基于無人機(jī)巡檢的光伏缺陷檢測與定位

蘭金江 曾學(xué)仁 方亮 田楠 王志強(qiáng) 劉繼江

摘 ?要：光伏發(fā)電是一種清潔和可再生的能源形式，然而，光伏組件在實際運(yùn)行過程中可能出現(xiàn)各種缺陷，如裂紋、漏電等問題，這些缺陷會影響光伏系統(tǒng)的能量損失和安全性。隨著太陽能光伏發(fā)電的廣泛應(yīng)用，光伏組件的可靠性和性能監(jiān)測變得尤為重要。為了提高光伏組件的檢測效率和準(zhǔn)確性，該文針對無人機(jī)巡檢中缺陷光伏組件缺陷檢測及定位技術(shù)展開研究，提出一種深度學(xué)習(xí)分割技術(shù)和傳統(tǒng)圖像處理方法相結(jié)合的技術(shù)，可以快速、準(zhǔn)確地檢測光伏的缺陷，并確定該缺陷所在其組件位置的歸屬。

關(guān)鍵詞：光伏發(fā)電；無人機(jī)巡檢；紅外圖像；缺陷檢測；分割；組件定位；高效檢測

中圖分類號：TP751.1 ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? ?文章編號：2095-2945（2024）18-0014-06

Abstract： Photovoltaic power generation is a clean and renewable form of energy， however， photovoltaic modules in the actual operation process may have a variety of defects， such as cracks， leakage and other problems， these defects will affect the energy loss and safety of the photovoltaic system. With the wide application of solar photovoltaic power generation， the reliability and performance monitoring of photovoltaic modules become particularly important. In order to improve the detection efficiency and accuracy of photovoltaic module， this paper studies the defect detection and location technology of photovoltaic module in UAV patrol inspection， and puts forward a technology which combines deep learning segmentation technology with traditional image processing method. The defect of photovoltaic can be detected quickly and accurately， and the location of the defect can be determined.

Keywords： photovoltaic power generation; UAV patrol inspection; infrared image; defect detection; segmentation; component positioning; efficient detection

光伏組件是太陽能光伏發(fā)電系統(tǒng)的核心部件，其正常運(yùn)行對于保證系統(tǒng)發(fā)電效率和可靠性至關(guān)重要。然而，由于光伏組件的大面積分布以及復(fù)雜的工作環(huán)境，傳統(tǒng)的人工巡檢在效率和準(zhǔn)確度上存在諸多問題。利用無人機(jī)進(jìn)行光伏組件的巡檢方式具有高效、快速、全面的特點(diǎn)，成為解決這一問題的理想選擇[1-2]。

通常，在無人機(jī)巡檢過程中將無人機(jī)采集到的圖像、熱成像數(shù)據(jù)等進(jìn)行處理和分析，利用圖像處理算法、機(jī)器學(xué)習(xí)等技術(shù)，自動識別和分類光伏板上的缺陷。這種方法可以提高檢測效率和準(zhǔn)確性。將高分辨率的相機(jī)裝載在無人機(jī)上，通過航拍光伏板區(qū)域的圖像，對光伏板表面進(jìn)行拍攝和記錄。利用圖像處理技術(shù)，可以檢測出光伏板上的缺陷如裂紋、斷路、陰影覆蓋等。在無人機(jī)上安裝紅外熱像儀，通過獲取光伏板表面的紅外圖像，檢測光伏板的溫度分布。異常的溫度分布可能意味著電池片故障、接觸問題或局部遮擋等缺陷[3]。

此外，缺陷組件定位指的是在巡檢過程中，對光伏電池板進(jìn)行拍攝過程中，一旦發(fā)現(xiàn)缺陷或異常情況，就需要對缺陷所屬組件進(jìn)行定位。定位的目的是將缺陷的位置信息準(zhǔn)確分割記錄下來，以便后續(xù)結(jié)合建立無人機(jī)相機(jī)坐標(biāo)系和無人機(jī)GPS地球坐標(biāo)系之間的轉(zhuǎn)換關(guān)系得到缺陷的地理位置，同時方便維護(hù)人員能夠高效查找，及時處理缺陷[4]。

