基于多特征融合改進SSD的電站光伏組件缺失識別技術

中圖分類號：TM615+.2;TQ317 文獻標志碼：A文章編號：1001-5922（2025）10-0171-04

Missing recognition technology of power station photovoltaic modules based on multi-feature fusion improved SSD

YUEPan'，XIONGKaizhi'，LI Zhifei'， ZHOUJiaqi'，CHEN Jifa2，HONGLiu2 （1.Yalong RiverHydropower Development Co.，Ltd.，Chengdu 610o51，China; 2.SNEGRID Technology Co.，Ltd.，Hefei 230088，China）

Abstract：To improve the accuracyof defect recognitionof photovoltaic modules in power plants，a defect recognition technology based on UAV image feature learning algorithm is proposed.In this regard，based on the SSD network framework，the deep residual structure and the method of using three-branch feature fusion instead of two-branch feature fusion are introduced to improve the SSD network.Then the improved SSD network is used to identifythe defects of photovoltaic modules inpower plants.The simulation results show thatthis method improves the recognitionaccuracyof different defects such as cracks，scratches and missingangles of photovoltaic modules in power plants. The average recognition accuracy reaches 97.11% ，and has a faster recognition speed. The average recognition processng time reaches 30.2 frames/s;therecognition network can identifythedefect images of photovoltaic modules in power plants with large，medium and small scales.

Keywords：photovoltaic modules;defect identification; drone images;SSD network

由于光伏電站的光伏組件通常置于自然環境中，容易受到天氣等自然因素的影響產生故障，導致光伏組件受損缺陷，進而影響光伏電站發電效率和運行效率。因此，有必要對光伏電站的光伏組件進行缺陷識別。目前，缺陷識別的方法主要是基于特征學習，如王艷等通過采用最小二乘深度卷積生成對抗網絡對光伏組件樣本進行數據增強，然后采用分組卷積和注意力機制的改進DenseNet網絡對光伏組件缺陷特征進行學習與訓練，實現了光伏組件缺陷識別；焦京海等2通過在殘差網絡ResNet101模型中加入注意力機制對電纜終端特征進行學習，實現了電纜終端缺陷識別；朱雪峰等3結合多尺度卷積神經網絡和長短期記憶網絡，通過訓練提取U型管道終稿細粒度局部特征，并對提取的特征進行融合與學習，實現了U型管道缺陷的高精度識別。

上述研究可知，通過特征識別實現缺陷識別取得優異的成果，但識別精度和識別效率一直是研究的難點。對此，本研究嘗試利用計算速度快且精度高的SSD網絡進行識別，并對該方法的可行性進行驗證。

1基本算法

1.1 SSD網絡

SSD網絡是一種端到端的單階段檢測算法，通過對目標物不同位置使用不同尺度進行密集采樣，再利用CNN網絡對特征進行分類與回歸，可實現目標檢測。SSD網絡基本結構如圖1所示，首先采用VGG-16網絡對不同尺寸的目標物體進行檢測生成不同尺度的候選框，然后利用NMS進行消除重復的候選框，最后在單個網格中封裝所有計算，即能實現快速和精準的目標物體檢測[4-5]

SSD網絡具有計算量小和計算速度快且容易實現的特點，因此，本研究選用該算法作為電站光伏組件缺陷檢測算法。但由于SSD網絡的特征層較低，對高層信息和局部信息進行學習和訓練時難度較大，進而影響了算法檢測精度67]。此外，SSD網絡對多目標進行檢測時，存在對低層語義信息提取不夠充足的問題，導致算法對小目標檢測效果差的問題。因此，為提高電站光伏組件缺陷識別精度，針對SSD網絡存在的問題，引入深度殘差結構和改進其特征融合方法進行改進。

1.2 SSD網絡改進

1.2.1引入深度殘差結構改進

深度殘差結構是一種借助單位映射來構建深層網絡，并采用跳躍連接方式進行特征融合的殘差結構，可有效解決梯度消失問題，提高算法的訓練效果和檢測精度[8-9。SSD網絡引入的深度殘差結構如圖2所示，主要在2個 1×1 卷積層中加入1個 3×3 的卷積，并與連續3個 3×3 卷積進行比較，可減少網絡參數和計算量，同時保證數據的非線性，進而提高了算法的精度。

