YOLO系列算法在光伏組件缺陷檢測中的應用與分析

周全民，杜玉杰，葉征燈，占太晏

（國家電投集團江西電力有限分公司高新清潔能源分公司，江西 南昌 330077）

0 引言

隨著科學技術的不斷進步，人類自然生活中對能源的需求越來越大。由于傳統能源的日益枯竭、不可再生和環境污染的特性，以太陽能光伏發電為代表的新能源日漸引起人們的關注[1]。太陽能光伏發電具備非常多的優勢，如：不會枯竭、不受地域的影響與制約、使用壽命延長、維修簡單[2]。步入21世紀后，在我國可持續資源戰略的推廣下[3]，太陽能光伏發電技術日益成熟，對于服役運行中的光伏組件的缺陷巡檢方式，可分為基于熱紅外圖像的傳統人工巡檢和通過無人機等技術實現的自動化巡檢。熱紅外圖像上可檢測判斷的光伏組件缺陷，主要可分為點斑、多斑、條斑和空載四大類別。本文主要引入基于深度學習的目標檢測的YOLO系列主流算法，具體為YOLO v2、YOLOv3及YOLOv4對熱紅外圖像的光伏組件缺陷進行檢測識別，通過對比分析，最終選定在光伏組件缺陷檢測中最優的算法模型進行AI落地應用。

1 YOLO系列算法簡介

YOLO算法作為一階段深度學習目標檢測算法，于2016年由Joseph Redmon等人提出，其核心思想是將物體的位置和物體的類別統一為如公式（1）所表達的回歸問題[4]。

預測過程如圖1所示，是將一張輸入的圖像劃分為S*S的網格，每個網格負責預測中心落在其內部的檢測對象。

圖1 YOLO目標檢測方法

在YOLOv1算法的基礎上，Redom團隊于2017年在CVPR上提出了YOLO9000[5]，習慣上稱為YOLOv2目標檢測算法模型。在該目標檢測算法模型中，主要提出了一種聯合訓練算法的新型訓練方法，該方法在訓練模型的時候可以將檢測數據集與分類數據集進行融合，檢測數據集主要負責學習物體的準確位置，分類數據集主要學習物體對象的類別預測。在此基礎上，對YOLOv1做了如圖2所示的大量改進。

圖2 YOLO到YOLOv2的改進

Redmon 和Farhadi持續對YOLO系列做了一系列更新，于2008年提出了YOLOv3[6]。在YOLOv3中，作者引入了多尺度預測，將9個聚類中心按照大小分給3個尺度進行box的預測，使用3×3和1×1的卷積層實現了類似于殘差網絡的Darknet-53基礎分類網絡。除此之外，對分類損失采用了二分類交叉損失熵，在邊界框的預測上面增加了如公式（2）所示的帶有維度先驗和定位預測的邊界框。

YOLOv4目標檢測算法是由Alexey等人在2020年提出，相比于YOLOv3而言，在基礎網絡等算法理論上面并未有過大的創新，而主要是針對最近兩年目標檢測上面的發展，作者大量引入了現有技術，對模型的訓練進行嘗試優化，比如有WRC、CSP、CmBN、SAT、Mish activation、Mosaic 數據增強、DropBlock正則化、CIoU損失以及一些功能來實現最先進的組合結果[7]。

2 模型的訓練

在本實驗中，對于模型的訓練共分為數據集制作、網絡模型微調、遷移訓練。

（1）數據集制作。通過無人機搭載熱紅外鏡頭，根據劃定航線進行初步圖像數據的采集。從采集的圖像中人工總共選出了具有光伏組件缺陷的熱紅外圖像3048張，隨機劃分為訓練集（1599張）、驗證集（536張）和測試集（913張）。對這些圖像統一將熱紅外圖像根據溫度信息轉換為灰度圖像，對訓練集做隨機翻轉、裁剪、縮放的數據增廣。

（2）網絡模型微調。在本實驗中，根據熱紅外圖像的光伏組件缺陷（點斑、多斑、條斑和空載）4大類別，將DarkNet YOLOv2、YOLOv3及YOLOv4原有的輸出類別進行微調，由原有的80類別改為4類。事先利用K-Means聚類算法在總數據集中尋找幾種較優的anchor框尺寸[8]，計算得出YOLOv2的anchors為“19, 12, 13, 24, 26, 17, 54,28, 123, 28”；YOLOv3、YOLOv4的anchors為“7, 13, 18,11, 12, 22, 22, 14, 16, 27, 33, 18, 40, 40, 102, 23, 148, 42”。

（3）遷移訓練。對YOLO系列的主流算法YOLOv2、YOLOv3、YOLOv4檢測模型，使用同樣的數據集，分別在其對應的原有預訓練模型上面進行遷移學習、微調訓練。總的訓練步數統一調整為10000步，初始學習率為0.001,分別在7000步、8000步、9000步對學習效率進行0.1倍率的更新。

3 驗證分析

本實驗的軟件與硬件如表1所示。在本實驗中，數據處理方面使用Python3.8作為編程語言，算法模型相關的編程采用C++11作為編程語言，深度學習框架采用DarkNet，使用GPU加速計算。在對熱紅外圖像的光伏組件缺陷的檢測模型遷移訓練中，YOLOv2、YOLOv3、YOLOv4在驗證集（536張熱紅外光伏組件缺陷圖像）上的具體測試效果與性能如表2。

表1 實驗配置

表2 測試結果

通過表2對比分析，對于基于熱紅外圖像的光伏組件缺陷檢測。在推理速度上，基于YOLOv2模型最快，YOLOv4模型速度上最慢，YOLOv3接近于YOLOv2，遠高于YOLOv4；在模型預測的準確率上面，無論是平均準去率還是各缺陷類別的準確率，YOLOv3高于YOLOv4，YOLOv2最低。綜合對比分析，在本實驗中最終選用表現優異的YOLOv3目標檢測算法模型進行對光伏組件缺陷的檢測。

對YOLOv3模型在測試集（913張熱紅外的光伏組件缺陷圖像）上進行最終的測試與評估，具體結果如表3所示。

表3 YOLOv3 測試驗證結果

通過表3的具體驗證分析，在本實驗中最終確定落地應用于太陽能光伏發電組件的缺陷檢測算法模型為YOLOv3算法模型，模型推理預測時的置信度為0.35。在實際的落地應用中，對基于無人機采集的熱紅外光伏組件的缺陷檢測如圖3。

圖3 光伏組件缺陷檢測

4 結論

本文針對新能源領域的太陽能光伏發電組件的缺陷檢測，提出了基于無人機搭載熱紅外鏡頭采集光伏組件的熱紅外圖像，并對其基于溫度參數轉換為灰度圖像，通過YOLO系列主流算法進行模型的訓練、預測與評估，最終通過實驗對比與結果驗證，選定基于DarkNet 的YOLOv3為實際太陽能光伏發電組件的缺陷預測進行AI的落地應用，對其應用模型在推理預測時的置信度為0.35時最優，對光伏組件日常的點斑、多斑、條斑與空載4大缺陷類別的整體預測程度可達到91.22%。