利用無人機(jī)進(jìn)行光伏巡檢具有高效、快速、全面的優(yōu)勢，然而，準(zhǔn)確地識別和定位光伏組件的缺陷仍然是一個挑戰(zhàn)。本文提出的方法研究旨在探索基于深度學(xué)習(xí)分割算法在無人機(jī)紅外圖像中的組串和組件的分割，并結(jié)合傳統(tǒng)圖像算法通過連通域檢測對組串的平均溫度進(jìn)行計算，來識別潛在的缺陷及其所屬組件。

1 ?相關(guān)技術(shù)

1.1 ?組件與組串

光伏組件是光伏發(fā)電系統(tǒng)的基本單元，由光伏電池和電路組成，具有將太陽能轉(zhuǎn)化為直流電的功能。而組串則是由多個光伏組件以串聯(lián)方式連接在一起，形成一個更大的直流電輸出單元。

具體來說，光伏組件是組串的基本單元，每個光伏組件都有一個獨(dú)立的電路，可以單獨(dú)進(jìn)行工作。多個光伏組件可以串聯(lián)起來，組成一個更大的輸出電壓和電流的直流電單元，即組串。組串的輸出電壓等于各個光伏組件輸出電壓的總和，而輸出電流則等于各個光伏組件輸出電流的最小值。組串通常作為光伏發(fā)電系統(tǒng)中的基本輸出單元，將電能輸送到逆變器等設(shè)備進(jìn)行轉(zhuǎn)換后，再并入電網(wǎng)或供其他設(shè)備使用[5-7]。

本文提出的方法也是依賴上述組件及組串的關(guān)系和特性，用于缺陷的組件歸屬定位。

1.2 ?圖像分割

深度學(xué)習(xí)圖像分割技術(shù)發(fā)展經(jīng)歷了多個階段。初期，基于全卷積神經(jīng)網(wǎng)絡(luò)（FCN）的圖像分割方法主要集中在跳躍連接和反卷積的使用上，以實現(xiàn)像素級別的分類。此后，多種改進(jìn)的深度學(xué)習(xí)圖像分割模型被提出，包括SegNet、U-Net、DeepLab系列、PSPNet和GCN等。這些模型不斷引入新的技術(shù)，如空洞卷積、多尺度池化、金字塔池化和全局卷積等，以增強(qiáng)特征的表達(dá)能力，提高圖像分割的精度。這些深度學(xué)習(xí)圖像分割技術(shù)在語義分割、實例分割和邊緣檢測等任務(wù)中都取得了很好的性能[8-13]。

SegNet是一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割模型，其主要優(yōu)勢在于能夠保留更多的空間信息，并且能夠?qū)崿F(xiàn)端到端的訓(xùn)練。然而，SegNet的計算量相對較大，需要更多的訓(xùn)練時間和計算資源。U-Net是一種常用的圖像分割模型，其結(jié)構(gòu)相對簡單，能夠?qū)崿F(xiàn)較快的訓(xùn)練和推斷速度。但是，U-Net的分割精度相對較低，對于復(fù)雜圖像的分割效果不夠理想。DeepLab系列模型是深度學(xué)習(xí)圖像分割中的一種重要方法，其采用了空洞卷積和全局卷積等技術(shù)，提高了特征提取的能力和分割精度。但是，DeepLab模型的計算量也相對較大，需要更多的訓(xùn)練時間和計算資源。PSPNet是一種基于金字塔池化模塊的圖像分割模型，其優(yōu)勢在于能夠捕捉不同尺度上的上下文信息，提高了對圖像語義的理解和分割準(zhǔn)確性。但是，PSPNet的結(jié)構(gòu)相對復(fù)雜，需要更多的訓(xùn)練時間和計算資源。GCN是一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的圖像分割模型，其優(yōu)勢在于能夠更好地利用圖像中的空間信息，提高了分割精度。但是，GCN模型需要更多的先驗知識，對于不同類型和場景的圖像分割需要進(jìn)行特定的訓(xùn)練和調(diào)整。

在本文提出的方法的應(yīng)用場景中，巡檢數(shù)據(jù)是海量的，分析需要是實時的。因此，我們選擇對Unet改進(jìn)，達(dá)到高效高精度的分割。

