一种基于深度卷积神经网络的光伏板热斑检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度卷积神经网络的光伏板热斑检测方法及装置，属于光伏板热斑检测技术领域，包括：获取光伏板红外图像；利用改进的目标检测算法Yolov4构建光伏板识别模型，通过光伏板识别模型识别并截取光伏板红外图像中的光伏板；利用优化的语义分割算法DeepLabV3+构建热斑分割模型，通过热斑分割模型对截取到的光伏板上的热斑进行检测分割。本发明专利技术通过对Yolov4特征提取网络进行替换，实现对航拍红外图像光伏板的快速识别，解决红外图像地面背景影响的问题，将MobileNetV2网络引入DeeplabV3+模型中实现对上述识别结果进行热斑的快速分割，可以精确检测出热斑。可以精确检测出热斑。可以精确检测出热斑。

【技术实现步骤摘要】
一种基于深度卷积神经网络的光伏板热斑检测方法及装置


[0001]本专利技术属于光伏板热斑检测
，具体涉及一种基于深度卷积神经网络的光伏板热斑检测方法及装置。

技术介绍

[0002]随着新能源的持续推进，光伏电站大规模接入农村电网。近年来光伏产业成本不断降低，产能迅速增长。光伏电站也是增加贫困户收入、造福贫困地区的一项重要措施。但是，鉴于农村的生态环境，农村分布式电站光伏板极易受到灰尘、鸟粪、落叶的遮挡，如果不能及时进行清理，就会造成被遮挡电池片成为负载消耗能量，产生热斑故障。热斑故障轻则使光伏板发电效率大大降低，重则损坏整片光伏板甚至存在火灾隐患。因此，进行光伏板热斑检测对推进光伏储能工作有着重要价值。
[0003]目前，检验光伏板缺陷的方式主要围绕着图像处理、热成像、神经网络等方式进行。Tsanakas等人采用传统的图像处理算法检测热斑故障，但需要人工对图像的背景进行分割；王培珍等针对不同工作状态下太阳能电池工作温度不同这一特性，提出了通过对红外图像分析来检测热斑故障的方法，但是检测结果受到环境的影响较大；孙海蓉等以深度卷积自编码网络模型用于小样本光伏热斑识别与定位，还在Inception
‑
v3模型的基础上构建深度迁移学习模型，但是以上两种方法都只适用于小样本的热斑检测；王春提出了生成对抗神经网络来进行热斑识别，但对存在不完整的光伏板组件的情况不适用；陈文勤用光伏阵列区域局部灰度特征来进行光伏阵列分割，然后采用SVM进行热斑检测，但模型较大训练时间长不适用于无人机的实时检测。/>
技术实现思路

