融合知識(shí)蒸餾和注意力機(jī)制的光伏熱斑檢測(cè)

郝 帥，吳瑛琦，馬 旭，李 彤，王?，?/p>

（西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

1 引言

太陽(yáng)能是重要的可再生能源之一，可以作為傳統(tǒng)燃料的清潔和可再生替代品。在眾多清潔能源中，太陽(yáng)能越來(lái)越受到人們的青睞。光伏電池板在運(yùn)行過(guò)程中存在微裂紋、玻璃破損等缺陷，進(jìn)而導(dǎo)致出現(xiàn)熱斑故障，極大降低其運(yùn)行效率［1-3］。因此，對(duì)光伏電池板進(jìn)行熱斑故障檢測(cè)是保證光伏電站安全、高效運(yùn)行的有效措施。

目前，常用的熱斑檢測(cè)方法可分為電氣測(cè)量檢測(cè)方法和基于計(jì)算機(jī)視覺(jué)的故障檢測(cè)方法。電氣測(cè)量檢測(cè)方法主要是通過(guò)搭建外部電路獲取電壓電流等電氣量，與正常運(yùn)行值對(duì)比判斷進(jìn)行檢測(cè)［4］。計(jì)算機(jī)視覺(jué)的方式主要是對(duì)通過(guò)拍攝得到的圖像進(jìn)行特征提取分析［5］?；谟?jì)算機(jī)視覺(jué)的檢測(cè)方法可分為傳統(tǒng)檢測(cè)法和基于深度學(xué)習(xí)檢測(cè)方法。傳統(tǒng)目標(biāo)檢測(cè)方法主要依賴于濾波器或手工特征描述符對(duì)故障目標(biāo)進(jìn)行提取分割識(shí)別。孫海蓉等［6］受高斯分布啟發(fā)提出一種熱斑識(shí)別函數(shù)，采用改進(jìn)自私羊群算法對(duì)熱斑位置進(jìn)行尋優(yōu)，利用雙邊濾波對(duì)熱斑故障進(jìn)行分割，獲得熱斑故障檢測(cè)結(jié)果。蔣琳等［7］為抑制噪聲干擾，提出對(duì)紅外圖像灰度直方圖進(jìn)行B 樣條最小二乘擬合，提高檢測(cè)準(zhǔn)確率。Grimaccia 等［8］通過(guò)圖像鑲嵌技術(shù)和顏色濾波技術(shù)識(shí)別出光伏組件，結(jié)合紅外溫度信息檢測(cè)熱斑故障。上述算法雖然在一定條件下具有較高的檢測(cè)精度，但是由于采用人工提取特征其魯棒性較弱，泛化能力不足。深度學(xué)習(xí)借助于卷積網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)圖像特征信息，得到樣本具體特征表達(dá)，在目標(biāo)缺陷檢測(cè)任務(wù)中取得了顯著成效，具有較好的魯棒性和泛化能力［9-11］。因此，部分學(xué)者借助深度學(xué)習(xí)對(duì)光伏熱斑檢測(cè)展開(kāi)研究。

目前，基于深度學(xué)習(xí)的檢測(cè)方法主要分為兩類：Two-stage 和One-stage。Two-stage 方法需要產(chǎn)生候選區(qū)域并對(duì)其進(jìn)行分類以確定目標(biāo)，代表算法 有Faster RCNN［12］，Sparse RCNN［13］等。樊濤等［14］在Faster RCNN 網(wǎng)絡(luò)中 結(jié)合注 意力機(jī)制以提升復(fù)雜環(huán)境下特征提取的有效性，進(jìn)而提升網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率。但Two-stage 算法存在設(shè)計(jì)復(fù)雜、檢測(cè)效率低等問(wèn)題。One-stage 算法通過(guò)回歸的方式檢測(cè)目標(biāo)，代表算法包括SSD［15-16］，YOLO 系列［17］等。王道累等［18］針對(duì)紅外熱斑圖像數(shù)據(jù)較少的問(wèn)題，利用伽馬變換擴(kuò)充數(shù)據(jù)，并提出改進(jìn)YOLOv4-tiny 的金字塔結(jié)構(gòu)并融合注意力機(jī)制提升檢測(cè)準(zhǔn)確率。夏杰鋒等［19］針對(duì)熱斑成因的差異性提出基于EfficientNet 的缺陷分類網(wǎng)絡(luò)，利用邊緣檢測(cè)提取光伏組件輪廓進(jìn)行定位。Su 等［20］提出一種通道注意力特征加權(quán)的門機(jī)制進(jìn)行特征提取與過(guò)濾，實(shí)驗(yàn)證明該方法可有效檢測(cè)光伏熱斑故障。

