基于無人機光伏巡檢的路線優化與故障檢測

王云冰,付曉剛,牛 源

(上海電機學院 電氣學院,上海 201306)

目前,各種可再生能源已逐漸占領能源市場。太陽能作為最有效的可再生能源,具有強大的環境價值和生產力價值[1]。各種光伏組件作為獲取太陽能的重要工具占據了太陽能發電的主導地位[2]。光伏電站的擴增也證明了太陽能發電的可行性和重要性[3]。隨著光伏電站規模的擴大和運行年限的增加,光伏電站的運維壓力越來越大[4]?，F在光伏電站的運維主要依靠檢測光伏逆變器的電壓和電流等電氣特性,電氣運維只能精確到組串,故障診斷精度不高[5-6]。無人機巡檢能夠快速覆蓋大面積區域,發現光伏電板的異常情況,并能通過人工智能的輔助識別技術,可以在故障早期檢測出異常情況。

本文提出了一種改進的基于網格結合A*算法的路徑規劃算法與改進小目標層與引入注意力機制的YOLOv5算法[7-8],前者在保證全覆蓋的前提下盡量減少無效遍歷,后者增加了小目標層與圖像切割方法的融合[9],在保證大目標檢測精度的同時,提高小目標檢測的效果。這在根本上解決成本控制、系統冗余和人工成本較高的缺點[10]。

1 系統設計與實驗準備

傳統全覆蓋路徑規劃算法僅計算避開障礙物后的全覆蓋軌跡,改進后的全覆蓋路徑規劃算法在保留避開障礙物的能力的前提下,優先搜索光伏電板覆蓋面積,這節省了飛行時間和飛行距離。

傳統圖像識別算法在紅外特征的檢測上對大目標的檢測效果較好,但對小目標的檢測容易出現誤檢漏檢,使得無人機無法在較高的高度上進行巡檢飛行。本文改進后的圖像識別算法對小目標的檢測更為敏感,能夠大幅提高無人機飛行相對高度閾值,在路徑規劃的全覆蓋搜索中具有較大優勢。

本文所有實驗數據均從上海電機學院工業中心屋頂的光伏組件收集,使用攜帶640×480像素紅外熱像儀的大疆MAVIC2無人機在高空進行捕獲。共拍攝了235張紅外熱成像照片。通過翻轉、裁剪、混合和合并以及灰度處理,將原來的235張熱圖像數據集擴展到1125張。將獲得的數據集按4∶1分為訓練集和測試集。

2 無人機巡檢路徑規劃

2.1 基于網格的A*算法改進

本文采用基于網格的全覆蓋路徑算法,并將A*算法用于無人機陷入死區后的脫困路線。A*算法是一種基于啟發式代價函數進而改變自己行為能力的算法。本文對A*算法進行改進,使得無人機最大限度地少遍歷無效地帶。

2.2 飛行策略與實際場景

飛行地點為上海電機學院,占地約90km2的光伏電板鋪設區域,無人機飛行速度為10m/s,相對高度為20m,紅外拍攝圖像半徑為15m。圖1到圖4中每一小格的長度為30m。飛行全覆蓋整個光伏電板鋪設區域如圖1所示。

圖1 學校光伏電板分布

學校飛行區域規劃如圖2所示,其中黑色區域為施工地帶禁飛區域,灰色區域為過道,過道中沒有光伏電板但是無人機可以隨意飛行。

圖2 學校飛行區域規劃

改進前的A*算法:除禁飛區域外實現全覆蓋搜索,傳統基于網格的全覆蓋路徑規劃算法在避開禁飛區域的前提下進行全覆蓋搜索得到圖像如圖3所示。該搜索軌跡基于圖2中相對于灰色地帶的多余路程遍歷地過多了,導致浪費了時間與路程。

