基于SSD和紅外視頻的光伏板故障識別算法研究

張文慧,張中正,解富國,于雷,劉廣臣,馬亞杰

摘要：由于光伏板長期暴露在露天的環境下，經常出現異物遮擋和光伏板損壞。針對這兩類問題，提出了一種基于目標檢測算法和遠紅外視頻的光伏板故障識別系統。首先，根據無人機拍攝的光伏板遠紅外視頻提取出兩類故障的圖像；其次，根據兩類故障在紅外圖像中的特征不同，對圖片分兩類打標簽，標記故障信息；再使用主流的SSD算法對標記圖片進行訓練。最后，訓練好的模型可以標記出兩類故障信息。經過不斷地訓練調整，此模型對故障識別的準確率達90%，可以對實際的光伏檢修工作提供幫助。

關鍵詞：異物遮擋；熱斑；圖片特征；目標檢測算法；遠紅外視頻

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）35-0090-03

1? 概述

隨著社會的快速發展，人們對新能源的需求也越來越迫切。不少地方開始大規模使用太陽能光伏板發電。然而太陽能光伏板的大面積使用也帶來了許多檢修上的問題：光伏板長期暴露在各種天氣環境下，因此光伏板經常出現樹葉、塑料袋、鳥糞和泥土等異物的遮擋問題，以及光伏板自身故障導致的熱斑問題。

傳統的檢修方式是通過監測光伏發電系統的輸出功率、輸出電壓和手持紅外線檢測儀判斷運行故障，效率低下。郭寶柱［1］在Otsu法和最大散度閾值法的基礎上，提出自適應最大散度閾值差法來進行紅外圖像識別。TSANAKAS J A等人［2］基于邊緣檢測方式，使用Canny邊緣檢測算子作為診斷模塊進行光伏板故障識別。車曦［3］先對光伏電池片的各種運行狀態進行狀態分類編碼，然后通過可擴展脈沖神經網絡方法實現了對光伏熱斑的識別。賴菲等人[4]也已經利用深度學習算法的CNN對光伏板圖像進行自動識別判斷，確定故障的類型。現有的研究技術對光伏板只進行熱斑的識別，因此在實際應用中會對其余故障還要進一步識別，消耗時間長。因此光伏產業需要尋求更高效、綜合的故障識別系統。

本文采用深度學習中常用的目標檢測算法—SSD算法[5]對光伏板的異物和內部熱斑故障進行識別。通過SSD算法對無人機[6]采集的遠紅外圖像等數據進行綜合分析，可以快速、準確地進行故障監測及定位，幫助工人及時進行維修和清掃，大幅度提高光伏電站的發電量，降低維修事故及成本。

2? SSD算法原理介紹

SSD算法是基于one-stage目標檢測算法（One-Shot Object Detectors）實現的。這種方法的原理是利用單次檢測就可以達到識別效果，得到目標物體的位置信息以及目標物體的類別概率。SSD最底層的網絡是VGG-16，在輸入圖片后，其會對不同的特征圖大小進行相應的比例映射，特征圖的比例映射會保存至映射候選框中。比如Conv4和Conv7映射的候選框偏小，可以用來檢測小物體；Conv8和Conv9映射的候選框尺寸中等，可以用來檢測中等大小的物體，而Conv10和Conv11映射到原圖的候選框偏大，則可以用來檢測大物體。實現檢測不同尺度物體的目的。根據特征圖在輸入圖片上映射候選框、特征圖大小進行不同比例的映射，用多個卷積層后的特征映射圖來定位和檢測原始圖像的物體，其具體網絡結構如圖1所示。

3? 研究思路

光伏板的熱斑故障和異物覆蓋情況是最多的。在紅外圖像中，這兩類光伏板問題表現出明顯的差別。對于光伏板自身故障問題，其在遠紅外視頻中表現出局部正方形的、黃色高亮部分，俗稱“熱斑”。對于光伏板異物的遮擋問題，表現為形狀不規則的、顏色較暗的、邊緣為黑色的且異物周圍常常與高亮部分相接的特征。基于深度學習中常用的SSD目標檢測算法，其在復雜環境中對交通路牌、藍色車牌[7]中的應用效果不錯，因此本文考慮采用基于SSD目標檢測算法對無人機遠紅外視頻中的異物和熱斑進行識別。

本文主要的研究框架如圖2所示：

4? 數據準備

遠紅外錄像數據拍攝于某光伏發電廠，無人機按照既定路線、飛翔高度和飛翔角度進行巡航、錄像。電腦保存無人機返回的光伏板的遠紅外視頻。

對無人機返回的紅外錄像進行采樣、篩選。在圖片采樣處理中，圖片采樣頻率設置為紅外視頻每12幀間隔采樣圖片數據。在圖片篩選時，對一些由于光伏板反光、圖片模糊以及光伏板占比小于80%的圖片數據給予刪除。其次，本文所使用的SSD方法只需要對目標位置進行標注，因此應著重關注于帶有故障和異物的光伏板圖片，對正常位置的光伏板圖片不予標注和處理。為保證篩選過程的準確性和科學性，本文在專家和維修工人的指導下對含有異物和熱斑的故障圖片進行了篩選。最后選取了1150張紅外圖片進行訓練，其中圖像包含熱斑的1030張，包含異物的620張。