1.2.2特征融合方法改進考慮到上述引入深度殘差結構的SSD網絡的特

2基于改進SSD網絡的電站光伏組件缺失 識別征融合方法是采用雙支在相同位置上的元素相加方式，對不同深度殘差跳躍連接層特征進行融合，雖然有效減慢了梯度消失程度，但對算法的精度提升通常小于 0.2%^[10-11]"，達不到精度需求。因此，將SSD原始殘差結構中的雙支的基礎上，拓展到三分支，以進一步促進特征融合，進而提高算法的檢測精度。添加的一個分支與淺層特征圖連接，負責對深層特征圖進行變換，可實現特征的逐層融合，進而實現了算法精度提升。根據該思路，研究添加了一個分支的特征融合結構設計為如圖3所示，并將其作為改進SSD網絡的特征融合方法。

基于上述對SSD算法深度殘差結構和特征融合算法的改進可知，改進的SSD網絡提高了算法的檢測精度，更能實現對不同尺度大小的電站光伏組件缺陷圖像識別，因此本研究采用改進的SSD網絡作為電站光伏組件缺陷識別方法。方法的具體識別流程如下：

圖像獲取及預處理。利用無人機拍攝電站光伏組件圖像，并對圖像進行灰度化、去噪、旋轉等預處理后，劃分數據為訓練集、驗證集和測試集[12-13]；

改進SSD網絡構建與訓練。在深度學習框架中構建改進SSD模型，并利用訓練集對模型進行訓練，直到達到最大迭代次數，并保存模型；

改進SSD網絡調整。將驗證集輸人保存的改進SSD模型中進行學習與訓練，微調模型參數，直至得到最佳識別模型；

圖像缺陷識別。將測試集中的待識別圖像輸入微調后的最佳識別模型，其輸出結果即為識別結果。

3 仿真實驗

3.1 實驗環境搭建

本次實驗基于pytorch深度學習框架和Python語言實現改進SSD算法，并在Windows10操作系統上運行。系統配置Inteli5-10200HCPU和NVIDIAGe-ForceGTX1650TiGPU。

3.2 數據來源及預處理

本次實驗數據來自使用TrimbleUX5無人機現場拍攝的電站光伏組件裂紋、劃痕、缺角三類缺陷圖像，各500張，作為實驗圖像。

考慮到無人機采集的電站光伏組件圖像是RGB圖像，包含了大量的數據信息，可能增大改進SSD模型的計算難度。因此，實驗前采用加權平均值法對數據進行了灰度化處理[1415]；其次，考慮到無人機采集的圖像可能存在隨機誤差，因此實驗前采用幾何變換方式來消除隨機誤差。此外，為提高圖像的清晰度，對所有圖像進行了平滑處理和復原處理。最后，為統一所有圖像尺寸規格并擴充數據集，對所有圖像進行了歸一化處理和翻轉、鏡像、傅里葉變換等數據增強處理。

通過上述預處理，最終得到用于仿真實驗的電站光伏組件裂紋、劃痕、缺角圖像各2000張。最后將所有圖像按3：1：1比例劃分為訓練集、驗證集和測試集。

3.3 評價指標

本次實驗選用精度（AP）、平均精度（mAP）平均處理時間（FPS）作為評估所提方法對電站光伏組件缺失識別的性能。

3.4參數設置

本次實驗設置改進SSD模型最大迭代次數為500，批大小為8，最大和最小學習率分別為1e-2和1e-4，并采用SGD進行優化[16-17]

3.5 結果與分析

3.5.1 模型驗證

為驗證所提改進SSD網絡的可行性，基于實驗訓練數據集和驗證數據集分析了模型損失值，結果如圖4所示。

由圖4可知，隨著迭代的進行，訓練損失和驗證損失快速降低并趨于平穩，達到一個較小的損失值。由此說明，所提的改進SSD模型具有可行性和良好的魯棒性。

為驗證引入深度殘差結構和改進特征融合方法的效果，在實驗數據集上對電站光伏組件缺陷的識別，結果如表1所示。表1中，SSD-D為引入深度殘差結構改進的SSD網絡，SSD-C為特征融合方法改進的SSD網絡。由表可知，相較于未改進的標準SSD模型和單一深度殘差結構改進以及單一特征融合方法改進的SSD網絡，所提同時改進深度殘差結構和特征融合方法的SSD網絡對電站光伏組件裂紋、劃痕、缺角缺陷的檢測效果更高，平均精度更高，達到 97.11% ，且識別速度更快，平均處理時間達到30.22幀/s。由此說明，對SSD網絡的改進有效，可提高SSD網絡的識別精度和速度。

表1改進前后SSD網絡識別效果對比 Tab.1 ComparisonofSSDnetworkrecognitioneffect beforeandafterimprovement