2 ?研究方法

2.1 ?方法流程

本研究的目標(biāo)是提供一種有效的算法，可以全自動化且高效地分割和定位紅外圖像中可能存在的缺陷，明確其所歸屬的組件。算法流程如下。

1）圖像采集：使用無人機(jī)紅外相機(jī)對目標(biāo)區(qū)域采集圖像，并確保圖像的清晰度和質(zhì)量。

2）圖像分割：使用改進(jìn)的Unet分割算法對預(yù)處理后的紅外圖像進(jìn)行分割，將圖像中的組串和組件目標(biāo)從背景中區(qū)分出來。該算法可以自動學(xué)習(xí)分割目標(biāo)的特征，提高分割準(zhǔn)確性，屬于分割模型中運(yùn)算高效的模型。

3）連通域檢測：對分割圖像二值化，使用連通域檢測算法計算各組串和組件區(qū)域。

4）缺陷檢測：計算各組串及組件均值，根據(jù)設(shè)定的閾值，將平均溫度差值與閾值進(jìn)行比較，識別出疑似存在缺陷的組件。如果差值高于閾值，則認(rèn)為該組件可能存在問題。

5）結(jié)果輸出：將檢測到的疑似缺陷組件的信息輸出，包括像素位置坐標(biāo)、溫度值等，以便進(jìn)一步分析和處理。

2.2 ?缺陷檢測及定位

2.2.1 ?組串及組件分割

無人機(jī)巡檢在高空應(yīng)用中，通常會選擇搭載較高分辨率相機(jī)的無人機(jī)。高分辨率的相機(jī)可以提供更清晰、細(xì)節(jié)更豐富的圖像，從而增加無人機(jī)在巡檢任務(wù)中的觀察和識別能力。例如，大疆無人機(jī)搭載的紅外相機(jī)，最高可達(dá)640×480像素。Unet網(wǎng)絡(luò)模型在計算效率方面具有較高的性能，它通常用于圖像分割任務(wù)。相對于其他復(fù)雜的深度學(xué)習(xí)模型，Unet具有較快的計算速度和較低的存儲開銷。Unet網(wǎng)絡(luò)采用編碼器-解碼器的結(jié)構(gòu)對圖像進(jìn)行降采樣和上采樣操作，實現(xiàn)了多尺度的特征提取和重建，使得Unet在保留較高分辨率信息的同時，能夠有效地減少參數(shù)數(shù)量和計算復(fù)雜度。

但是，在原始的Unet模型中輸入圖像大小是固定的，通常為572×572像素，且模型輸出圖像尺寸與輸入不同。這是因為Unet網(wǎng)絡(luò)結(jié)構(gòu)中的編碼器和解碼器都依賴于特定的層間連接，這些連接的形狀是基于固定大小的輸入圖像設(shè)計的。

本研究分割組串與組件是為了提供光伏缺陷的像素位置坐標(biāo)，用于后續(xù)相機(jī)坐標(biāo)系和無人機(jī)GPS地球坐標(biāo)系之間，服務(wù)運(yùn)維人員的定位到達(dá)和缺陷維護(hù)，同時考慮縮放對圖像細(xì)節(jié)的損失。在本文的研究中，將Unet模型進(jìn)行變體，將圖像輸入大小變?yōu)?40×640像素，圖像輸入大小等于圖像輸出大小。

具體修改方式如下。

1）在U-Net的編碼器部分，將輸入張量的大小設(shè)置為可變的，使用自適應(yīng)平均池化以使模型能夠適應(yīng)不同尺寸的輸入圖像。在U-Net的編碼器部分使用自適應(yīng)平均池化和可變大小的輸入張量，有利于提高模型的靈活性和通用性，使其能夠適應(yīng)不同尺寸的輸入圖像，同時減少內(nèi)存占用，從而提高模型的泛化能力和效率。

2）在U-Net的解碼器部分，將上采樣層替換為可變大小的上采樣層雙線性插值，可以根據(jù)輸入圖像的大小來調(diào)整輸出圖像的尺寸，從而提高模型的適應(yīng)性和通用性。這種修改可以有效減少信息丟失，并幫助模型更好地還原細(xì)節(jié)信息，有利于改善分割結(jié)果的空間準(zhǔn)確性和語義連貫性。修改后的Unet網(wǎng)絡(luò)示意圖如1所示。

