基于SSD和紅外視頻的光伏板故障識(shí)別算法研究

張文慧,張中正,解富國,于雷,劉廣臣,馬亞杰

摘要：由于光伏板長(zhǎng)期暴露在露天的環(huán)境下，經(jīng)常出現(xiàn)異物遮擋和光伏板損壞。針對(duì)這兩類問題，提出了一種基于目標(biāo)檢測(cè)算法和遠(yuǎn)紅外視頻的光伏板故障識(shí)別系統(tǒng)。首先，根據(jù)無人機(jī)拍攝的光伏板遠(yuǎn)紅外視頻提取出兩類故障的圖像；其次，根據(jù)兩類故障在紅外圖像中的特征不同，對(duì)圖片分兩類打標(biāo)簽，標(biāo)記故障信息；再使用主流的SSD算法對(duì)標(biāo)記圖片進(jìn)行訓(xùn)練。最后，訓(xùn)練好的模型可以標(biāo)記出兩類故障信息。經(jīng)過不斷地訓(xùn)練調(diào)整，此模型對(duì)故障識(shí)別的準(zhǔn)確率達(dá)90%，可以對(duì)實(shí)際的光伏檢修工作提供幫助。

關(guān)鍵詞：異物遮擋；熱斑；圖片特征；目標(biāo)檢測(cè)算法；遠(yuǎn)紅外視頻

中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）35-0090-03

1? 概述

隨著社會(huì)的快速發(fā)展，人們對(duì)新能源的需求也越來越迫切。不少地方開始大規(guī)模使用太陽能光伏板發(fā)電。然而太陽能光伏板的大面積使用也帶來了許多檢修上的問題：光伏板長(zhǎng)期暴露在各種天氣環(huán)境下，因此光伏板經(jīng)常出現(xiàn)樹葉、塑料袋、鳥糞和泥土等異物的遮擋問題，以及光伏板自身故障導(dǎo)致的熱斑問題。

傳統(tǒng)的檢修方式是通過監(jiān)測(cè)光伏發(fā)電系統(tǒng)的輸出功率、輸出電壓和手持紅外線檢測(cè)儀判斷運(yùn)行故障，效率低下。郭寶柱［1］在Otsu法和最大散度閾值法的基礎(chǔ)上，提出自適應(yīng)最大散度閾值差法來進(jìn)行紅外圖像識(shí)別。TSANAKAS J A等人［2］基于邊緣檢測(cè)方式，使用Canny邊緣檢測(cè)算子作為診斷模塊進(jìn)行光伏板故障識(shí)別。車曦［3］先對(duì)光伏電池片的各種運(yùn)行狀態(tài)進(jìn)行狀態(tài)分類編碼，然后通過可擴(kuò)展脈沖神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了對(duì)光伏熱斑的識(shí)別。賴菲等人[4]也已經(jīng)利用深度學(xué)習(xí)算法的CNN對(duì)光伏板圖像進(jìn)行自動(dòng)識(shí)別判斷，確定故障的類型?，F(xiàn)有的研究技術(shù)對(duì)光伏板只進(jìn)行熱斑的識(shí)別，因此在實(shí)際應(yīng)用中會(huì)對(duì)其余故障還要進(jìn)一步識(shí)別，消耗時(shí)間長(zhǎng)。因此光伏產(chǎn)業(yè)需要尋求更高效、綜合的故障識(shí)別系統(tǒng)。

本文采用深度學(xué)習(xí)中常用的目標(biāo)檢測(cè)算法—SSD算法[5]對(duì)光伏板的異物和內(nèi)部熱斑故障進(jìn)行識(shí)別。通過SSD算法對(duì)無人機(jī)[6]采集的遠(yuǎn)紅外圖像等數(shù)據(jù)進(jìn)行綜合分析，可以快速、準(zhǔn)確地進(jìn)行故障監(jiān)測(cè)及定位，幫助工人及時(shí)進(jìn)行維修和清掃，大幅度提高光伏電站的發(fā)電量，降低維修事故及成本。

2? SSD算法原理介紹

SSD算法是基于one-stage目標(biāo)檢測(cè)算法（One-Shot Object Detectors）實(shí)現(xiàn)的。這種方法的原理是利用單次檢測(cè)就可以達(dá)到識(shí)別效果，得到目標(biāo)物體的位置信息以及目標(biāo)物體的類別概率。SSD最底層的網(wǎng)絡(luò)是VGG-16，在輸入圖片后，其會(huì)對(duì)不同的特征圖大小進(jìn)行相應(yīng)的比例映射，特征圖的比例映射會(huì)保存至映射候選框中。比如Conv4和Conv7映射的候選框偏小，可以用來檢測(cè)小物體；Conv8和Conv9映射的候選框尺寸中等，可以用來檢測(cè)中等大小的物體，而Conv10和Conv11映射到原圖的候選框偏大，則可以用來檢測(cè)大物體。實(shí)現(xiàn)檢測(cè)不同尺度物體的目的。根據(jù)特征圖在輸入圖片上映射候選框、特征圖大小進(jìn)行不同比例的映射，用多個(gè)卷積層后的特征映射圖來定位和檢測(cè)原始圖像的物體，其具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