為進一步驗證所提改進SSD網絡的有效性，分析了改進前后SSD網絡對不同尺度測試樣本的檢測效果，結果如表2所示。由表2可知，相較于改進前標準SSD網絡以及只改進深度殘差結構或特征融合方法的SSD網絡，所提同時改進深度殘差結構和特征融合方法的SSD網絡對不同尺度的測試樣本檢測平均精度更高，對小尺度的測試樣本檢測的平均精度達到 89.64% ，對中尺度的測試樣本檢測的平均精度達到 93.55% ，對大尺度的測試樣本檢測的平均精度達到 98.25% 由此可見，所提的改進SSD網絡可有效檢測到不同尺度的電站光伏組件缺陷，且檢測效果比未改進前和單一改進的SSD網絡具有明顯優勢，進一步證明了本研究對SSD網絡的改進有效。

表2改進前后SSD網絡對不同尺度圖像識別效果對比Table2Comparisonof image recognition effects of SSDnetworkondifferentscalesbeforeandafterimprovement

3.5.2 模型對比

為驗證改進SSD網絡對不同尺度電站光伏組件的識別效果，分析了本模型與對比模型在測試樣本上對不同尺度大小圖像的識別平均精度，結果如表3所示。

表3改進前后SSD網絡對不同尺度圖像識別效果對比

Tab.3Comparison of imagerecognition effectsofSSD networkondifferentscalesbeforeandafterimprovement

由表3可知，相較于對比模型，所提模型的平均精度最高，對小尺度、中尺度、大尺度電站光伏組件的識別平均精度分別為 89.64% ） 93.55% 和 98.25% 。由此說明，所提的改進SSD網絡對電站光伏組件的識別效果更好，可更準確地識別不同尺度大小的電站光伏組件缺陷。

4結語

本電站光伏組件缺陷識別方法，通過采用引入深度殘差結構和特征融合方法改善的SSD網絡，實現了電站光伏組件裂紋、劃痕、缺角缺陷的精確、快速識別，且平均識別精度和平均處理時間都具有明顯優勢。而本方法的特點在于，通過輕量化的網絡和引入新的特征融合方法，提高了SSD網絡的性能。

【參考文獻】

[1]王艷，申宗旺，趙洪山，等.基于LS-DCGAN的GC-SE-DenseNet光伏組件缺陷識別方法[J].太陽能學報，2023，44（10）：165-172.

[2]焦京海，李杰.基于改進殘差網絡的電纜終端缺陷識別方法[J].電氣傳動，2023，53（11）：31-36.

[3]朱雪峰，馮早，馬軍，等.基于MSCNN-LSTM的注意力機制U型管道缺陷識別模型[J].振動與沖擊，2023，42（22）：293-302.

[4]李娟莉，魏代良，李博，等.基于深度學習輕量化的改進SSD煤矸快速分選模型[J].東北大學學報（自然科學版），2023，44（10）：1474-1480.

[5]張立杰，周舒驊，李娜，等.基于改進SSD卷積神經網絡的蘋果定位與分級方法[J].農業機械學報，2023，54（6）：223-232.

[6]葛海波，李強，周婷，等.改進SSD特征融合的目標檢測算法研究[J]計算機工程與應用，2023，59（22）：193-201.

[7]閻馨，楊月川，屠乃威.基于改進SSD的鋼材表面缺陷檢測[J].現代制造工程，2023，（5）：112-120.

[8]王道累，李明山，姚勇，等.改進SSD的光伏組件熱斑缺陷檢測方法[J].太陽能學報，2023，44（4）：420-425.

[9]王賀，樊星.基于改進SSD的輕量級目標檢測算法[J].測試技術學報，2023，37（2）：152-157.

[10]陳德海，孫仕儒，王昱朝，等.改進SSD算法的小目標檢測研究[J].傳感器與微系統，2023，42（3）：65-68.

[11]楊康，熊凱，周平，等.基于改進SSD算法的輕量化三七病害檢測[J].華南農業大學學報，2023，44（3）：447-455.

[12]張東嶺.基于圖像處理的機械材料缺陷檢測技術研究[J].粘接，2022，49（6）：39-43.

[13]韋正璐，王家晨，劉慶華.基于改進SSD算法的路面破損檢測[J].電子設計工程，2023，31（3）：63-68.

[14]胡笑天，王克儉，王超，等.一種基于改進SSD的原木端面識別方法[J].林業工程學報，2023，8（1）：141-149.

[15]李靜，喻佳成，張靈靈.基于改進SSD的航拍飛機目標檢測方法[J].液晶與顯示，2023，38（1）：128-137.

[16]朱世元，方世鵬.基于深度學習的橡膠制品缺陷檢測技術創新[J].粘接，2023，50（7）：26-29.

[17]李國強，孫英家.基于改進SSD的無人機航拍目標檢測[J].空間控制技術與應用，2023，49（1）：65-73.