基于SSD算法的光伏板表面異物的識別研究

劉瑞鳳 楊雅君 張文慧 王瀟璇 宋美

摘要：針對現存的對光伏板進行人工運維時效率低、成本高的問題，提出了一種結合無人機與目標檢測算法對光伏板表面異物進行智能檢測的方法。以太陽能光伏板表面異物為檢測目標，輸入無人機對光伏電站的巡航圖片數據，利用目標檢測SSD算法進行訓練檢測。結果表明，此算法對異物識別的交并比在75%以上，準確性較高，具有很好的實用性。最后借助無人機巡航和智能算法，構建光伏板的智能運維系統，從而提高光伏板的實際使用效率。

關鍵詞：光伏板表面異物；無人機；目標檢測；SSD算法；交并比

中圖分類號：TP183 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）29-0024-03

1 引言

近幾年，隨著光伏產業的不斷發展，光伏板的檢查與維修工作給光伏電廠的運營維護帶來了較大壓力。目前，人員值守及特定設備巡檢是光伏電站的主要運維方式，這樣的巡檢方式存在故障排查時間長，準確率較低等問題。近年來，目標檢測方法發展迅速，產生了快速和高度準確的方法，如R-CNN、Faster R-CNN、YOLO系列算法和SSD算法。由于傳統的運維模式對光伏板的檢測和維護是十分困難、煩瑣的，因此將目標檢測的智能診斷方法應用在光伏板表面異物識別中具有重大意義。

在光伏板的故障研究中，國外對光伏組件與發電效率之間關系的理論研究較為系統，在清潔方面也主要注重對材料的探究[1-2]，對表面異物的智能檢測研究較少。國內研究中，王雪[3]提出了一種改進的概率故障樹分析方法，結合太陽能系統專家經驗和IF-THEN推理規則，提出一類面向光伏故障診斷和監控的系統理論，效果顯著。李紅濤[4]等人提出使用最小二乘支持向量回歸（Ls-SVR）方法對光伏組件進行故障檢測，采用現有實驗數據對上述方法進行驗證，效果良好。解連港[5]等人提出能夠自動進行光伏板故障檢測， 輸出故障圖像、故障類別和故障位置的方法，便于光伏發電站的工作人員及時確定故障信息，進行光伏板維修。

總體來看，光伏板故障的識別技術正在逐步發展，但基于 SSD 算法進行光伏板檢修應用較少，普及不夠。此課題主要研究應用于可見光下的光伏板表面異物的檢測，根據無人機巡航拍攝后的照片進行圖像采集形成數據集，利用目標檢測SSD算法進行學習與檢測，進而對圖像進行故障識別，識別完成后，對故障類型與位置信息進行自動標記，以便啟動機器人對光伏板表面異物所在區域進行清掃，從而達到高效解決光伏板異物影響光伏板運行的問題。

2 數據來源

項目以某地廠房屋頂平鋪式光伏板為研究對象，借助無人機，在該光伏發電陣地上方按固定航線進行巡航，無人機在可見光下拍攝視頻和圖片，記錄可見光下光伏板表面情況。

3 模型方法

3.1 SSD算法網絡結構

SSD網絡架構主要由Vgg16網絡和大小不同的卷積層組成，一張圖片上可能有多個目標需要檢測，用卷積層替代全連接層，相應地，最后做預測時也需要使用卷積層。

SSD算法最初的輸入數據為無人機拍攝的可見光原始圖像，經過Vgg16基礎特征提取層后，依次使用不同的卷積層進行處理。

此次模型基于Tensorflow Object Detection API的Single Shot MultiBox Detector算法，簡稱 SSD 算法，最初由劉偉[6]等人提出。在SSD算法中，不同尺度的先驗框應用在不同的卷積層中，基于此進行分類和回歸。SSD 算法將Faster R-CNN 算法的錨點機制和 YOLO 算法的回歸思想相結合，一次即可完成網絡訓練，并且定位精度和分類精度相比YOLO都有大幅度提高。SSD的損失函數包含兩項：（1）預測類別損失；（2）預測位置偏移量損失值。即類別損失和位置偏移量損失的加權和：