綜上，基于深度學(xué)習(xí)的光伏熱斑檢測(cè)算法相較于基于人工特征的檢測(cè)算法具有明顯優(yōu)勢(shì)，但是基于深度學(xué)習(xí)的光伏熱斑檢測(cè)方法依然存在以下難點(diǎn)：第一，現(xiàn)有算法主要針對(duì)單尺度目標(biāo)開(kāi)展研究，而光伏熱斑故障目標(biāo)存在尺度差異大，導(dǎo)致特征難以有效表達(dá)；第二，熱斑故障紋理特征較弱且存在邊緣模糊現(xiàn)象，易淹沒(méi)于復(fù)雜背景中，導(dǎo)致目標(biāo)特征顯著度較低，難以獲??；第三，現(xiàn)有算法難以兼顧檢測(cè)精度和網(wǎng)絡(luò)輕量化。

針對(duì)上述問(wèn)題，本文提出一種融合知識(shí)蒸餾和注意力模型的光伏熱斑檢測(cè)算法（Knowledge Distillation and Attention Network，KDANet）。針對(duì)熱斑故障存在多尺度的問(wèn)題，設(shè)計(jì)一種高階空間交互和通道注意力相融合的特征提取模塊以加強(qiáng)網(wǎng)絡(luò)對(duì)于多尺度目標(biāo)特征的有效表達(dá)。為解決檢測(cè)環(huán)境復(fù)雜導(dǎo)致檢測(cè)困難的問(wèn)題，構(gòu)建一種結(jié)合通道和位置的注意力模塊來(lái)增強(qiáng)故障目標(biāo)顯著度，抑制背景信息干擾，進(jìn)而增強(qiáng)檢測(cè)準(zhǔn)確率。為提升網(wǎng)絡(luò)檢測(cè)精度的同時(shí)減少網(wǎng)絡(luò)參數(shù)量，基于知識(shí)蒸餾思想框架將教師網(wǎng)絡(luò)的知識(shí)遷移至學(xué)生網(wǎng)絡(luò)中，兼顧網(wǎng)絡(luò)精度與網(wǎng)絡(luò)輕量化。

2 基于知識(shí)蒸餾的光伏熱斑檢測(cè)

為提升復(fù)雜環(huán)境下多尺度熱斑故障檢測(cè)能力，本文提出一種融合知識(shí)蒸餾和注意力機(jī)制的光伏熱斑檢測(cè)算法。其中，學(xué)生網(wǎng)絡(luò)為需要實(shí)現(xiàn)高精度的小型網(wǎng)絡(luò)，保證模型參數(shù)量少，故選擇YOLOv5s 作為學(xué)生網(wǎng)絡(luò)；而教師網(wǎng)絡(luò)需要保證足夠高的檢測(cè)精度，構(gòu)建出檢測(cè)精度高的網(wǎng)絡(luò)，模型參數(shù)量較大。為提升網(wǎng)絡(luò)對(duì)多尺度熱斑特征信息的表達(dá)能力，本文設(shè)計(jì)一種高階空間信息交互和通道注意力相融合的模塊；為提升復(fù)雜背景下網(wǎng)絡(luò)對(duì)熱斑信息的正確表達(dá)，本文設(shè)計(jì)一種結(jié)合通道和位置信息的注意力模塊。本文檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)主要分為三部分，分別為教師網(wǎng)絡(luò)部分、學(xué)生網(wǎng)絡(luò)部分和蒸餾部分，原理如圖1 所示。

