基于CenterNet 的光伏陣列遮蓋物檢測

陳詩坤，盧簫揚，馮 鍇

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108）

0 引 言

近年來，太陽能作為一種可再生能源，憑借無污染、安全發(fā)電、無噪音運行和低安裝成本等優(yōu)點得到了快速發(fā)展［1-2］。然而，光伏性能的可靠性受實際運行中各種故障的影響［3］。在這些故障中，由光伏周圍建筑物、樹木、落葉、鳥類污染物以及灰塵等引起的陰影故障最常見［4］。陰影對光伏的影響并非恒定不變。研究發(fā)現(xiàn)，部分陰影達(dá)到20%時，光伏輸出功率可下降到17.65%。事實上，部分陰影已導(dǎo)致每年10%～20%的電力生產(chǎn)損失［5-6］。此外，光伏組件上存在局部陰影會導(dǎo)致陰影單元過熱。

視覺檢測方法可以無接觸、無損地監(jiān)測光伏系統(tǒng)，且快速簡便地提供位置信息，因此在光伏監(jiān)測研究上優(yōu)勢明顯［7］。此外，近年來快速發(fā)展的卷積神經(jīng)網(wǎng)絡(luò)，在圖像分類和目標(biāo)檢測等視覺識別任務(wù)中表現(xiàn)優(yōu)秀，因此已有大量研究將其應(yīng)用于光伏故障檢測［8-11］。

本文為提供更精準(zhǔn)的光伏陣列監(jiān)測狀態(tài)信息，基于CenterNet 網(wǎng)絡(luò)通過遷移學(xué)習(xí)訓(xùn)練了可見光遮蓋物檢測模型，實現(xiàn)了對不同光照方向、不同遠(yuǎn)近距離及不同遮擋程度等條件下對光伏陣列遮蓋物的準(zhǔn)確檢測，為光伏陣列健康狀態(tài)監(jiān)測提供了可靠參考。

1 CenterNet 網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)簡介

CenterNet 是Zhou 等 人 于2019 年 提 出 的［12］，相 比 于One-stage（如YOLO）和Two-stage（如Faster R-CNN）等目標(biāo)檢測網(wǎng)絡(luò)，提供了一種更簡潔的思路。該網(wǎng)絡(luò)通過主網(wǎng)絡(luò)得到了一個熱力圖，根據(jù)熱力圖提取峰值中心點，再根據(jù)中心點回歸目標(biāo)的尺寸、位置等。該網(wǎng)絡(luò)是無錨點目標(biāo)檢測網(wǎng)絡(luò)，不需要提前設(shè)置錨點的超參數(shù)和區(qū)分正負(fù)樣本，大大降低了模型的計算量和訓(xùn)練時間，在速度和精度上優(yōu)勢明顯。主網(wǎng)絡(luò)采用ResNet50提取圖片特征［13］。為了滿足原網(wǎng)絡(luò)下采樣因子為4 的要求，ResNet50的輸出需經(jīng)過3個反卷積模塊對特征圖進(jìn)行上采樣。整個網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖1 所示。

圖1 CenterNet 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2 損失函數(shù)

損失函數(shù)包括中心點損失Lk、目標(biāo)大小損失Lsize和中心偏置損失Loff這3 個部分，因此整體損失L可表示為：

式中，λsize=0.1，λoff=1。

中心點損失Lk、目標(biāo)大小損失Lsize和中心偏置損失Loff這3 項損失分別為：

式中：α=2；β=4；N為圖像關(guān)鍵點數(shù)量；為預(yù)測值；Yxyc為標(biāo)注真實值；

為預(yù)測尺寸；sk為真實尺寸；R為下采樣因子，取值為4；p為目標(biāo)中心點坐標(biāo)；預(yù)測偏移值；為目標(biāo)縮放后中心點的近似整數(shù)坐標(biāo)。

2 總體模型設(shè)計

基于CenterNet 訓(xùn)練和檢測光伏陣列遮蓋物檢測模型的流程圖，如圖2 所示。

圖2 模型流程圖

2.1 圖像獲取和預(yù)處理

獲取的光伏陣列可見光圖像數(shù)據(jù)經(jīng)過圖像預(yù)處理再輸入模型訓(xùn)練。圖像預(yù)處理包括目標(biāo)標(biāo)注和數(shù)據(jù)增強(qiáng)。目標(biāo)標(biāo)注是標(biāo)注目標(biāo)的回歸框和類別信息。回歸框是矩形框由矩形左上角坐標(biāo)、長度和高度構(gòu)成。可見光圖像數(shù)據(jù)標(biāo)注的目標(biāo)類別為遮蓋物類別。研究中所檢測的區(qū)域在圖像任意位置都有可能，因此采用隨機(jī)鏡像翻轉(zhuǎn)和光度扭曲實現(xiàn)數(shù)據(jù)增強(qiáng)，以增加訓(xùn)練數(shù)據(jù)，更好地實現(xiàn)模型訓(xùn)練。