圖3 路徑規劃尋優路線

改進后A*算法:除禁飛區域外,盡量少遍歷灰色地帶的前提下實現全覆蓋搜索。改進后的全覆蓋路徑規劃算法在避開禁飛區域,較少地遍歷無效地帶(灰色地帶)的前提下,進行全覆蓋搜索得到路徑規劃尋優路線如圖4所示。該搜索軌跡基于圖2中相對于灰色地帶的多余路程進行最低限度的遍歷,縮短了巡檢距離。

圖4 路徑規劃尋優路線

3 無人機紅外圖像故障檢測

以原YOLOv5模型為基礎,采用4種改進方法進行消融實驗,以驗證各改進方法的必要性。它們分別是在原YOLOv5模型中加入注意力機制,在加入注意力機制后YOLOv5模型下去除SPPF網絡結構,在網絡結構修改后的YOLOv5算法中加入檢測頭,以及在整體改進的YOLOv5模型中加入圖像切割融合。其中,加入注意力機制和去除SPPF網絡結構在實驗中合并為一步改進,因為它們并沒有提高檢測精度,只是去除冗余項來提高檢測速度。

3.1 訓練原始YOLOv5模型

采用YOLOv5算法通過訓練既定數據集得到模型,光伏組件檢測結果不理想,對大目標的檢測精度僅達到60%以下,小目標的故障位置基本檢測不到,無法滿足現有光伏電站檢測要求[11]。明顯的小目標位置沒有得到反饋,而大目標的檢測率只有58%,光伏電站的檢測精度要求是不可接受的。

3.2 引入注意力機制

在輕量級網絡上,注意力機制會使模型有明顯的性能提升。協調注意力機制避免了傳統注意力機制對位置信息的忽略,使注意力機制能夠保留準確的位置信息,這對于光伏組件的紅外檢測非常重要,所以本文引入了協調注意力機制來提升模型性能[12]。

在YOLOv5默認的自適應錨定框架和初始anchor值下,光伏電板故障所呈現的長寬比容易失衡,因此在改進合適的初始錨定下進行第一次優化,引入協調注意力機制[13]。

通過修改初始錨值和引入協調注意力機制,大目標檢測的精度明顯提高[14]。在使用新錨框的情況下,加入協調注意力機制后,刪除了SPPF結構,因為SPPF結構是為了在羽化圖層面實現局部特征和全局特征的融合,對于光電元件的低分辨率和熱成像照片中顏色的小種類,SPPF結構無法發揮作用,刪除冗余的結構,使結構干擾項減少。最終大目標的檢測精度得到了保證,達到了96%,但小目標的檢測效果仍不樂觀。

3.3 增加小目標檢測層

在頭部部分,增加了操作層,繼續對特征圖進行上采樣和其他處理,使特征圖繼續擴大。增加的小目標檢測層被分成4層進行檢測。

在原YOLO 模型中加入檢測層,并提高其特征值提取分辨率后,對模型進行檢測的再訓練,發現原圖中大目標的檢測概率有所下降,從原來的96%下降到88%,但對小目標的檢測從沒有得到反饋到40%和85%,得到了明顯的改善。

3.4 引入圖像切割與融合

引入圖像切割的主要思路是將目標圖像分解成若干個,并送入網絡進行檢測[15],完成后恢復所有圖像,計算出坐標相對位置,進行集體非極大值抑制(Non-Maximum Suppression,NMS)。NMS的總體步驟分為:

步驟1將所有的矩形框按照不同的類別標簽進行分組,并在組內按照高低的置信度分數進行排序。

步驟2取出步驟1中得分最高的矩形框,遍歷剩余的矩形框,計算與當前得分最高的矩形框的交集和比率,并刪除剩余矩形框中大于設定的交并比(Intersection over Union,IOU)閾值的框。

步驟3對第二步結果中的剩余矩形框重復步驟2操作,直到所有矩形框處理完畢?？梢园l現,結合圖像切割后,大目標的檢測精度有小幅回調,由原來的88%提高到95%,小目標檢測精度低的點也有明顯提高,由原來的40%提高到84%,原來85%的預測點位提高到91%。