圖1 基于知識(shí)蒸餾的檢測(cè)原理圖Fig.1 Schematic diagram of detection based on knowledge distillation

訓(xùn)練具體步驟如下：

（1）選取YOLOv5 作為教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)的基準(zhǔn)，教師網(wǎng)絡(luò)將主干網(wǎng)絡(luò)部分替換為高階空間交互和通道注意力相融合的特征提取模塊（Fusion Channel Attention and Higher-order Spatial Interactions，F(xiàn)CAHSI）以增強(qiáng)多尺度目標(biāo)在網(wǎng)絡(luò)中的權(quán)重信息，提升網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率。

（2）將教師網(wǎng)絡(luò)中檢測(cè)頭部分替換為本文設(shè)計(jì)的結(jié)合通道和位置信息的注意力模塊（Combining Channel and Location information Attention，CCLA）來(lái)抑制復(fù)雜背景的干擾，增強(qiáng)目標(biāo)顯著度，借以提升熱斑目標(biāo)的檢測(cè)精度。

（3）將光伏熱斑數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集分別送入教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始權(quán)重。

（4）利用初始權(quán)重進(jìn)行蒸餾訓(xùn)練，即獲取教師網(wǎng)絡(luò)預(yù)測(cè)層輸出特征，將其遷移至學(xué)生網(wǎng)絡(luò)預(yù)測(cè)層，輔助學(xué)生網(wǎng)絡(luò)學(xué)習(xí)熱斑故障信息。過(guò)程中通過(guò)蒸餾損失控制學(xué)習(xí)熱斑故障特征，實(shí)現(xiàn)提升學(xué)生網(wǎng)絡(luò)檢測(cè)精度的目的。

2.1 FCAHSI 模塊

針對(duì)網(wǎng)絡(luò)對(duì)多尺度熱斑信息表達(dá)能力弱，導(dǎo)致算法檢測(cè)性能不足的問(wèn)題，本文設(shè)計(jì)了一種融合高階空間交互和通道注意力的結(jié)構(gòu)，如圖2所示。

圖2 FCAHSI 結(jié)構(gòu)圖Fig.2 Structure of FCAHSI

首先，將輸入圖像調(diào)整成統(tǒng)一尺寸，求取輸入圖像的全局平均池化Fgap得到通道注意權(quán)重圖，并利用WC獲得全局故障信息關(guān)注，計(jì)算式定義如式（1）和式（2）所示：

其中：Xdiv∈RC×W×H，指只通過(guò)一次跳躍連接拼接特征得到的特征圖，XC∈RC×1×1，指代特征圖通過(guò)全連接層后得到的權(quán)重圖，σ是sigmoid 激活函數(shù)，F(xiàn)gap代指通道全局平均池化，A是通過(guò)計(jì)算得到的一種通道關(guān)注特征描述子，Xrefine代表計(jì)算得到的通道特征圖。

其次，為實(shí)現(xiàn)故障目標(biāo)特征有效保留，將上述特征圖輸入至HB 模塊中，經(jīng)過(guò)門控卷積的多次空間計(jì)算，保留故障信息。令x∈RHW×C代表輸入特征，其計(jì)算式如式（3）～式（5）所示。

其中：φin，φout表示通道混合后的線性投影層，f是深度可分離卷積，p，q分別代表相鄰特征，通過(guò)上式計(jì)算相鄰特征之間的內(nèi)在聯(lián)系。

為實(shí)現(xiàn)更高層次的特征空間交互，采用遞歸的方式增加模型容量。首先，使用φin獲得一組特征p0和

然后遞歸執(zhí)行門控卷積，得到如式（7）所示特征：

其中：使用1/α將輸出縮放，穩(wěn)定訓(xùn)練；{fk}是一組深度卷積層，{gk}用于不同順序匹配維度，定義如式（8）所示：

最后，將最后一個(gè)遞歸φout的輸出饋送至投影層p0，獲得更高階的空間信息交互結(jié)果。為限制高階空間交互作用引入的計(jì)算開(kāi)銷，將每階通道維度按照式（9）設(shè)置。