2.2.2 ?缺陷檢測

在光伏發(fā)電系統(tǒng)中，光伏板的正常運(yùn)行對光能的高效轉(zhuǎn)換至關(guān)重要。然而，由于各種原因，光伏板可能會有如裂紋、污染、局部損壞和遮擋等問題。這些缺陷會導(dǎo)致光伏板的電流密度不均勻分布，進(jìn)而引起熱耗散不平衡。研究表明，光伏板一旦發(fā)生缺陷，局部區(qū)域的溫度將顯著增加，形成溫度異?，F(xiàn)象[14]。因此，通過監(jiān)測光伏板表面溫度變化，可以迅速檢測到光伏板是否存在缺陷，并及時采取措施修復(fù)或替換[15]，以保證光伏發(fā)電系統(tǒng)的正常運(yùn)行和發(fā)電效率。因此，監(jiān)測光伏板溫度異常成為實現(xiàn)光伏系統(tǒng)安全穩(wěn)定工作的重要手段之一[16-19]。

本研究在使用分割模型對圖像進(jìn)行處理后，得到含組串和組件的區(qū)域信息。同時，將圖像進(jìn)行預(yù)處理分別得到組件和組串的二值圖，即將非組件區(qū)域進(jìn)行黑色填充，組件區(qū)域置為白色?；谏疃葍?yōu)先搜索遍歷的方法對組件和組串求解連通域，得到組件和組串的像素集合。

缺陷檢測的具體流程如下。

1）對所有組串的平均溫度進(jìn)行排序取中值，設(shè)組串與均值之間的溫差閾值為？駐T1。

2）遍歷所有組串，將各組串與組串中值作差，得到？駐Ts，當(dāng)？駐Ts≤？駐T1時，可認(rèn)為當(dāng)前組串為大面積正常組串，反之認(rèn)為該組串是大面積發(fā)生缺陷的異常組串。

3）依次遍歷各組串的組件，若當(dāng)前遍歷的為正常組串，則使用該組件的溫度均值與該組串的各組件作差；若當(dāng)前遍歷的為異常組串，則使用組串中值與該組串的各組件作差，差值為？駐Tp。

4）設(shè)組件溫差閾值為？駐T2，當(dāng)？駐Tp≤？駐T2時，認(rèn)為當(dāng)前組件為正常組件，反之認(rèn)為該組件為異常組件。

5）對無人機(jī)巡檢的紅外圖重復(fù)步驟1—4，直到?jīng)]有新的缺陷組件被判定為止，輸出所有被判定為缺陷的組件以及其所在的組串。

3 ?實列分析

本研究的目標(biāo)是提供一種有效且高效的無人機(jī)熱斑缺陷識別及定位的方法。因此，本文采集了甘肅某山地光伏場數(shù)據(jù)，驗證本文所提出方法的可行性。

山地光伏場站是指建在山區(qū)或丘陵等地勢較高的光伏發(fā)電場站。與平原地區(qū)的光伏場站相比，地形復(fù)雜且氣象條件嚴(yán)峻，使得光伏缺陷高發(fā)。同時，在山地條件下，道路崎嶇不平，交通不便，給維護(hù)和物資運(yùn)輸增加了一定的難度，巡檢人員需要面對復(fù)雜的地形和惡劣的氣象條件，備足裝備和工具，豐富的專業(yè)知識和技能。因此，對于山地光伏場站，不僅需要進(jìn)行高效的巡檢及時發(fā)現(xiàn)并排查光伏板的缺陷和故障，還需要正確定位缺陷的發(fā)生點(diǎn)，實現(xiàn)有效提高運(yùn)維效率。本研究的實驗從光伏紅外圖對組串及組件分割的有效性和時效性、缺陷識別及定位的正確性兩部分進(jìn)行分別論證。

3.1 ?組串及組件分割

通過論證，通過對Unet網(wǎng)絡(luò)輸入的優(yōu)化，保留圖像細(xì)節(jié)，能夠?qū)M串及組件完成更好的分割，實驗結(jié)果示意如圖2所示。

從圖2可以看到，原Unet在分割的時候組件和組件之間的分割出現(xiàn)了粘連，這不利于后續(xù)完成缺陷識別后的組件歸屬計算。而優(yōu)化后的Unet，由于網(wǎng)絡(luò)輸入保持了原有圖像分辨率大小，組件分割明晰無粘連。

