一种光伏板热斑的检测与面积占比计算方法技术

本发明专利技术公开了一种光伏板热斑的检测与面积占比计算方法，包括以下步骤：(1)建立标准化的光伏板热斑热红外图像数据集；(2)搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型；(3)利用图像处理技术计算光伏板热斑面积占比。本发明专利技术通过搭建融合注意力机制的DeepLabv3+语义分割模型，用于光伏板热斑检测并在检测结果中计算热斑面积占比，解决了反光噪声误识别为热斑以及小尺度热斑被漏检的问题，同时通过计算热斑面积占比便于后期研究热斑面积占比，以此判断当前光伏板故障程度。以此判断当前光伏板故障程度。以此判断当前光伏板故障程度。

【技术实现步骤摘要】
一种光伏板热斑的检测与面积占比计算方法


[0001]本专利技术属于光伏板热斑检测与计算
，具体涉及一种光伏板热斑的检测与面积占比计算方法。

技术介绍

[0002]光伏发电因低成本、高效率的优势，其将迎来新的发展。光伏板是实现太阳能转化为电能的核心部件，但其长期暴露室外，极易被灰尘、鸟类排泄物等污渍覆盖遮挡，这部分被遮蔽的太阳电池组件会作为负载消耗能量，造成局部温度升高形成热斑，这会降低光伏系统发电效率和光伏板使用寿命甚至引起火灾，因此在光伏电站运维中对热斑的快速准确检测尤为重要。基于图像的光伏板故障分析能够高效识别光伏板的常见故障，提高巡检效率。基于图形特征的图像处理技术进行热斑检测能够直观的表现热斑的形态位置以及受损程度，进而提供有效的维修参考，近年来取得很大进展。而光伏板层压结构中的钢化玻璃导致的反光现象，以及小尺度热斑又给基于图像处理的检测方法带来挑战。同时根据光伏组件输出特性得知，热斑面积是后续分析热斑影响的重要指标，所以能够完成像素级分类的语义分割算法在热斑检测任务中会有更好的应用前景。
[0003]公开号为CN 115409833 A的中国专利公开了一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，包括：获取校正后的光伏板区域红外灰度图；对灰度图进行滑窗，获取所有光照区域；对光照区域进行滑窗，得到各像素点的相似点连线方向及其累加标记值；利用各像素点的相似点连线方向的累加标记值、光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，得到光照区域各像素点的灰度趋势度；利用光照区域各像素点的灰度值、灰度趋势度，得到各像素点的增益权重值；利用各像素点的增益权重值得到图像增强后的灰度图；对图像增强后的灰度图进行阈值分割，获取热斑区域。上述方法用于检测光伏板的热斑缺陷，可提高检测准确度。CN 115公开号为CN 114973032 A的中国专利公开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
，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。但是上述两个专利中只是公开了光伏板热斑的检测方法或系统装置，但是都没有公开如何计算热斑面积的方法；而且，在利用图像处理技术进行热斑检测的过程中发现远离热斑主体的小尺度热斑易被漏检，而与热斑特征相似的反光噪声也易被误检。