2.2 模型訓(xùn)練與檢測過程

遮蓋物檢測模型通過遷移學(xué)習(xí)，初始化主網(wǎng)絡(luò)ResNet50 和上采樣的預(yù)訓(xùn)練模型，加快模型訓(xùn)練。模型訓(xùn)練采用分步訓(xùn)練，先凍結(jié)預(yù)訓(xùn)練模型初始化的參數(shù)進(jìn)行訓(xùn)練，收斂時再解除凍結(jié)整個網(wǎng)絡(luò)訓(xùn)練，最終保存損失最小和最后一個Epoch 的模型。檢測階段輸入測試樣本到訓(xùn)練好的模型，通過模型檢測遮蓋物的類別、位置及框出遮蓋物大小。

3 實驗結(jié)果與分析

3.1 實驗條件

實驗所采用的光伏陣列如圖3 所示，包括3 個組串和2 個參考板組件。每個組串由6 個光伏組件串聯(lián)，3 個組串組成工作的光伏陣列。模型在基于Pytorch 的框架上搭建，其中torch 版本為1.3.1，語言環(huán)境Python3.6，硬件環(huán)境中CPU 為Intel i9-9900k，GPU 型號為GTX 2080Ti，顯存11 GB。

3.2 樣本集構(gòu)建

實驗數(shù)據(jù)中的故障由模擬產(chǎn)生，如圖4 所示，通過硬紙片、樹葉和細(xì)沙模擬硬性陰影。數(shù)據(jù)采集采取多角度、不同高度及距離進(jìn)行多樣化多尺度的拍攝，以更好地體現(xiàn)模型的魯棒性。實驗共采集數(shù)據(jù)389 張，部分樣本如圖5 所示。實驗數(shù)據(jù)中包括449 個硬紙片類（標(biāo)注為hard_paper）、394 個樹葉類（標(biāo)注為leaf）和339 個細(xì)沙類（標(biāo)注為sandy_soil）。訓(xùn)練集、驗證集和測試集之比為8:1:1。

圖3 實驗光伏系統(tǒng)

圖4 故障模擬示意圖

圖5 部分樣本數(shù)據(jù)示例圖

3.3 結(jié)果分析與對比實驗

為評價模型對遮蓋物的檢測效果，評價指標(biāo)采用目標(biāo)檢測算法常用的指標(biāo)AP、mAP以及檢測速度。其中，AP表示某一類的平均檢測精度，mAP為所有類別的均值，平均檢測速度代表模型平均檢測一張圖片需要的時間。為了更好地評價CenterNet 的模型，搭建了YOLOV3 和Faster R-CNN 網(wǎng)絡(luò)進(jìn)行對比，實驗對比結(jié)果如表1 所示。

從結(jié)果看，CenterNet 在遮蓋物檢測中mAP比YOLOV3 高 出22%，比Faster R-CNN 高5%。其中，硬紙片類AP最高為0.89，比YOLOV3 高8%，比Faster R-CNN 高9%。另外CenterNet 模型的平均檢測速度為16 ms，比YOLOV3 算法快了2 倍多，比Faster R-CNN 算法則快了超19 倍。可見，CenterNet 網(wǎng)絡(luò)模型精度更高，檢測速度更快，實時性效果更好。部分檢測效果如圖6 所示。

表1 實驗對比結(jié)果

圖6 檢測結(jié)果示意圖

4 結(jié) 語

本文提出的基于CenterNet 的光伏陣列遮蓋物檢測方法，通過可見光圖像很好地檢測了遮蓋物，為光伏運維提供了有效保障。實驗結(jié)果表明，在不同光照方向、不同遠(yuǎn)近程度和不同遮蓋程度的光伏陣列實驗數(shù)據(jù)中，該方法比YOLOV3 和Faster R-CNN 兩個對比算法的平均檢測精度高且檢測速度快。該方法不僅能更有效檢測多種類遮蓋物，而且實時性較強(qiáng)，在實際應(yīng)用中可以配合無人機(jī)對光伏陣列遮蓋物進(jìn)行實時巡檢。