3.2 ?缺陷檢測及定位

針對缺陷檢測及定位的驗證，首先，本研究將該場站的光伏紅外巡檢圖交由經(jīng)驗豐富的運(yùn)維人員用矩形框標(biāo)注出缺陷及所屬的組件編號。然后將缺陷檢測算法計算的缺陷連通域，基于最小外接矩方法得到本文算法所檢測的缺陷矩形框及其組件歸屬編號，缺陷檢測及定位示意如圖3所示。其中，圖3示例中的缺陷檢測？駐T1的值設(shè)置為10，？駐T2的值設(shè)置為4。

3.3 ?全站實測

同時，針對分割任務(wù)，批量測試同時關(guān)注了其效率和正確率，以分割驗證方法的有效性和實時性。其中正確率使用Jaccard系數(shù)作為評估指標(biāo)，批量標(biāo)注和測試該山地光伏站的紅外圖像。批量測試結(jié)果見表1。針對缺陷檢測及定位的驗證，缺陷檢測批量測試采用目標(biāo)檢測的測評標(biāo)準(zhǔn)AP判斷其正確率，用編號一一對比判斷定位的正確性并用正確率Acc（Accuracy）表示。

Jaccard系數(shù)是一個用于比較樣本之間相似性的指標(biāo)，常用于圖像分割評估分割算法的性能。在圖像分割的情況下，一個樣本可以是一幅圖像，另一個樣本是該圖像的分割結(jié)果。Jaccard系數(shù)越大，表示分割結(jié)果與原始圖像的相似度越高，即分割性能越好。計算公式如下

Jassard=（A∩B）/（A∪B），

設(shè)A和B分別代表原始圖像和分割結(jié)果的像素集合，A和B的交集記作C，Jaccard系數(shù)定義為C的面積除以A和B并集的面積。

AP（Average Precision）是目標(biāo)檢測評估性能的重要指標(biāo)之一，是用于評估目標(biāo)檢測算法在不同置信度下預(yù)測結(jié)果準(zhǔn)確率的一種指標(biāo)，計算公式如下

式中：R表示真實的目標(biāo)總數(shù)，P（i）表示在前i個預(yù)測中的準(zhǔn)確率，rel（i）表示第i個預(yù)測是否為真實目標(biāo)（1表示是，0表示否）。換而言之，rel（i）和P（i）構(gòu)成了一個點(diǎn)（P（i），rel（i）），那么AP就是這些點(diǎn)在準(zhǔn)確率維度上的平均值。

本文的山地光伏全站實例論證中，選取了部分路段的巡檢紅外圖5 000張進(jìn)行了標(biāo)注和方法測試，測試結(jié)果見表1。Unet的改進(jìn)使得缺陷檢測有效，通過統(tǒng)計平均計算得到，一張640×640大小紅外圖，在該方法中平均計算耗時為0.08 s。

分析表1，無論是原始Unet結(jié)合的缺陷檢測方法或者改進(jìn)的Unet結(jié)合的缺陷檢測方法，在正確分割得到的組件中缺陷檢測正確率（APjacc）和識別定位正確率（Accap）最高可達(dá)96.1%和95.9%，由此可證明缺陷檢測和定位的正確性。另外，APall和Accall分別表示在5 000張總數(shù)據(jù)中缺陷檢測的識別率，差距較大，由此可以論證，本文提出的缺陷檢測方法依賴分割獲得組串和組串的正確性。而通過改進(jìn)Unet的分割使得缺陷檢測的全站正確率從78.8%提升到91.6%。

4結(jié)束語

本文探討了算法設(shè)計實現(xiàn)缺陷檢測的重要性及其在工業(yè)中的應(yīng)用。通過使用Unet改進(jìn)結(jié)合傳統(tǒng)圖像算法，本文驗證了如何提高缺陷檢測的準(zhǔn)確率，并在實驗結(jié)果和分析中證明了本文提出的方法在檢測正確率和效率方面的優(yōu)越性。未來，我們計劃繼續(xù)探索和改進(jìn)算法設(shè)計實現(xiàn)缺陷檢測技術(shù)優(yōu)化，以實現(xiàn)更高的檢測準(zhǔn)確率和更低的漏檢率。還將探索如何將其他先進(jìn)的深度學(xué)習(xí)技術(shù)應(yīng)用于缺陷檢測任務(wù)中，以進(jìn)一步優(yōu)化檢測性能。