[L（x，c，l，g）=1N（Lconf（x，c）+αLloc（x，l，g））] ? ? （1）

上式中：N是匹配默認框的個數（包括正樣本和負樣本，利用IoU計算樣本為正負樣本，當IoU大于閾值時為正樣本，反之為負樣本），[α]表示位置偏移量損失與類別損失的比例，默認為1；位置偏移量損失是[smoothL1]損失（是預測框[l]和真實標簽值框[g]參數之間的損失）：

[smoothL1]損失定義為：

[smoothL1（x）=0.5x2x-0.5，，ifx<1otherwise] ? ? ? ? （2）

故[Lloc]損失函數定義為：

[Lloc（x，l，g）=i∈PosNm∈cx，cy，w，hxkijsmoothL1（lim-gmj∧）] ? ? （3）

其中，

[g∧cxj=（gcxj-dcxi）dwi] ? ? ?[g∧cyj=（gcyj-dcyi）dhi]

[g∧wj=log（gwjdwj）] ? ?[g∧hj=log（ghjdhj）]

類別損失是softmax對多類別的損失：

[Lconf（x，c）=i∈PosNxpijlog（c∧pi）-i∈Neglog（c∧0i）] ? ? ? ? （4）

其中，[c∧pi=exp（cpi）pexp（cpi）]，[xpij=1]，則第[i]個默認框與類別[p]的第[j]個真實框進行匹配，可以得到[ixpij≥1]，即至少有一個可以匹配上第[j]個真實標簽框。

目前SSD 算法在交通領域應用廣泛，主要為車輛與行人檢測方面[7-9]，在光伏板清潔和檢修方面，SSD 智能檢測算法應用較少。

3.2 交并比（Intersection-over-Union，IoU）

交并比是目標檢測中使用的一個指標，是產生的候選框與原標記框的交集與并集的比值。最理想情況是完全重疊，即比值為1。

SSD算法的匹配策略：SSD算法基于最大IoU匹配的原則，首先給每個anchor分配一個真實標簽，通過anchor與Groundtruth box比較計算最佳重疊。當IoU大于0.5時，就認為是一個正樣本，當IoU小于0.5時認為是負樣本，對應計算公式為：

[IoU=Gt?DrGt?Dr] ? ? ? ? ? ? ? ? ? ? ? ? （5）

其中，[Gt]（Ground Truth）為目標位置，[Dr]（Detection Result）為檢測結果。由于IoU算法判斷后會產生大量重疊檢驗，故需運用非極大值抑制（NMS）選出交并比最大的候選框作為最終的檢測結果。實現對多余結果進行選擇。

4 實驗過程

實驗基于如下流程圖，對數據集進行處理、訓練，從而將新的拍攝圖片導入檢測系統中進行驗證并得出實驗結果。

4.1 ?實驗數據準備

（1）將無人機采集的數據視頻導入Adobe Premiere Pro CC 軟件，進行初步剪輯處理，將視頻中有異物片段和無異物片段進行分割，將有異物片段的視頻序列按照6幀的步長導出為圖片，最終共獲得1363張有異物的圖片數據。

（2）異物標記：使用Labellmg軟件對樣本表面的異物進行框選標記，生成對應的.xml文件，便于后續算法學習處理。

（3）數據劃分：經過Labellmg軟件標記后，生成對應的1363條xml文件，將1363條圖片數據和1363條xml數據進行對應劃分，其中2060條為訓練數據，626條為測試數據。

4.2 實驗過程

對無人機獲取的數據進行學習訓練，使用TensorFlow API中的SSD算法，正負樣本比例大概為1：3。

將xml文件轉為csv格式文件，將csv文件存儲為record格式。將處理好的數據使用SSD算法進行學習訓練，訓練步數為30000步。基礎網絡、輔助卷積層、預測卷積層三部分是SSD算法的主體架構。

