基于灰度直方圖自適應(yīng)B樣條曲線(xiàn)擬合的光伏組件熱斑檢測(cè)方法

摘 要：紅外熱圖像探測(cè)熱斑的過(guò)程中，會(huì)受到復(fù)雜環(huán)境以及采集過(guò)程引入的諸多因素干擾，導(dǎo)致常規(guī)圖像處理方法無(wú)法準(zhǔn)確檢測(cè)出熱斑。提出一種改進(jìn)的熱斑檢測(cè)方法，該方法根據(jù)灰度直方圖特征進(jìn)行自適應(yīng)節(jié)點(diǎn)配置的B樣條擬合，從而實(shí)現(xiàn)閾值選取和熱斑分割，不僅同樣具有抑制噪聲的特點(diǎn)，且提高了熱斑檢測(cè)的準(zhǔn)確率。實(shí)驗(yàn)證明該方法能實(shí)現(xiàn)含有大量噪聲的光伏組件紅外熱圖像的熱斑檢測(cè)，提高熱斑檢測(cè)的效率和準(zhǔn)確率。

關(guān)鍵詞：光伏組件；熱斑； 紅外熱圖像；B樣條；自適應(yīng)節(jié)點(diǎn)

中圖分類(lèi)號(hào)：TK514 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏發(fā)電是安全可靠的清潔能源，在全球“碳中和”的背景下，光伏發(fā)電發(fā)展前景廣闊。然而，熱斑對(duì)光伏組件的危害極大，不僅嚴(yán)重降低光伏電站的發(fā)電效率，減少光伏組件的實(shí)際使用壽命，且會(huì)給光伏電站帶來(lái)嚴(yán)重的火災(zāi)隱患［1］。熱斑是由于某些電池單片本身缺陷或組件部分受到遮擋而無(wú)法工作，造成組件局部溫度過(guò)高，利用紅外熱像儀拍攝光伏組件紅外熱圖像即可檢測(cè)熱斑?；诩t外熱圖像的熱斑探測(cè)方法，由于其無(wú)損無(wú)接觸的優(yōu)點(diǎn)，得以廣泛應(yīng)用，并受到眾多學(xué)者關(guān)注：王道累等［2］提出改進(jìn)的Faster R-CNN 紅外熱斑圖像檢測(cè)方法，提高了模型的檢測(cè)精度，改善熱斑的識(shí)別準(zhǔn)確率；樊濤等［3］提出一種基于注意力機(jī)制的熱斑檢測(cè)算法HSNet，通過(guò)圖像分割消除反光影響；Afifah 等［4］提出基于多級(jí)Otsu 的圖像處理方法，對(duì)光伏組件的熱斑分段和檢測(cè)；Mohd 等［5］使用K-均值聚類(lèi)方法，將較熱的區(qū)域與背景圖像分開(kāi)，簡(jiǎn)化了紅外熱圖像的熱斑檢測(cè)；文獻(xiàn)［6］將熱成像圖像從RGB 色彩空間轉(zhuǎn)換為HSV 色彩空間，利用支持向量機(jī)根據(jù)每個(gè)像元提取的特征檢測(cè)是否存在任何熱斑；文獻(xiàn)［7］基于無(wú)人機(jī)巡檢技術(shù)，結(jié)合基于坡度約束的紅外圖像和熱點(diǎn)位置可見(jiàn)光圖像配準(zhǔn)方法，基于改進(jìn)的魚(yú)群灰度組合預(yù)測(cè)方法，設(shè)計(jì)熱斑信息判別過(guò)程。

