缺陷的种类和位置(光伏组件图像中标注框所对应的位置)。本实施例对第一标注数据中的缺角缺陷使用标签“quejiao”，对第二标注数据中的缺角缺陷使用另一种名称的标签“pred_quejiao”，通过使用两种不同的标签，方便人工检查时对第一标注数据和第二标注数据进行查看和比对。更正时，若第一标注数据或第二标注数据错误，则删除对应的标签“quejiao”或“pred_quejiao”，若第一标注数据正确，则保留对应的标签“quejiao”，若第二标注数据正确，则将对应的标签“pred_quejiao”修改为“quejiao”，图5对应的合并标注文件更正后的结果如图6所示。最后将更正后第二文件夹中包括合并标注文件和光伏组件图像在内的所有文件覆盖至第一文件夹中，此时第一文件夹内的训练数据即可满足后续深度学习模型的训练使用。
104.在一些实施例中，步骤s300中所述合并标注文件包含对应光伏组件图像的所述第一标注数据和所述第二标注数据，以便于在对差异相关的第一标注数据和/或第二标注数
据进行判断更正的基础上，还可以根据需要选择和/或调整其他非差异的标注数据。
105.本发明的一些实施例提供了一种光伏组件图像的标注检测系统，包括：
106.存储模块，用于存储一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件以及合并标注文件，所述第一标注文件中包含有对所述光伏组件图像进行人工标注得到的第一标注数据；
107.预测模块，用于对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据；
108.比较模块，用于比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异是否满足预设条件；
109.生成模块，用于在比较模块判断所述差异满足预设条件时生成合并标注文件，所述合并标注文件包含对应的所述第一标注数据和对应的所述第二标注数据中至少与所述差异对应的部分。
110.在一些实施例中，所述合并标注文件包含对应的所述第一标注数据和对应的所述第二标注数据。
111.进一步地，在一些实施例中，预测模块包括：
112.加载单元，用于构建网络架构，将所述预设模型加载至gpu中，加载所述预设模型的参数，将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数；
113.预测单元，用于执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
114.本实施例的光伏组件图像的标注检测系统可用于前述任一实施例中的步骤s100-步骤s300。
115.本发明的一些实施例提供了一种服务器，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序单独实现或在必要时配合人工检查实现前述任一实施例所涉及的光伏组件图像的标注方法。具体地，当步骤s400需要人工操作时，计算机程序可以实现除该步骤以外的其他步骤。
116.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
117.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
118.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
119.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发
明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：

1.一种光伏组件图像的标注方法，包括：获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注数据、与所述光伏组件图像一一对应的第二标注数据，所述第一标注数据通过第一标注流程产生，所述第二标注数据通过第二标注流程产生，所述第一标注流程与所述第二标注流程中的至多一个标注流程为人工标注；比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异；若所述差异满足预设条件，生成合并标注文件，所述合并标注文件包含对应光伏组件图像的所述第一标注数据和所述第二标注数据中至少与所述差异对应的部分；对所述合并标注文件内的所述第一标注数据和/或所述第二标注数据进行判断更正，得到第三标注数据；用所述第三标注数据覆盖对应的所述第一标注数据或所述第二标注数据。2.如权利要求1所述的方法，其特征在于，所述预设条件为：所述第二标注数据中的标注对象数量与所述第一标注数据中的同类型标注对象数量不同或所述第二标注数据中存在标注对象和所述第一标注数据中同类型的所有标注对象之间的交并比小于0.5。3.如权利要求1所述的方法，其特征在于，所述合并标注文件包含对应光伏组件图像的所述第一标注数据和所述第二标注数据。4.如权利要求1所述的方法，其特征在于，所述获取一定数量的所述光伏组件图像、与所述光伏组件图像一一对应的第一标注数据、与所述光伏组件图像一一对应的第二标注数据的步骤包括：获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件，所述第一标注文件中包含有对应的所述第一标注数据；获取与所述光伏组件图像一一对应的第二标注数据；所述用所述第三标注数据覆盖对应的所述第一标注数据或所述第二标注数据的步骤具体为：用包含所述第三标注数据的所述合并标注文件覆盖对应的所述第一标注文件。5.如权利要求4所述的方法，其特征在于，所述第一标注流程为人工标注；所述获取与所述光伏组件图像一一对应的第二标注数据的步骤具体为：使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。6.如权利要求5所述的方法，其特征在于，所述使用预设模型对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据的步骤包括：构建网络架构；将所述预设模型加载至gpu中；加载所述预设模型的参数；将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数；执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。
7.如权利要求5所述的方法，其特征在于，所述获取一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件的步骤包括：获取一定数量的所述光伏组件图像、与所述光伏组件图像一一对应的第一标注文件至第一文件夹中；所述生成合并标注文件的步骤包括：在第二文件夹中生成所述合并标注文件，并将所述合并标注文件对应的所述光伏组件图像复制至所述第二文件夹中。8.如权利要求7所述的方法，其特征在于，所述第一标注文件由图像标注工具生成和读取，所述合并标注文件与所述第一标注文件具有相同的格式类型；所述在所述合并标注文件中对所述第一标注数据和/或所述第二标注数据进行判断更正，得到第三标注数据的步骤包括：使用所述图像标注工具读取所述合并标注文件中的数据，人工检查更正所述第一标注数据和/或所述第二标注数据，得到第三标注数据；所述用包含所述第三标注数据的所述合并标注文件覆盖对应的所述第一标注文件的步骤包括：用更正后的所述第二文件夹中的所有文件覆盖至所述第一文件夹中。9.一种光伏组件图像的标注检测系统，包括：存储模块，用于存储一定数量的光伏组件图像、与所述光伏组件图像一一对应的第一标注文件以及合并标注文件，所述第一标注文件中包含有对所述光伏组件图像进行人工标注得到的第一标注数据；预测模块，用于对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据；比较模块，用于比较每张所述光伏组件图像对应的所述第一标注数据和对应的所述第二标注数据之间的差异是否满足预设条件；生成模块，用于在比较模块判断所述差异满足预设条件时生成合并标注文件，所述合并标注文件包含对应的所述第一标注数据和对应的所述第二标注数据。10.如权利要求9所述的标注检测系统，其特征在于，所述合并标注文件包含对应的所述第一标注数据和对应的所述第二标注数据。11.如权利要求9所述的标注检测系统，其特征在于，所述预测模块包括：加载单元，用于构建网络架构，将所述预设模型加载至gpu中，加载所述预设模型的参数，将所述预设模型的参数和buffer转换为浮点型，将所述预设模型中的卷积和bn层进行融合，固定所述预设模型的参数；预测单元，用于执行模型预测代码，对所述光伏组件图像进行预测标注，得到与所述光伏组件图像一一对应的第二标注数据。12.一种服务器，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序单独实现或在必要时配合人工检查实现上
述权利要求1-8任一项所述的方法。

技术总结

本发明实施例公开了光伏组件图像的标注方法、标注检测系统及服务器，通过对两种标注流程分别得到的第一标注数据和第二标注数据进行比较，若存在较大的差异，则生成对应的合并标注文件，采用在合并标注文件中更正第一标注数据和/或第二标注数据的方式对光伏组件图像的缺陷进行再次标注。本发明可以节约光伏组件图像标注的检查时间，降低人力成本。降低人力成本。降低人力成本。