Vgg16網絡是該算法訓練時的基礎網絡，主要提取低級特征圖，基礎網絡最后的特征映射圖輸入輔助卷積層，用來提取高尺度的特征映射圖，最后通過預測卷積層，輸出特征映射圖的位置和分類信息。

在訓練過程中，SSD算法將圖像和每個目標的gt（原標記框）作為輸入，根據長寬比和尺度在特征圖單元上設置默認框，然后使用默認框預測檢測到目標的4個偏移和類別概率。在進行預測時，首先用gt匹配所有的默認框。匹配的原則有兩個：第一，對于圖像中的每一個gt，找到比其相交處IoU最大的先驗框，然后與之匹配；第二，如果一個gt的IoU大于某個閾值（一般是0.5），其余的默認框就與該gt匹配，匹配到的就是正樣本，反之就是負樣本。設置正樣本，使正負樣本的占比約為3：1，最后用正樣本進行訓練。在測試算法時，直接預測每個默認框的偏移量和每個類別的概率，然后用非最大抑制算法計算最終結果。

訓練結束后，會保留近五次的訓練模型，通過Tensorboard查看訓練結果，將損失最小的模型作為最終的使用模型，保存為pbfile格式，進行實際應用。

5 結果分析與評價

通過Tensorflow自帶的Tensorboard可視化界面，選取總體損失值較小的30000步下模型作為最終使用模型，用于實際檢驗。

將新的拍攝圖片導入檢測系統中進行驗證，得出實驗結果。結果如圖3所示。若新的拍攝圖片出現異物，將會對異物進行框選，并標記交并比IOU，由測試結果反映，總體交并比在75%以上，具有很好的應用性。

6 結論

此項研究通過目標檢測SSD算法借助無人機巡航得到可見光下光伏板的數據，共獲得1363張有異物的圖片數據，并對其進行標記轉化為xml數據。不僅獲得了充分的樣本量，而且保證了數據的質量，提高了模型的學習效率。構建的模型能夠在實際中進行檢驗和推廣，增加了模型的可靠性。在模型建立后使用新的樣本驗證，通過表2得出模型準確率達到75%，說明模型的準確率比較高。因此借助可見光下光伏板智能運維診斷系統，可以減輕光伏板人工修理的困難，從而提高光伏板的使用效率，節省人力物力財力。

參考文獻：

[1] Gassar A A A，Cha S H.Review of geographic information systems-based rooftop solar photovoltaic potential estimation approaches at urban scales[J].Applied Energy，2021，291：116817.

[2] Al Bakri H，Abu Elhaija W，Al Zyoud A.Solar photovoltaic panels performance improvement using active self-cleaning nanotechnology of SurfaShield G[J].Energy，2021，223：119908.

[3] 王雪.光伏監控中的故障診斷方法及應用[D].杭州：杭州電子科技大學，2017.

[4] 李紅濤，李春來，楊立濱，等.最小二乘支持向量回歸的光伏組件故障檢測[J].電力電子技術，2018，52（9）：97-100.

[5] 解連港，秦尉博，趙寧，等.一種光伏板故障檢測識別方法、裝置和無人機：CN111740699A[P].2020-10-02.

[6] Liu W，Anguelov D，Erhan D，et al.SSD：single shot MultiBox detector[EB/OL].2015：arXiv：1512.02325.https：//arxiv.org/abs/1512.02325

[7] 陳冰曲，鄧濤.基于改進型SSD算法的目標車輛檢測研究[J].重慶理工大學學報（自然科學），2019，33（1）：58-63，129.

[8] 李海翔.基于SSD的行人檢測與跟蹤方法研究[D].合肥：中國科學技術大學，2018.

[9] 楊帆，吳韶波.基于SSD的目標車輛檢測算法研究[J].物聯網技術，2021，11（6）：19-22.

【通聯編輯：唐一東】