3? 研究思路

光伏板的熱斑故障和異物覆蓋情況是最多的。在紅外圖像中，這兩類光伏板問題表現(xiàn)出明顯的差別。對(duì)于光伏板自身故障問題，其在遠(yuǎn)紅外視頻中表現(xiàn)出局部正方形的、黃色高亮部分，俗稱“熱斑”。對(duì)于光伏板異物的遮擋問題，表現(xiàn)為形狀不規(guī)則的、顏色較暗的、邊緣為黑色的且異物周圍常常與高亮部分相接的特征?；谏疃葘W(xué)習(xí)中常用的SSD目標(biāo)檢測(cè)算法，其在復(fù)雜環(huán)境中對(duì)交通路牌、藍(lán)色車牌[7]中的應(yīng)用效果不錯(cuò)，因此本文考慮采用基于SSD目標(biāo)檢測(cè)算法對(duì)無人機(jī)遠(yuǎn)紅外視頻中的異物和熱斑進(jìn)行識(shí)別。

本文主要的研究框架如圖2所示：

4? 數(shù)據(jù)準(zhǔn)備

遠(yuǎn)紅外錄像數(shù)據(jù)拍攝于某光伏發(fā)電廠，無人機(jī)按照既定路線、飛翔高度和飛翔角度進(jìn)行巡航、錄像。電腦保存無人機(jī)返回的光伏板的遠(yuǎn)紅外視頻。

對(duì)無人機(jī)返回的紅外錄像進(jìn)行采樣、篩選。在圖片采樣處理中，圖片采樣頻率設(shè)置為紅外視頻每12幀間隔采樣圖片數(shù)據(jù)。在圖片篩選時(shí)，對(duì)一些由于光伏板反光、圖片模糊以及光伏板占比小于80%的圖片數(shù)據(jù)給予刪除。其次，本文所使用的SSD方法只需要對(duì)目標(biāo)位置進(jìn)行標(biāo)注，因此應(yīng)著重關(guān)注于帶有故障和異物的光伏板圖片，對(duì)正常位置的光伏板圖片不予標(biāo)注和處理。為保證篩選過程的準(zhǔn)確性和科學(xué)性，本文在專家和維修工人的指導(dǎo)下對(duì)含有異物和熱斑的故障圖片進(jìn)行了篩選。最后選取了1150張紅外圖片進(jìn)行訓(xùn)練，其中圖像包含熱斑的1030張，包含異物的620張。

5? 基于SSD算法的光伏板故障識(shí)別

5.1 模型訓(xùn)練

本文使用Labellmg軟件對(duì)故障圖片進(jìn)行標(biāo)簽化處理。對(duì)這1000張圖片進(jìn)行手動(dòng)打標(biāo)簽，文件保存成.xml的格式。標(biāo)注時(shí)，故障標(biāo)記成兩類，一類是熱斑，另一類是異物。圖像標(biāo)注時(shí)利用熱斑和異物的最小外接矩形進(jìn)行標(biāo)注，保證每個(gè)故障在1個(gè)最小的外接矩形框里。對(duì)于在一張紅外圖片中兩種故障類型都出現(xiàn)的情況，兩種故障同時(shí)分類標(biāo)注。對(duì)標(biāo)注之后的光伏板圖片的.xml文件，以7：3的比例隨機(jī)抽取打標(biāo)簽圖片劃分訓(xùn)練集和測(cè)試集。

通過對(duì)SSD算法的參數(shù)進(jìn)行調(diào)節(jié)，得到對(duì)于結(jié)果訓(xùn)練最好的參數(shù)。在計(jì)算損失函數(shù)值時(shí)，為了抑制損失值過擬合現(xiàn)象，引入了Label Smoothing 正則化策略，這種策略能夠減少真實(shí)樣本在計(jì)算損失值中的權(quán)重，從而達(dá)到抑制過擬合的目的。