4 實驗結果與分析

為了驗證改進后的YOLOv5算法的各改進方案對YOLOv5算法模型的增強效果,對比如下方案。方案A 為原YOLOv5算法模型;方案B為在原YOLOv5模型上加入注意力機制;方案C為在加入注意力機制后的YOLOv5模型下去除SPPF網絡結構;方案D為增加小目標檢測層;方案E為在整體改進的YOLOv5模型上加入圖像切割融合。結果如表1所示,4種改進方案在不同規模的情況下逐漸提高了算法模型的性能,尤其是方案A 到B和D到E的改進效果最為明顯。

表1 各種方案優化后的精確度和map值

圖5為5種方案的曲線綜合圖像。由圖可知,收斂速度和收斂效果都在逐步提高,驗證了在本實驗中,模型的訓練效果隨著故障定位檢測精度的提高而提高。

圖5 原始模型與4條修正曲線的map值整合

訓練模型結果如圖6、圖7所示,其中圖6為原始模型訓練結果,圖7為改進優化后的模型訓練結果。圖6(a)為訓練函數的損失函數均值與訓練次數的關系圖像,損失函數均值越小代表圖像檢測中錨框越準確;圖6(b)為訓練函數的目標檢測損失均值與訓練次數的關系圖像,目標檢測損失均值越小代表目標檢測越準確;圖6(c)為訓練函數的分類損失均值與訓練次數的關系圖像,分類損失均值越小代表分類越準確;圖6(d)為精確度與訓練次數的關系圖像,精確度即分類器認為是正類并且確實是正類的部分,數值越大代表判斷越準確;圖6(e)為召回率與訓練次數的關系圖像,召回率即分類器認為是正類并且確實是正類的部分,數值越大表示判斷越準確;圖6(f)、(g)、(h)分別對應圖6(a)、(b)、(c),分別是驗證集的損失函數均值、驗證集的目標檢測loss均值、驗證集的分類loss均值。圖6(i)、(j)為閾值不同的平均精確度,圖6(i)閾值為0～0.5,圖6(j)閾值為0.5～0.95,平均精確度數值越大代表檢測效果越好。

圖6 原始YOLO模型的訓練結果分析

圖7 最終改進方案后的訓練結果分析

從圖6、圖7中可見改進后的模型收斂性能遠好于改進前,且波動更加平穩,收斂過程更加快速,更加適合光伏數據集的使用。

5 結語

本文對路徑規劃算法進行了改進,使算法在遍歷所有光伏電板的同時盡量少途徑多余路線。最終實驗得到在相對高度為20m 的情況下,無人機拍得的紅外圖像信息中的小故障點位檢測能力在極限值附近。根據學校規模大小和無人機搜索半徑,確定單格邊長為30m 的10×10的區域,共占90km2的光伏電板區域。

利用基于網格的改進A*無人機全覆蓋路徑規劃算法進行布局,對禁飛區進行避障,無效區域進行盡可能少的遍歷,最終完成90km2的全覆蓋搜索。改進前最優距離路徑總計2550m,對無需遍歷無效路徑路徑優化后得到最優距離路徑總計2220m,減少無效路徑330m。

對光伏電板組件數據集的網絡結構進行了4次優化,分別是對錨點進行了修改,使錨點概率更適合該數據集,可以看出,通用網絡結構對該數據集的驗證概率只有58%,而修改錨點后的錨點概率達到96%,但此時的小目標并沒有被檢測出來。

第二步通過引入注意力機制提升小目標檢測精度,可以發現兩個小目標點的檢測精度從0提高到40%和85%,大目標的檢測精度從96%降低到88%。

第三步,通過修改小目標檢測層以及增加檢測頭,使得小目標的精度從40%和85%提高到84%和91%。

最后,在檢測過程中運用圖像切割和融合使算法進一步提高了小目標的檢測精度,此時可以發現,大目標的檢測精度從88%上升到95%,而兩個小目標點的檢測精度則分別提高到84%和91%。能夠滿足光伏電站故障檢測需求的同時將相對高度穩定在20m。