然而，復(fù)雜的環(huán)境、紅外熱圖像拍攝過(guò)程中的角度、距離、焦距等因素都會(huì)對(duì)光伏組件紅外熱圖像造成干擾［8］。在此種情況下，即使用高斯濾波器或中值濾波器對(duì)圖像進(jìn)行預(yù)處理，常規(guī)圖像處理方法也無(wú)法順利檢測(cè)出熱斑。蔣琳等［9］提出一種基于灰度直方圖固定節(jié)點(diǎn)B 樣條曲線(xiàn)擬合的熱斑檢測(cè)方法，能抑制紅外熱圖像噪聲，提高檢測(cè)熱斑的準(zhǔn)確率。然而，在后續(xù)研究發(fā)現(xiàn)：當(dāng)利用固定節(jié)點(diǎn)B 樣條對(duì)灰度直方圖進(jìn)行擬合時(shí)，如果設(shè)置節(jié)點(diǎn)數(shù)量過(guò)少，那么擬合曲線(xiàn)的精度就會(huì)大打折扣，從而影響后續(xù)閾值的選取，導(dǎo)致熱斑分割失誤；而如果設(shè)置節(jié)點(diǎn)數(shù)量過(guò)多，不僅增加檢測(cè)時(shí)間，且存在過(guò)擬合風(fēng)險(xiǎn)，同樣導(dǎo)致熱斑分割失誤。

本文對(duì)此進(jìn)行研究和改進(jìn)，進(jìn)一步提出通過(guò)自適應(yīng)節(jié)點(diǎn)配置B 樣條進(jìn)行灰度直方圖擬合，從而進(jìn)行熱斑檢測(cè)的方法，在抑制紅外熱圖像噪聲和干擾的同時(shí)，提高熱斑檢測(cè)精確度。

1 基于灰度直方圖固定節(jié)點(diǎn)B 樣條曲線(xiàn)擬合的熱斑檢測(cè)方法

文獻(xiàn)［9］中熱斑檢測(cè)方法基本思想是通過(guò)固定節(jié)點(diǎn)B 樣條最小二乘擬合法對(duì)灰度直方圖進(jìn)行擬合，尋找灰度直方圖上對(duì)應(yīng)的閾值，實(shí)現(xiàn)熱斑分割，抑制噪聲。然而該方法中樣條函數(shù)的節(jié)點(diǎn)固定，節(jié)點(diǎn)均勻分布在0～255 的圖像灰度值區(qū)間。節(jié)點(diǎn)數(shù)量直接影響到灰度直方圖的擬合精度，進(jìn)而影響到分割精度。

圖1a 是光伏組件紅外熱圖像灰度圖，由于光伏組件的內(nèi)部缺陷引起了熱斑。利用固定節(jié)點(diǎn)B 樣條函數(shù)最小二乘法對(duì)其灰度直方圖（圖1b）進(jìn)行曲線(xiàn)擬合。圖2a 是15 節(jié)點(diǎn)平均分布的樣條函數(shù)擬合曲線(xiàn)，在高灰度段擬合精度不夠，圖2b 是25 節(jié)點(diǎn)平均分布的樣條函數(shù)擬合曲線(xiàn)，擬合精度提高，閾值也更準(zhǔn)確。

雖然通過(guò)提高節(jié)點(diǎn)數(shù)量可提高擬合精度，使得閾值選取更合適，分割結(jié)果更精確，但同時(shí)也提高了運(yùn)算量，增加了運(yùn)算時(shí)間，如表1 所示。節(jié)點(diǎn)數(shù)量過(guò)多同樣存在過(guò)擬合的風(fēng)險(xiǎn)。

由圖1、圖2 可見(jiàn)，選取精準(zhǔn)的閾值進(jìn)行熱斑分割的關(guān)鍵在于灰度直方圖的高灰度段的擬合精度，而不在于灰度直方圖低灰度段的擬合精度。平均分布樣條函數(shù)的節(jié)點(diǎn)并不是最佳算法。

2 基于灰度直方圖自適應(yīng)B 樣條曲線(xiàn)擬合的熱斑檢測(cè)方法

2.1 自適應(yīng)B樣條曲線(xiàn)擬合理論

B 樣條曲線(xiàn)方程定義為：

式中：Pi——控制多邊形的頂點(diǎn)，i =0， 1， …， n；Ni，k （t）——k 階（k -1 次）B 樣條基函數(shù)。

B 樣條在理論上較多地采用截尾冪函數(shù)的差商定義。de Boor-Cox 遞推定義作為標(biāo)準(zhǔn)算法，是B 樣條理論最重要的進(jìn)展之一［10］。約定0/0=0。