5? 基于SSD算法的光伏板故障識別

5.1 模型訓練

本文使用Labellmg軟件對故障圖片進行標簽化處理。對這1000張圖片進行手動打標簽，文件保存成.xml的格式。標注時，故障標記成兩類，一類是熱斑，另一類是異物。圖像標注時利用熱斑和異物的最小外接矩形進行標注，保證每個故障在1個最小的外接矩形框里。對于在一張紅外圖片中兩種故障類型都出現的情況，兩種故障同時分類標注。對標注之后的光伏板圖片的.xml文件，以7：3的比例隨機抽取打標簽圖片劃分訓練集和測試集。

通過對SSD算法的參數進行調節，得到對于結果訓練最好的參數。在計算損失函數值時，為了抑制損失值過擬合現象，引入了Label Smoothing 正則化策略，這種策略能夠減少真實樣本在計算損失值中的權重，從而達到抑制過擬合的目的。

1）Label Smoothing對真實概率的分布作出的改變如下：

[Pi=1，if（i=y）0，if（i≠y）→Pi=（1-ε），if（i=y）εK-1，if（i≠y）]? ? ? ?（1）

2）Label Smoothing對交叉熵損失函數作出的改變如下：

[Loss=-i=1Kpilogqi→Lossi=（1-ε）×Loss，if（i=y）ε×Loss，if（i≠y）]? ? ? （2）

3）Label Smoothing對最優的預測概率分布作出的改變如下：

[Zi=+∞，if（i=y）0，if（i≠y）→Zi=log（k-1）（1-ε）ε+α，if（i=y）α，if（i≠y）]

（3）

[α]可以是任意實數，最終通過抑制正負樣本輸出差值，使網絡能有更好的泛化能力。

模型技術指標分析結果如表1所示。

5.2 實驗結果分析

通過對total_loss的觀察，會發現圖像逐漸收斂并趨于穩定值，如圖4所示。

并且對于測試集的測試，筆者給出了一個準確的識別結果，如表2所示：

分析檢驗結果，SSD算法識別光伏板故障類型的結果是不錯的，可以進行實際的應用。

將訓練好的模型應用到光伏板的故障識別算法中，其識別異物和熱斑的結果可以很清晰地從圖片上標注出來。最終識別結果如圖5所示，在可視化圖片結果中，綠色框標注的是光伏板熱斑類故障，藍綠色標注的是光伏板上的異物情況。

6 結束語

本文借助無人機拍攝的光伏板遠紅外視頻，利用深度學習中SSD算法對光伏板的異物和熱板故障進行了識別。該方法識別的準確率達90%以上且對兩類故障的識別具有一定的魯棒性。本文所使用的整套系統可以應用于實際大型光伏電廠中，有效地幫助維修工人對光伏板的故障排查和異物清理工作，提高工作效率，給光伏電廠減少不必要的損失。

但是本文的研究仍然存在著許多需要改進的地方。

1）不同地區的光伏發電廠對太陽能光伏板的安裝角度有所不同，拍攝角度過低會使光伏板紅外圖像的有效面積過低，降低工作效率。拍攝角度過高又會造成熱斑和小的遮擋物不顯著，造成模型誤判[8]。

2）更優的識別算法能夠對熱斑圖像進行更加深入的圖像形態特征進行研究，包括遮擋物的形狀，遮擋面積等，由此可以對光伏板的異物遮擋種類進行更加細化的分類。

參考文獻：

[1] 郭寶柱.光伏陣列熱斑的紅外圖像處理的研究[D].天津：天津理工大學，2016.

[2] Tsanakas J A，Chrysostomou D，Botsaris P N，et al.Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermographic measurements[J].International Journal of Sustainable Energy，2015，34（6）：351-372.

[3] 車曦.基于紅外圖像識別的光伏組件熱斑故障檢測方法研究[D].重慶：重慶大學，2015.

[4] 賴菲，陳亞鵬，單正濤，等.深度學習算法在光伏電站無人機智能運維中應用[J].熱力發電，2019，48（9）：139-144.

[5] Liu W，Anguelov D，Erhan D，et al.SSD：single shot MultiBox detector[M]//Computer Vision - ECCV 2016.Cham：Springer International Publishing，2016：21-37.

[6] 王栓虎，溫向煒.無人機在光伏組件巡視檢查中的應用分析[J].太陽能，2021（1）：51-54.

[7] 祁忠琪，涂凱，吳書楷，等.基于深度學習的含堆疊字符的車牌識別算法[J].計算機應用研究，2021，38（5）：1550-1554，1558.

[8] 洪聲藝.無人機載可見紅外光伏板熱斑檢測系統研究[D].北京：中國科學院大學（中國科學院上海技術物理研究所），2020.

【通聯編輯：唐一東】