總之，本文的研究為算法設(shè)計實現(xiàn)缺陷檢測提供了一種有效的解決方案，并有望在未來的研究和工業(yè)應(yīng)用中發(fā)揮更大的作用。我們期待更多的研究者和工程師能夠關(guān)注并投入到這個領(lǐng)域的研究中來，共同推動缺陷檢測技術(shù)的發(fā)展和應(yīng)用。

參考文獻(xiàn)：

[1] 鄧擁正，楊健.淺談無人機(jī)在光伏電站巡檢中的應(yīng)用[J].紅水河，2023，42（4）：69-72.

[2] 王家萬.無人機(jī)巡檢在荒漠光伏電站中的應(yīng)用研究[J].太陽能，2023（5）：24-28.

[3] 于祥躍.基于紅外圖像處理的無人機(jī)光伏組件故障檢測[D].長春：吉林大學(xué)，2023.

[4] 白玉龍，孫茹潔，哈永華.光伏電站自主巡檢中的無人機(jī)視覺定位算法研究[J].電子元器件與信息技術(shù)，2023，7（5）：72-75.

[5] 郭麗虹.大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J].南方農(nóng)機(jī)，2019，50（23）：228.

[6] 王兆麟，魯寶春，熊輝，等.光伏發(fā)電系統(tǒng)及其在電力系統(tǒng)穩(wěn)定中的應(yīng)用研究綜述[J].黑龍江電力，2016，38（1）：89-94.

[7] 董嫻，金葉義，王宏磊，等.光伏組件在不同運(yùn)行模式下的性能研究[J].順德職業(yè)技術(shù)學(xué)院學(xué)報，2014，12（4）：5-9.

[8] 黃雯珂，滕飛，王子丹，等.基于深度學(xué)習(xí)的圖像分割綜述[J].計算機(jī)科學(xué)，2024，51（2）：107-116.

[9] 唐璐，趙英.基于深度學(xué)習(xí)的圖像分割技術(shù)研究綜述[J].電腦知識與技術(shù)，2023，19（23）：30-32.

[10] 王敏，王培東.基于深度學(xué)習(xí)的高分辨率遙感圖像語義分割方法綜述[J].廣州城市職業(yè)學(xué)院學(xué)報，2023，17（2）：96-100.

[11] 黃濤，李華，周桂，等.實例分割方法研究綜述[J].計算機(jī)科學(xué)與探索，2023，17（4）：810-825.

[12] 李夢怡，朱定局.基于全卷積網(wǎng)絡(luò)的圖像語義分割方法綜述[J].計算機(jī)系統(tǒng)應(yīng)用，2021，30（9）：41-52.

[13] 曾文獻(xiàn)，馬月，丁宇，等.基于深度學(xué)習(xí)的圖像語義分割方法研究綜述[J].現(xiàn)代計算機(jī)，2021（21）：115-122.

[14] 劉成，馮斌，李昉.無人機(jī)智能巡檢技術(shù)在光伏電站的應(yīng)用[J].電力勘測設(shè)計，2023（8）：71-75，95.

[15] 韓虎虎，祁鑫，王鶴飛，等.基于無人機(jī)巡檢的光伏面板缺陷識別方法[J].電子設(shè)計工程，2023，31（6）：176-179，184.

[16] 向羅巧.光伏電站缺陷組件定位若干關(guān)鍵技術(shù)研究和系統(tǒng)設(shè)計[D].杭州：杭州電子科技大學(xué)，2023.

[17] 李德維.光伏電站組件診斷中無人機(jī)智能巡檢的應(yīng)用[J].光源與照明，2023（1）：102-105.

[18] 韓虎虎，胡誠.基于激光雷達(dá)點(diǎn)云高精度定位的光伏電廠智能化巡檢[J].儀器儀表用戶，2022，29（11）：98-101.

[19] 王浩，閆號，葉海瑞，等.基于無人機(jī)的光伏電站智能巡檢[J].紅外技術(shù)，2022，44（5）：537-542.