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 物理與信息工程學院，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、安全發電、無噪音運行和低安裝成本等優點得到了快速發展［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。研究發現，部分陰影達到20%時，光伏輸出功率可下降到17.65%。事實上，部分陰影已導致每年10%～20%的電力生產損失［5-6］。此外，光伏組件上存在局部陰影會導致陰影單元過熱。

視覺檢測方法可以無接觸、無損地監測光伏系統，且快速簡便地提供位置信息，因此在光伏監測研究上優勢明顯［7］。此外，近年來快速發展的卷積神經網絡，在圖像分類和目標檢測等視覺識別任務中表現優秀，因此已有大量研究將其應用于光伏故障檢測［8-11］。

本文為提供更精準的光伏陣列監測狀態信息，基于CenterNet 網絡通過遷移學習訓練了可見光遮蓋物檢測模型，實現了對不同光照方向、不同遠近距離及不同遮擋程度等條件下對光伏陣列遮蓋物的準確檢測，為光伏陣列健康狀態監測提供了可靠參考。

1 CenterNet 網絡

1.1 網絡簡介

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）等目標檢測網絡，提供了一種更簡潔的思路。該網絡通過主網絡得到了一個熱力圖，根據熱力圖提取峰值中心點，再根據中心點回歸目標的尺寸、位置等。該網絡是無錨點目標檢測網絡，不需要提前設置錨點的超參數和區分正負樣本，大大降低了模型的計算量和訓練時間，在速度和精度上優勢明顯。主網絡采用ResNet50提取圖片特征［13］。為了滿足原網絡下采樣因子為4 的要求，ResNet50的輸出需經過3個反卷積模塊對特征圖進行上采樣。整個網絡的結構示意圖如圖1 所示。

圖1 CenterNet 網絡結構示意圖

1.2 損失函數

損失函數包括中心點損失Lk、目標大小損失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為圖像關鍵點數量；為預測值；Yxyc為標注真實值；

為預測尺寸；sk為真實尺寸；R為下采樣因子，取值為4；p為目標中心點坐標；預測偏移值；為目標縮放后中心點的近似整數坐標。

2 總體模型設計

基于CenterNet 訓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 圖像獲取和預處理

獲取的光伏陣列可見光圖像數據經過圖像預處理再輸入模型訓練。圖像預處理包括目標標注和數據增強。目標標注是標注目標的回歸框和類別信息。回歸框是矩形框由矩形左上角坐標、長度和高度構成。可見光圖像數據標注的目標類別為遮蓋物類別。研究中所檢測的區域在圖像任意位置都有可能，因此采用隨機鏡像翻轉和光度扭曲實現數據增強，以增加訓練數據，更好地實現模型訓練。

2.2 模型訓練與檢測過程

遮蓋物檢測模型通過遷移學習，初始化主網絡ResNet50 和上采樣的預訓練模型，加快模型訓練。模型訓練采用分步訓練，先凍結預訓練模型初始化的參數進行訓練，收斂時再解除凍結整個網絡訓練，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，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，語言環境Python3.6，硬件環境中CPU 為Intel i9-9900k，GPU 型號為GTX 2080Ti，顯存11 GB。

3.2 樣本集構建

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

圖3 實驗光伏系統

圖4 故障模擬示意圖

圖5 部分樣本數據示例圖

3.3 結果分析與對比實驗

為評價模型對遮蓋物的檢測效果，評價指標采用目標檢測算法常用的指標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 網絡進行對比，實驗對比結果如表1 所示。

從結果看，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 網絡模型精度更高，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 實驗對比結果

圖6 檢測結果示意圖

4 結 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。實驗結果表明，在不同光照方向、不同遠近程度和不同遮蓋程度的光伏陣列實驗數據中，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，在實際應用中可以配合無人機對光伏陣列遮蓋物進行實時巡檢。