低階特征使用較少的通道計(jì)算，可實(shí)現(xiàn)特征從粗到細(xì)全方位交互，保證目標(biāo)信息的完整性。由此，可融合通道注意力和高階空間交互，實(shí)現(xiàn)目標(biāo)特征信息有效保留。

2.2 CCLA 模塊

針對(duì)網(wǎng)絡(luò)難以準(zhǔn)確檢測(cè)復(fù)雜環(huán)境下熱斑故障信息的問(wèn)題，本文設(shè)計(jì)一種結(jié)合位置信息和通道信息的注意力模塊，將其嵌入檢測(cè)網(wǎng)絡(luò)中，提升故障目標(biāo)的表達(dá)能力，借以提升網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率和精度。具體結(jié)構(gòu)如圖3 所示。

圖3 CCLA 結(jié)構(gòu)圖Fig.3 Structure of CCLA

為增強(qiáng)注意力利用精確的位置信息在空間上捕捉長(zhǎng)距離的相互作用，將全局池化分解為兩個(gè)1 維方程表示。具體而言，給定輸入X，使用池化函數(shù)(H，1)和(1，W)分別對(duì)水平方向和垂直方向的通道信息進(jìn)行編碼。由此可得高度h第c通道的輸出如式（10）所示：

同樣地，由此可得寬度w第c通道的輸出如式（11）所示：

上述兩個(gè)變換分別沿著兩個(gè)空間方向聚合特征信息，產(chǎn)生一對(duì)方向感知特征圖，可以捕獲沿一個(gè)空間方向的長(zhǎng)距離依賴關(guān)系，同時(shí)保留沿另一空間方向的精確位置信息，有助于檢測(cè)網(wǎng)絡(luò)更加準(zhǔn)確的定位感興趣的目標(biāo)。融合后的特征圖如式（12）所示：

其中：[ ·，·]指沿空間維度進(jìn)行串聯(lián)，F(xiàn)1是1×1 的卷積變換函數(shù)，δ是非線性激活函數(shù)，fu表示將水平方向和垂直方向上的空間信息進(jìn)行編碼所得的中間特征圖。fu沿著空間維度分解為fh和fw，通過(guò)公式（13）和公式（14）將通道數(shù)調(diào)整至和輸入X相同。

最后，位置信息注意力部分可寫為式（15）所示：

為保留通道信息，將上述擁有位置信息的特征圖進(jìn)行全局平均池化，壓縮特征為具有全局信息的1×1×C的數(shù)列（C為特征通道數(shù)）；然后不降維的情況下調(diào)整大小為k的快速以為卷積生成通道權(quán)重，進(jìn)行局部擴(kuò)通道交互，共享通道參數(shù)，獲取各個(gè)通道之間的相關(guān)依賴關(guān)系，如式（16）所示：

其中，ω為特征權(quán)重，捕獲跨通道局部交互信息；CID為一維卷積，k決定擴(kuò)通道局部交互的范圍。

特征通道數(shù)C與k正相關(guān)，計(jì)算關(guān)系如式（17）所示：

確定通道維數(shù)C后，計(jì)算卷積核k大小如式（18）所示：

其中，γ和b分別取2 和1。最后，將生成的特征圖加權(quán)到原來(lái)的輸入特征圖上。

2.3 基于知識(shí)蒸餾的目標(biāo)檢測(cè)

知識(shí)蒸餾是一種模型輕量化的方法，由教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)組成。和學(xué)生網(wǎng)絡(luò)相比，教師網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練后獲得的檢測(cè)精度更高，通過(guò)遷移教師網(wǎng)絡(luò)大模型的知識(shí)到學(xué)生網(wǎng)絡(luò)小模型中，可輔助學(xué)生網(wǎng)絡(luò)更好地學(xué)習(xí)到故障目標(biāo)信息，實(shí)現(xiàn)檢測(cè)精度和速度兼顧。