遞推定義作為標(biāo)準(zhǔn)算法，見(jiàn)式（2），是B樣條理論最重要的進(jìn)展之一。

第i 個(gè)k 階B 樣條Ni，k （t） 的支撐區(qū)間為［ti，ti +k］，曲線(xiàn)方程（1）中共n +1 個(gè)k 階B 樣條Ni，k （t），其支撐區(qū)間的并集為T(mén) =[ t0， t1， …， tn +k ]，也稱(chēng)為節(jié)點(diǎn)向量。

自適應(yīng)節(jié)點(diǎn)的B 樣條函數(shù)最小二乘擬合問(wèn)題［10］即為：給定區(qū)間［a，b］，樣條的內(nèi)節(jié)點(diǎn){ tk +1， tk +2， …， tk +N } 的位置可在區(qū)間［a，b］之間改變，且滿(mǎn)足a =t0 =t1 =…=tk

求α*、T *，使得S （α*， T * ）=min { S （α， T ） }。

自適應(yīng)B 樣條擬合方法是一個(gè)非線(xiàn)性的最優(yōu)化求解問(wèn)題，未知量是數(shù)據(jù)點(diǎn)的節(jié)點(diǎn)位置和控制頂點(diǎn)的位置［ 11］。這類(lèi)全局優(yōu)化算法雖然擬合效果一般較好，但其固有缺點(diǎn)不可避免，例如計(jì)算效率不高、運(yùn)算時(shí)間較長(zhǎng)、全局最優(yōu)解一般不能得到保證［12-13］。

2.2 自適應(yīng)B樣條擬合的熱斑檢測(cè)方法

該熱斑檢測(cè)方法根據(jù)灰度直方圖的特征設(shè)置初始節(jié)點(diǎn)向量，通過(guò)不斷迭代調(diào)整節(jié)點(diǎn)向量直至擬合誤差變化率滿(mǎn)足要求，輸出灰度直方圖的擬合曲線(xiàn)，擬合曲線(xiàn)的特征點(diǎn)對(duì)應(yīng)的灰度值作為分割閾值得到熱斑檢測(cè)結(jié)果。

該熱斑檢測(cè)方法流程如圖3。

2.2.1 圖像預(yù)處理和灰度直方圖數(shù)據(jù)離散化

基于灰度直方圖自適應(yīng)B 樣條函數(shù)曲線(xiàn)擬合的熱斑分割方法中，首先對(duì)紅外熱圖像進(jìn)行預(yù)處理，包括灰度化和濾波；然后對(duì)其圖像像素灰度直方圖進(jìn)行標(biāo)識(shí)與確定，建立圖像灰度直方圖，根據(jù)灰度直方圖得到256 個(gè)樣本點(diǎn)（xi，yi），i =1，…，256。

2.2.2 根據(jù)灰度直方圖特征設(shè)置初始節(jié)點(diǎn)向量

將灰度值（0～255）平均分成k 個(gè)灰度區(qū)間，計(jì)算光伏組件紅外熱圖像每個(gè)灰度區(qū)間的灰度和，定義灰度和最大區(qū)間的中心點(diǎn)為m，將灰度區(qū)間［0，m］平均分成p 個(gè)區(qū)間，將灰度區(qū)間［m，255］平均分成q 個(gè)區(qū)間，以此構(gòu)造節(jié)點(diǎn)向量［0，0，0，m/p，2 m/p，…，（p - 1）m/p，m，m+（255-m）/q，…， m+（q-1）（255-m）/q，255，255，255］，如圖4 所示。k、p、q 均設(shè)置初始值。

2.2.3 根據(jù)擬合誤差調(diào)整節(jié)點(diǎn)向量

根據(jù)灰度直方圖特征設(shè)置初始節(jié)點(diǎn)向量，得到擬合曲線(xiàn)：

計(jì)算擬合誤差需將灰度直方圖和擬合曲線(xiàn)歸一化，算法迭代執(zhí)行，每次迭代中，由于熱斑分割的精度取決于高灰度段的擬合精度，因此p 值固定不動(dòng)，k 和q 增大，直到擬合誤差變化率小于期望值ε。