技术实现思路

[0004]为了解决现有技术中存在的不足，本专利技术的目的是提供一种光伏板热斑的检测与
面积占比计算方法。该计算方法通过搭建融合注意力机制的DeepLabv3+语义分割模型，用于光伏板热斑检测并在检测结果中计算热斑面积占比，解决了反光噪声误识别为热斑以及小尺度热斑被漏检的问题，同时通过计算热斑面积占比便于后期研究热斑面积占比，以此判断当前光伏板故障程度。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种光伏板热斑的检测与面积占比计算方法，包括以下步骤：
[0007](1)建立标准化的光伏板热斑热红外图像数据集；
[0008](2)搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型；
[0009](3)利用图像处理技术计算光伏板热斑面积占比。
[0010]进一步的，所述步骤(1)中建立标准化的光伏板热斑热红外图像数据集的具体过程如下：
[0011]1)利用手持红外热像仪在光伏电站实地拍摄光伏板热红外图像，根据光伏电站实际情况采用真实热斑和模拟热斑结合方式采集原始数据；
[0012]2)将步骤1)中采集的原始数据进行像素统一、数据筛选、数据扩增处理，并利用图像标注软件Labelme进行数据标注，将光伏热斑数据集中每张图像标注为“background”和“hot_spot”两类标签。
[0013]进一步的，所述步骤(2)中搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型的具体过程如下：
[0014](a)选用MobileNetV2为主干特征提取网络；
[0015](b)引入CBAM注意力机制，对输入的特征层先后进行通道注意力机制和空间注意力机制的处理，增加目标特征的权重实现神经网络训练过程自适应的聚焦重要特征；
[0016](c)完成DeepLabv3+网络空洞空间金字塔池化改进；
[0017](d)在主干特征提取网络中引出两个不同跃层的低层特征，与DeepLabv3+网络的原低层特征合并为新的浅层语义信息进入解码阶段；
[0018](e)输入数据送入MobileNetV2，分为浅层特征和深层特征两类，其中MobileNetV2前三个Block的输出特征作为浅层语义信息输入到解码层，另一路MobileNetV2的输出作为深层特征作为注意力机制CBAM的输入，深层特征经过注意力机制进一步强化，注意力机制的输出之后进入改进空洞率的ASPP模块，利用空洞卷积层提取特征，堆叠输出后进行通道数压缩。
[0019]进一步的，所述步骤(a)中MobileNetV2的网络特征包括倒残差结构和线性瓶颈结构。
[0020]进一步的，所述步骤(b)中CBAM的计算过程采用如下公式：
[0021][0022]其中，F为网络原输入特征层，和分别为经过全局最大池化和全局平均池化后的特征描述，为sigmoid函数，f为通道数为1的卷积操作。
[0023]进一步的，所述步骤(c)中改进DeepLabv3+网络空洞空间金字塔池的方法具体如下：基于空洞率过大会导致空洞卷积层的像素采样变稀疏以及为了减小网格效应，将空洞率组合设置为2、3、7。
[0024]进一步的，所述步骤(3)中计算光伏板热斑面积占比的方法如下：首先，在光伏板图片的兴趣区域选点裁剪；其次，对选点裁剪的区域进行畸变矫正处理；然后，利用轮廓检测技术获取轮廓点，再对轮廓线围成的区域进行面积计算；最后，计算光伏板热斑与整块光伏板面积比。
[0025]进一步的，所述热斑为轮廓明显的色块。
[0026]进一步的，所述光伏板热斑的检测方法具体如下：将构建的光伏热斑数据集按照8:1:1划分为训练集、验证集和测试集，检验训练模型的实际预测效果，在测试集中添加未参与构建数据集的50张光伏板图像，将测试集按照热斑种类划分为常规热斑、小尺度热斑以及带有反光噪声的热斑图像，按热斑种类测试检测模型的实际效果。
[0027]与现有技术相比，本专利技术具备的积极有益效果在于：
[0028]本专利技术通过搭建融合注意力机制的DeepLabv3+语义分割模型，用于光伏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏板热斑的检测与面积占比计算方法，其特征在于，包括以下步骤：(1)建立标准化的光伏板热斑热红外图像数据集；(2)搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型；(3)利用图像处理技术计算光伏板热斑面积占比。2.根据权利要求1所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(1)中建立标准化的光伏板热斑热红外图像数据集的具体过程如下：1)利用手持红外热像仪在光伏电站实地拍摄光伏板热红外图像，根据光伏电站实际情况采用真实热斑和模拟热斑结合方式采集原始数据；2)将步骤1)中采集的原始数据进行像素统一、数据筛选、数据扩增处理，并利用图像标注软件Labelme进行数据标注，将光伏热斑数据集中每张图像标注为“background”和“hot_spot”两类标签。3.根据权利要求1所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(2)中搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型的具体过程如下：(a)选用MobileNetV2为主干特征提取网络；(b)引入CBAM注意力机制，对输入的特征层先后进行通道注意力机制和空间注意力机制的处理，增加目标特征的权重实现神经网络训练过程自适应的聚焦重要特征；(c)完成DeepLabv3+网络空洞空间金字塔池化改进；(d)在主干特征提取网络中引出两个不同跃层的低层特征，与DeepLabv3+网络的原低层特征合并为新的浅层语义信息进入解码阶段；(e)输入数据送入MobileNetV2，分为浅层特征和深层特征两类，其中MobileNetV2前三个Block的输出特征作为浅层语义信息输入到解码层，另一路MobileNetV2的输出作为深层特征作为注意力机制CBAM的输入，深层特征经过注意力机...

【专利技术属性】
技术研发人员：夏大伟，张小科，陈辉，张少锋，赵光金，史书怀，曹桂州，李玲，陈二强，蒋玲芳，李敏，李珍平，
申请(专利权)人：国网河南省电力公司电力科学研究院，
类型：发明
国别省市：