1）Label Smoothing對(duì)真實(shí)概率的分布作出的改變?nèi)缦拢?/p>

[Pi=1，if（i=y）0，if（i≠y）→Pi=（1-ε），if（i=y）εK-1，if（i≠y）]? ? ? ?（1）

2）Label Smoothing對(duì)交叉熵?fù)p失函數(shù)作出的改變?nèi)缦拢?/p>

[Loss=-i=1Kpilogqi→Lossi=（1-ε）×Loss，if（i=y）ε×Loss，if（i≠y）]? ? ? （2）

3）Label Smoothing對(duì)最優(yōu)的預(yù)測(cè)概率分布作出的改變?nèi)缦拢?/p>

[Zi=+∞，if（i=y）0，if（i≠y）→Zi=log（k-1）（1-ε）ε+α，if（i=y）α，if（i≠y）]

（3）

[α]可以是任意實(shí)數(shù)，最終通過抑制正負(fù)樣本輸出差值，使網(wǎng)絡(luò)能有更好的泛化能力。

模型技術(shù)指標(biāo)分析結(jié)果如表1所示。

5.2 實(shí)驗(yàn)結(jié)果分析

通過對(duì)total_loss的觀察，會(huì)發(fā)現(xiàn)圖像逐漸收斂并趨于穩(wěn)定值，如圖4所示。

并且對(duì)于測(cè)試集的測(cè)試，筆者給出了一個(gè)準(zhǔn)確的識(shí)別結(jié)果，如表2所示：

分析檢驗(yàn)結(jié)果，SSD算法識(shí)別光伏板故障類型的結(jié)果是不錯(cuò)的，可以進(jìn)行實(shí)際的應(yīng)用。

將訓(xùn)練好的模型應(yīng)用到光伏板的故障識(shí)別算法中，其識(shí)別異物和熱斑的結(jié)果可以很清晰地從圖片上標(biāo)注出來。最終識(shí)別結(jié)果如圖5所示，在可視化圖片結(jié)果中，綠色框標(biāo)注的是光伏板熱斑類故障，藍(lán)綠色標(biāo)注的是光伏板上的異物情況。

6 結(jié)束語

本文借助無人機(jī)拍攝的光伏板遠(yuǎn)紅外視頻，利用深度學(xué)習(xí)中SSD算法對(duì)光伏板的異物和熱板故障進(jìn)行了識(shí)別。該方法識(shí)別的準(zhǔn)確率達(dá)90%以上且對(duì)兩類故障的識(shí)別具有一定的魯棒性。本文所使用的整套系統(tǒng)可以應(yīng)用于實(shí)際大型光伏電廠中，有效地幫助維修工人對(duì)光伏板的故障排查和異物清理工作，提高工作效率，給光伏電廠減少不必要的損失。

但是本文的研究仍然存在著許多需要改進(jìn)的地方。

1）不同地區(qū)的光伏發(fā)電廠對(duì)太陽能光伏板的安裝角度有所不同，拍攝角度過低會(huì)使光伏板紅外圖像的有效面積過低，降低工作效率。拍攝角度過高又會(huì)造成熱斑和小的遮擋物不顯著，造成模型誤判[8]。

2）更優(yōu)的識(shí)別算法能夠?qū)岚邎D像進(jìn)行更加深入的圖像形態(tài)特征進(jìn)行研究，包括遮擋物的形狀，遮擋面積等，由此可以對(duì)光伏板的異物遮擋種類進(jìn)行更加細(xì)化的分類。

參考文獻(xiàn)：

[1] 郭寶柱.光伏陣列熱斑的紅外圖像處理的研究[D].天津：天津理工大學(xué)，2016.

[2] Tsanakas J A，Chrysostomou D，Botsaris P N，et al.Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermographic measurements[J].International Journal of Sustainable Energy，2015，34（6）：351-372.

[3] 車曦.基于紅外圖像識(shí)別的光伏組件熱斑故障檢測(cè)方法研究[D].重慶：重慶大學(xué)，2015.

[4] 賴菲，陳亞鵬，單正濤，等.深度學(xué)習(xí)算法在光伏電站無人機(jī)智能運(yùn)維中應(yīng)用[J].熱力發(fā)電，2019，48（9）：139-144.

[5] Liu W，Anguelov D，Erhan D，et al.SSD：single shot MultiBox detector[M]//Computer Vision - ECCV 2016.Cham：Springer International Publishing，2016：21-37.

[6] 王栓虎，溫向煒.無人機(jī)在光伏組件巡視檢查中的應(yīng)用分析[J].太陽能，2021（1）：51-54.

[7] 祁忠琪，涂凱，吳書楷，等.基于深度學(xué)習(xí)的含堆疊字符的車牌識(shí)別算法[J].計(jì)算機(jī)應(yīng)用研究，2021，38（5）：1550-1554，1558.

[8] 洪聲藝.無人機(jī)載可見紅外光伏板熱斑檢測(cè)系統(tǒng)研究[D].北京：中國科學(xué)院大學(xué)（中國科學(xué)院上海技術(shù)物理研究所），2020.

【通聯(lián)編輯：唐一東】