2.2.4 閾值選取和熱斑分割

將灰度直方圖樣本點(diǎn)（xi，yi）， i =1，…，256 中xi 代入擬合曲線(xiàn)得到擬合值y?i，首先搜尋y?i 的最大值y?max 此時(shí)對(duì)應(yīng)的灰度值為xmax，然后從xi gt;xmax 開(kāi)始搜尋y?i 第一個(gè)局部最小值y?min 作為分割閾值，對(duì)光伏組件紅外熱圖像進(jìn)行熱斑分割。

3 實(shí)驗(yàn)結(jié)果和分析

實(shí)驗(yàn)中的紅外熱圖像均采集于屋頂光伏陣列。紅外熱圖像分批次采集，采集設(shè)備分別為紅外熱像儀SAT-S80 和T650SC。光伏陣列晶體硅組件型號(hào)為JA SOLAR JAP6-60-255/3BB，安裝傾斜角度40°。實(shí)驗(yàn)平臺(tái)配置Intel i7 2.3GHz處理器和16 GB 內(nèi)存的筆記本電腦。圖像分析處理在Matlab R2017b 軟件平臺(tái)上實(shí)現(xiàn)。實(shí)驗(yàn)中設(shè)置n、p、q 的初始值為2。期望值ε 為0.0001。

圖1a 為噪聲污染嚴(yán)重的典型光伏組件紅外熱圖像。以圖1a 為例，進(jìn)行灰度化、濾波、預(yù)處理后，用傳統(tǒng)圖像處理方法對(duì)其熱斑分割：canny 邊緣檢測(cè)的結(jié)果見(jiàn)圖5a，熱斑被淹沒(méi)在噪聲信號(hào)中；大津法（OSTU）分割結(jié)果見(jiàn)圖5b，光伏組件的正常區(qū)域也被當(dāng)成熱斑分割出來(lái)。傳統(tǒng)圖像處理方法效果不佳。

利用文獻(xiàn)［10］中固定節(jié)點(diǎn)B 樣條擬合的熱斑檢測(cè)方法，熱斑分割結(jié)果見(jiàn)圖7a，只有光伏組件最上端的熱斑被分割出來(lái)，但組件下端的熱斑未被分割出來(lái)。

采用本文提出的自適應(yīng)節(jié)點(diǎn)樣條函數(shù)最小二乘擬合方法的話(huà)，低灰度段分布的節(jié)點(diǎn)比較稀疏，高灰度段分布的節(jié)點(diǎn)比較密集，達(dá)到灰度直方圖高灰度段更好的擬合精度，見(jiàn)圖6，從而精確地確定閾值。熱斑分割結(jié)果見(jiàn)圖7b，分割效果更精確。

圖8a 為外部臟污導(dǎo)致熱斑的典型光伏組件紅外熱圖像。 圖9 是圖8 光伏組件紅外熱像圖灰度直方圖的B 樣條擬合曲線(xiàn)，通過(guò)比較可看出圖9b 自適應(yīng)節(jié)點(diǎn)的擬合曲線(xiàn)在高灰度段的擬合精度較高，閾值選取準(zhǔn)確，反映在最終的分割結(jié)果上，圖10b 自適應(yīng)節(jié)點(diǎn)的分割結(jié)果更準(zhǔn)確。

圖11a 為主要內(nèi)部缺陷導(dǎo)致熱斑的典型光伏組件紅外熱圖像。通過(guò)比較圖12、圖13 的結(jié)果，自適應(yīng)節(jié)點(diǎn)B 樣條擬合的熱斑檢測(cè)方法更準(zhǔn)確。

4 結(jié) 論

提出改進(jìn)的基于灰度直方圖自適應(yīng)B 樣條擬合的熱斑檢測(cè)方法，根據(jù)灰度直方圖的特征設(shè)置初始節(jié)點(diǎn)向量，通過(guò)不斷迭代調(diào)整節(jié)點(diǎn)向量直至擬合誤差變化率滿(mǎn)足要求，輸出灰度直方圖的擬合曲線(xiàn)，擬合曲線(xiàn)的特征點(diǎn)對(duì)應(yīng)的灰度值作為分割閾值得到熱斑檢測(cè)結(jié)果。該方法抑制了光伏組件紅外熱圖像中的噪聲干擾，提高了熱斑檢測(cè)的準(zhǔn)確率和效率。

［參考文獻(xiàn)］

［1］ WOHLGEMUTH J H， KURTZ S R. How can we make PVmodules safer？［C］//2012 38th IEEE PhotovoltaicSpecialists Conference. Austin， TX， USA， 2012： 3162-3165.