針對(duì)標(biāo)準(zhǔn)蒸餾方法中學(xué)生網(wǎng)絡(luò)會(huì)從教師網(wǎng)絡(luò)預(yù)測(cè)的背景區(qū)域中學(xué)習(xí)錯(cuò)誤的邊界框?qū)е鲁霈F(xiàn)檢測(cè)能力降低的問(wèn)題，本文將教師網(wǎng)絡(luò)的預(yù)測(cè)層內(nèi)容進(jìn)行蒸餾，并使用蒸餾損失函數(shù)控制學(xué)生網(wǎng)絡(luò)學(xué)習(xí)。本文采用如式（19）所示的蒸餾損失函數(shù)，使得蒸餾過(guò)程中學(xué)生網(wǎng)絡(luò)只學(xué)習(xí)教師網(wǎng)絡(luò)預(yù)測(cè)的目標(biāo)概率值較高的邊界框位置和類別概率：

2.4 函數(shù)優(yōu)化

當(dāng)預(yù)測(cè)框和真實(shí)框相互包含或出現(xiàn)寬和高對(duì)齊時(shí)，該損失函數(shù)會(huì)退化為IoU，使得定位不準(zhǔn)確，導(dǎo)致預(yù)測(cè)框收斂方向出現(xiàn)偏差，容易造成漏檢問(wèn)題。因此，本文采用Focal-CIoU 損失函數(shù)替代原損失函數(shù)，其計(jì)算公式如式（23）～式（26）所示：

其中：α和υ為長(zhǎng)寬比，w，h，wgt和hgt分別表示預(yù)測(cè)框的寬、高和真實(shí)框的寬和高，γ用于控制曲線弧度。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)中軟硬件平臺(tái)配置如表1 所示。

表1 軟硬件平臺(tái)配置Tab.1 Configuration of Hardware and software

實(shí)驗(yàn)使用的數(shù)據(jù)集是來(lái)自某光伏電站通過(guò)無(wú)人機(jī)攜帶熱紅外相機(jī)拍攝所得，總共1 028 張紅外圖像，使用LabelImg 工具進(jìn)行標(biāo)注工作，按照6∶2∶2 劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。在網(wǎng)絡(luò)訓(xùn)練時(shí)，首先將輸入圖像調(diào)整到統(tǒng)一的640×640大小，并采用動(dòng)量項(xiàng)為0.937 的梯度下降算法進(jìn)行訓(xùn)練。同時(shí)，為保證學(xué)習(xí)率隨網(wǎng)絡(luò)的學(xué)習(xí)程度而自適應(yīng)，本文使用余弦退火學(xué)習(xí)率方法對(duì)學(xué)習(xí)率做自適應(yīng)調(diào)整。每個(gè)批次訓(xùn)練的batch 中包含8 張圖像，分為77 次送入網(wǎng)絡(luò)。

3.2 評(píng)價(jià)指標(biāo)

為客觀評(píng)價(jià)KDANet 算法的優(yōu)勢(shì)，本文選取召回率MR，準(zhǔn)確率MP，mAP50 和模型推理時(shí)間Mt作為客觀評(píng)價(jià)指標(biāo)，各指標(biāo)的公式定義如式（27）～式（29）所示：

其中：NTP為網(wǎng)絡(luò)正確檢測(cè)出缺陷的個(gè)數(shù)，NFN代表未正確檢測(cè)的缺陷個(gè)數(shù)，NFP代表誤檢的故障個(gè)數(shù)，和分別表示網(wǎng)絡(luò)檢測(cè)開(kāi)始和結(jié)束的時(shí)間。

3.3 KDANet 消融實(shí)驗(yàn)

為客觀評(píng)估KDANet 算法的檢測(cè)性能，將KDANet 與YOLOv5 網(wǎng)絡(luò)做對(duì)比分析，其中損失函數(shù)對(duì)比曲線如圖4 所示。

圖4 損失函數(shù)對(duì)比曲線Fig.4 Loss function contrast curves

從圖4 可以看出，本文采用的損失函數(shù)可以更快的將訓(xùn)練損失降到最低。

平均準(zhǔn)確值對(duì)比曲線如圖5 所示。圖5 中本文算法精度在約150 輪后超過(guò)基準(zhǔn)YOLOv5 算法，達(dá)到平衡且最終穩(wěn)定于84.5%。