[0004]为了克服上述现有技术存在的不足，本专利技术针对我国农村分布式光伏电站光伏板热斑故障难以检测的问题，结合无人机巡检技术提供了一种基于深度卷积神经网络的光伏板热斑检测方法及装置。鉴于以上问题及无人机实时检测的实际需求，本专利技术通过对Yolov4特征提取网络进行替换，实现对航拍红外图像光伏板的快速识别，解决红外图像地面背景影响的问题。然后用替换特征提取网络的Deeplabv3+语义分割算法对识别后的红外图像进行热斑检测，可以精确检测出热斑。
[0005]为了实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于深度卷积神经网络的光伏板热斑检测方法，包括以下步骤：
[0007]获取光伏板红外图像；
[0008]利用改进的目标检测算法Yolov4构建光伏板识别模型，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板；可实现将光伏板快速从红外图像中识别出来；
[0009]利用优化的语义分割算法DeepLabV3+构建热斑分割模型，通过所述热斑分割模型对截取到的光伏板上的热斑进行检测分割；实现对上述识别结果进行热斑的快速分割，改
进由于下采样造成的目标缺失；
[0010]所述目标检测算法Yolov4的改进包括将Yolov4算法的主干特征提取网络CSPDarknet53替换为轻量型网络MobileNetV2，并将加强特征提取网络PAnet中标准3
×
3卷积替换为深度可分离卷积；所述语义分割算法DeepLabV3+的优化包括将主干特征提取网络Xception替换为轻量型网络MobileNetV2。
[0011]优选地，通过无人机航拍获取所述光伏板红外图像。
[0012]优选地，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板，包括以下步骤：
[0013]通过所述改进的目标检测算法Yolov4的主干特征提取网络MobileNetV2对输入的所述光伏板红外图像进行初步的特征提取，获得初步的特征层；
[0014]通过所述改进的目标检测算法Yolov4的空间金字塔池化网络SPP对所述特征层进行不同尺度的池化处理，在经过级联后进行3
×
3卷积；
[0015]将卷积后的特征输入加强特征提取网络PAne进行特征融合，获得预测框的四个坐标top、left、bottom、right；
[0016]通过获取的预测框的四个坐标top、left、bottom、right，利用矩阵的形式对所述光伏板识别模型识别，得到光伏板识别结果图片并进行截取。
[0017]优选地，通过所述热斑分割模型对截取到的光伏板上的热斑进行检测分割，包括以下步骤：
[0018]在所述优化的语义分割算法DeepLabV3+的编码器中，利用MobileNetV2网络的空洞卷积提取光伏板上的热斑特征，将热斑特征合并后进行1
×
1卷积压缩，输出高级特征；
[0019]在所述优化的语义分割算法DeepLabV3+的在解码器中，将编码器中的低级特征进行1
×
1卷积降维之后与高级特征进行特征融合，恢复目标边界，并解码出最终的光伏板上的热斑。
[0020]优选地，所述优化的语义分割算法DeepLabV3+采用的损失函数为Dice损失函数与交叉熵损失函数相结合得到的损失函数，表示式为：
[0021][0022]式中，H为图像的高度，W为图像的宽度，p
i，j
为以位置(i,j)处为前景的预测概率，g
i，j
为位置(i,j)处的标签，标签为0或1。
[0023]优选地，在通过所述光伏板识别模型进行光伏板识别前通过数据增广技术对所述光伏板红外图像进行预处理，实现数据扩充。
[0024]优选地，利用数据增广技术对所述光伏板红外图像数据进行预处理，包括以下步骤：
[0025]对将所述光伏板红外图像随机旋转0
‑
120
°
形成扩充后的光伏板红外图像；
[0026]或将所述光伏板红外图像向右平移并旋转180
°
形成扩充后的光伏板红外图像，使检测目标位于不同的位置；
[0027]或使所述光伏板红外图像变暗形成扩充后的光伏板红外图像，用来模拟实际拍摄时出现的问题；
[0028]对扩充后的光伏板红外图像进行标记，用于网络的训练。
[0029]优选地，还包括利用扩充后的光伏板红外图像对所述光伏板识别模型和热斑分割模型进行参数训练，包括：
[0030]对所述光伏板识别模型进行参数训练包括：
[0031]将扩充后的光伏板红外图像按照训练集与验证集比例8：2进行划分，训练过程分为冻结阶段和解冻阶段；
[0032]冻结阶段主干网络被冻结，特征提取网络不发生改变；解冻阶段主干不被冻结，特征提取网络改变；
[0033]使用已经训练好的预训练权重，在冻结阶段初始学习率为1e
‑
3，训练50次，解冻阶段初始学习率为1e
‑
4，训练50次，共100次；在更换主干网络后，每个模型进行3次的重复试验，取平均值作为试验结果；
[0034]对所述热斑分割模型进行参数训练包括：
[0035]在光伏板识别结果图片中，筛选出具有热斑的图片若干张按照训练集与验证集比例9：1进行划分；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的光伏板热斑检测方法，其特征在于，包括以下步骤：获取光伏板红外图像；利用改进的目标检测算法Yolov4构建光伏板识别模型，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板；利用优化的语义分割算法DeepLabV3+构建热斑分割模型，通过所述热斑分割模型对截取到的光伏板上的热斑进行检测分割；所述目标检测算法Yolov4的改进包括将Yolov4算法的主干特征提取网络CSPDarknet53替换为轻量型网络MobileNetV2，并将加强特征提取网络PAnet中标准3
×
3卷积替换为深度可分离卷积；所述语义分割算法DeepLabV3+的优化包括将主干特征提取网络Xception替换为轻量型网络MobileNetV2。2.根据权利要求1所述的基于深度卷积神经网络的光伏板热斑检测方法，其特征在于，通过无人机航拍获取所述光伏板红外图像。3.根据权利要求1所述的基于深度卷积神经网络的光伏板热斑检测方法，其特征在于，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板，包括以下步骤：通过所述改进的目标检测算法Yolov4的主干特征提取网络MobileNetV2对输入的所述光伏板红外图像进行初步的特征提取，获得初步的特征层；通过所述改进的目标检测算法Yolov4的空间金字塔池化网络SPP对所述特征层进行不同尺度的池化处理，在经过级联后进行3
×
3卷积；将卷积后的特征输入加强特征提取网络PAne进行特征融合，获得预测框的四个坐标top、left、bottom、right；通过获取的预测框的四个坐标top、left、bottom、right，利用矩阵的形式对所述光伏板识别模型识别，得到光伏板识别结果图片并进行截取。4.根据权利要求1所述的基于深度卷积神经网络的光伏板热斑检测方法，其特征在于，通过所述热斑分割模型对截取到的光伏板上的热斑进行检测分割，包括以下步骤：在所述优化的语义分割算法DeepLabV3+的编码器中，利用MobileNetV2网络的空洞卷积提取光伏板上的热斑特征，将热斑特征合并后进行1
×
1卷积压缩，输出高级特征；在所述优化的语义分割算法DeepLabV3+的在解码器中，将编码器中的低级特征进行1
×
1卷积降维之后与高级特征进行特征融合，恢复目标边界，并解码出最终的光伏板上的热斑。5.根据权利要求4所述的基于深度卷积神经网络的光伏板热斑检测方法，其特征在于，所述优化的语义分割算法DeepLabV3+采用的损失函数为Dice损失函数与交叉熵损失函数相结合得到的损失函数，表示式为：式中，H为图像的高度，W为图像的宽度，p
i，j
为以位置(i,j)处为前景的预测概率，g
i，j
为位置(i,j)处的标...

【专利技术属性】
技术研发人员：曹英丽，管宽岐，蔺雨桐，王笑伟，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：