［2］ 王道累， 李超， 李明山， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的光伏組件熱斑檢測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（1）：412-417.

WANG D L， LI C， LI M S， et al. Solar photovoltaicmodules hot spot detection based on deep convolutionalneural networks［J］. Acta energiae solaris sinica， 2022， 43（1）： 412-417.

［3］ 樊濤， 孫濤， 劉虎. 基于注意力機(jī)制的光伏組件熱斑檢測(cè)算法［J］. 北京航空航天大學(xué)學(xué)報(bào)， 2022， 48（7）：1304-1313.

FAN T， SUN T， LIU H. Hot spot detection algorithm of photovoltaic module based on attention mechanism［J］.Journal of Beijing University of Aeronautics andAstronautics， 2022， 48（7）： 1304-1313.

［4］ AFIFAH A N N， INDRABAYU， SUYUTI A， et al. A NewApproach for Hot Spot Solar Cell Detection based on MultilevelOtsu Algorithm［C］//2021 International Seminar onIntelligent Technology and Its Applications （ISITIA）.Surabaya， Indonesia， 2021： 278-282.

［5］ MOHD M R S， HERMAN S H， SHARIF Z. Application ofK-Means clustering in hot spot detection for thermalinfrared images［C］//2017 IEEE Symposium on ComputerApplications amp; Industrial Electronics （ISCAIE）.Langkawi， Malaysia， 2017： 107-110.

［6］ CHEN J， LI Y J， LING Q. Hot-spot detection forthermographic images of solar panels［C］//2020 ChineseControl and Decision Conference （CCDC）. Hefei， China，2020： 4651-4655.

［7］ LI G L， WANG Y J， XU Z， et al. Research andapplication of photovoltaic power station on-line hot spotdetection operation and maintenance system based onunmanned aerial vehicle infrared and visible light detection［C］//2021 IEEE/IAS Industrial and Commercial PowerSystem Asia （Iamp;CPS Asia）. Chengdu， China， 2021：403-408.

［8］ ZOU Z Y， HU Y H， GAO B， et al. Temperature recoveryfrom degenerated infrared image based on the principle fortemperature measurement using infrared sensor ［J］.Journal of applied physics， 2014， 115（4）： 043522-043532.

［9］ 蔣琳， 蘇建徽， 施永， 等. 基于紅外熱圖像處理的光伏陣列熱斑檢測(cè)方法［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（8）：180-184.

JIANG L， SU J H， SHI Y， et al. Hot spots detection ofoperating PV arrays through IR thermal image［J］. Actaenergiae solaris sinica， 2020， 41（8）： 180-184.

［10］ 李曉曄. 三次B樣條數(shù)據(jù)擬合的節(jié)點(diǎn)自適應(yīng)選取算法［D］. 大連： 大連理工大學(xué)， 2008.

LI X Y. An adaptive algorithm for knots of cubic B-splinein data fitting［D］. Dalian： Dalian University ofTechnology， 2008.

［11］ 曹娟， 歐陽(yáng)永昇， 陳中貴， 等. 非均勻B樣條曲面的自適應(yīng)節(jié)點(diǎn)設(shè)置方法［J］. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015， 27（1）： 60-67.

CAO J， OUYANG Y S， CHEN Z G， et al. Adaptive knotplacement in non-uniform B-spline surface fitting［J］.Journal of computer-aided design amp; computer graphics，2015， 27（1）： 60-67.

［12］ HUSSAIN M Z， KHALID M， IRSHAD M， et al. Splinefunctions and genetic algorithm for reverse engineering ofsymmetric 3D models［C］//2019 23rd InternationalConference in Information Visualization-Part II. Adelaide，SA， Australia， 2019： 134-140.

［13］ AMMAD M， RAMLI A. Cubic B-spline curve interpolationwith arbitrary derivatives on its data points［C］//2019 23rdInternational Conference in Information Visualization-PartII. Adelaide， SA， Australia， 2019： 156-159.

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2018YFB1500800）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金（PA2022GDGP0032）