圖5 平均準(zhǔn)確值對(duì)比曲線Fig.5 Different module action experiments

為進(jìn)一步驗(yàn)證各改進(jìn)模塊的有效性，本文設(shè)計(jì)的教師網(wǎng)絡(luò)在原始YOLOv5 網(wǎng)絡(luò)基礎(chǔ)上通過(guò)加入不同改進(jìn)策略對(duì)測(cè)試集進(jìn)行消融實(shí)驗(yàn)，所有實(shí)驗(yàn)均使用相同的數(shù)據(jù)樣本和參數(shù)設(shè)置，對(duì)比結(jié)果如表2 所示。

表2 不同模塊作用實(shí)驗(yàn)Tab.2 Different module action experiments

由表2 結(jié)果可知，和基準(zhǔn)網(wǎng)絡(luò)相比，教師網(wǎng)絡(luò)中單獨(dú)使用本文設(shè)計(jì)的FCAHSI 模塊后，準(zhǔn)確率提升14.4%，召回率提升13.7%，AP50 提升15.9%。單獨(dú)使用CCLA 模塊后，準(zhǔn)確率提升13.3%，召回率提升11.3%，AP50 提升15.3%。實(shí)驗(yàn)結(jié)果說(shuō)明本文提出的FCAHSI 和CCLA 模塊對(duì)于熱斑故障信息檢測(cè)能力提升顯著。

3.4 蒸餾對(duì)比實(shí)驗(yàn)

為驗(yàn)證本文設(shè)計(jì)的蒸餾網(wǎng)絡(luò)性能，將教師網(wǎng)絡(luò)、學(xué)生網(wǎng)絡(luò)和蒸餾后的網(wǎng)絡(luò)進(jìn)行測(cè)試對(duì)比，蒸餾溫度設(shè)置為20，蒸餾損失平衡系數(shù)λD設(shè)置為1，結(jié)果如表3 所示。

表3 蒸餾實(shí)驗(yàn)結(jié)果Tab.3 Result of distillation experiment

從表3 結(jié)果可以看出，教師網(wǎng)絡(luò)模型最大，檢測(cè)精度最高，但檢測(cè)時(shí)間最長(zhǎng)。學(xué)生網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率、回歸率和精度均最低，經(jīng)過(guò)蒸餾之后各個(gè)指標(biāo)均有不同程度的提升，尤其在不添加任何模型復(fù)雜度的情況下，檢測(cè)精度較原來(lái)提升14.2%，而檢測(cè)時(shí)間減少0.2 ms，說(shuō)明本文設(shè)計(jì)的蒸餾網(wǎng)絡(luò)可將教師網(wǎng)絡(luò)的優(yōu)勢(shì)無(wú)條件遷移至學(xué)生網(wǎng)絡(luò)，從而提升學(xué)生網(wǎng)絡(luò)的檢測(cè)性能。

3.5 對(duì)比實(shí)驗(yàn)

為客觀評(píng)價(jià)KDANet 的檢測(cè)性能，選取SSD，CenterNet，EfficientDet，F(xiàn)COS 4 種經(jīng)典算法在多尺度、小目標(biāo)、密集目標(biāo)、復(fù)雜背景4 種不同情景下進(jìn)行對(duì)比測(cè)試（原圖中綠色框標(biāo)出所有熱斑故障，實(shí)驗(yàn)圖白色框標(biāo)出所有漏檢、誤檢情況）。實(shí)驗(yàn)用原圖和算法檢測(cè)圖如圖6 所示（彩圖見(jiàn)期刊電子版）。

圖6（a）為實(shí)驗(yàn)用原圖，從左到右4 組實(shí)驗(yàn)結(jié)果及分析如下。

第1 組實(shí)驗(yàn)：多尺度熱斑目標(biāo)檢測(cè)。從第1組實(shí)驗(yàn)結(jié)果可以看出，SSD，EfficientDet 和FCOS 算法均存在漏檢問(wèn)題，本文算法因使用FCAHSI 模塊，多尺度信息保留能力較強(qiáng)，可較好的解決故障尺度不同導(dǎo)致檢測(cè)困難問(wèn)題，檢測(cè)結(jié)果更為準(zhǔn)確。

第2 組實(shí)驗(yàn)：小目標(biāo)熱斑檢測(cè)。SSD，EfficientDet 算法有漏檢情況，其余3 種算法可檢測(cè)出小目標(biāo)熱斑故障。本文算法因使用了CCLA模塊，增強(qiáng)網(wǎng)絡(luò)對(duì)小目標(biāo)位置信息的特征表述，提升了對(duì)小目標(biāo)的檢測(cè)能力。

第3 組實(shí)驗(yàn)：密集目標(biāo)檢測(cè)。對(duì)于故障所處區(qū)域較為密集的情況，所有算法均可檢測(cè)出。其中，EfficientDet 和FCOS 存在誤檢情況，無(wú)法準(zhǔn)確檢測(cè)出所有故障，而SSD 算法檢測(cè)框較真實(shí)檢測(cè)框存在一定偏移。

第4 組實(shí)驗(yàn)：復(fù)雜背景下熱斑目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，CenterNet 算法可檢測(cè)出熱斑故障，但也存在誤檢情況。其余對(duì)比算法均可檢測(cè)出熱斑故障，而本文算法使用CCLA 模塊，提升網(wǎng)絡(luò)對(duì)于復(fù)雜背景下熱斑故障的表達(dá)能力，不僅可以準(zhǔn)確檢測(cè)出故障，還擁有最高的置信度。

為進(jìn)一步驗(yàn)證KDANet 算法的優(yōu)勢(shì)，將KDANet 算法與8 種經(jīng)典目標(biāo)檢測(cè)算法進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中所有目標(biāo)檢測(cè)算法均使用相同數(shù)據(jù)樣本和參數(shù)進(jìn)行訓(xùn)練，其檢測(cè)結(jié)果如表4所示。從表4 的實(shí)驗(yàn)結(jié)果可以看出本文算法有最高的檢測(cè)精度，與Yolov7 算法相比，在檢測(cè)精度上更為優(yōu)異，能夠較好的兼顧檢測(cè)精度和實(shí)時(shí)性具有良好的檢測(cè)性能。

表4 不同算法檢測(cè)結(jié)果對(duì)比Tab.4 Comparison of detection results of different algorithms

4 結(jié)論

本文提出了一種融合知識(shí)蒸餾和注意力模型的光伏熱斑故障檢測(cè)方法。通過(guò)對(duì)比實(shí)驗(yàn)分析，得到如下結(jié)論：

（1）通過(guò)本文設(shè)計(jì)的融合通道注意力和空間交互能力的模塊可以有效增強(qiáng)多尺度熱斑故障的表征能力，提高目標(biāo)故障的檢測(cè)準(zhǔn)確率。

（2）通過(guò)在檢測(cè)網(wǎng)絡(luò)中采用本文設(shè)計(jì)的結(jié)合通道和位置注意力模塊，檢測(cè)網(wǎng)絡(luò)可以準(zhǔn)確感知復(fù)雜背景下故障目標(biāo)的具體坐標(biāo)位置，借以提升檢測(cè)精度。

（3）通過(guò)知識(shí)蒸餾的知識(shí)遷移過(guò)程，學(xué)生網(wǎng)絡(luò)可以更好地學(xué)習(xí)光伏熱斑故障，進(jìn)而提高熱斑故障的檢測(cè)精度，其檢測(cè)結(jié)果較原始網(wǎng)絡(luò)高14.2%。

（4）通過(guò)某光伏電站無(wú)人機(jī)拍攝所得到的數(shù)據(jù)對(duì)本文算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文算法能夠?qū)崿F(xiàn)復(fù)雜環(huán)境下多類故障目標(biāo)的準(zhǔn)確檢測(cè)，檢測(cè)精度高達(dá)84.8%，并且具有良好的實(shí)時(shí)性。