[发明专利]一种基于深度卷积神经网络的光伏板热斑检测方法及装置

说明书

本发明提供了一种基于深度卷积神经网络的光伏板热斑检测方法及装置，属于光伏板热斑检测技术领域，包括：获取光伏板红外图像；利用改进的目标检测算法Yolov4构建光伏板识别模型，通过光伏板识别模型识别并截取光伏板红外图像中的光伏板；利用优化的语义分割算法DeepLabV3+构建热斑分割模型，通过热斑分割模型对截取到的光伏板上的热斑进行检测分割。本发明通过对Yolov4特征提取网络进行替换，实现对航拍红外图像光伏板的快速识别，解决红外图像地面背景影响的问题，将MobileNetV2网络引入DeeplabV3+模型中实现对上述识别结果进行热斑的快速分割，可以精确检测出热斑。

技术领域

本发明属于光伏板热斑检测技术领域，具体涉及一种基于深度卷积神经网络的光伏板热斑检测方法及装置。

背景技术

随着新能源的持续推进，光伏电站大规模接入农村电网。近年来光伏产业成本不断降低，产能迅速增长。光伏电站也是增加贫困户收入、造福贫困地区的一项重要措施。但是，鉴于农村的生态环境，农村分布式电站光伏板极易受到灰尘、鸟粪、落叶的遮挡，如果不能及时进行清理，就会造成被遮挡电池片成为负载消耗能量，产生热斑故障。热斑故障轻则使光伏板发电效率大大降低，重则损坏整片光伏板甚至存在火灾隐患。因此，进行光伏板热斑检测对推进光伏储能工作有着重要价值。

目前，检验光伏板缺陷的方式主要围绕着图像处理、热成像、神经网络等方式进行。Tsanakas等人采用传统的图像处理算法检测热斑故障，但需要人工对图像的背景进行分割；王培珍等针对不同工作状态下太阳能电池工作温度不同这一特性，提出了通过对红外图像分析来检测热斑故障的方法，但是检测结果受到环境的影响较大；孙海蓉等以深度卷积自编码网络模型用于小样本光伏热斑识别与定位，还在Inception-v3模型的基础上构建深度迁移学习模型，但是以上两种方法都只适用于小样本的热斑检测；王春提出了生成对抗神经网络来进行热斑识别，但对存在不完整的光伏板组件的情况不适用；陈文勤用光伏阵列区域局部灰度特征来进行光伏阵列分割，然后采用SVM进行热斑检测，但模型较大训练时间长不适用于无人机的实时检测。

发明内容

为了克服上述现有技术存在的不足，本发明针对我国农村分布式光伏电站光伏板热斑故障难以检测的问题，结合无人机巡检技术提供了一种基于深度卷积神经网络的光伏板热斑检测方法及装置。鉴于以上问题及无人机实时检测的实际需求，本发明通过对Yolov4特征提取网络进行替换，实现对航拍红外图像光伏板的快速识别，解决红外图像地面背景影响的问题。然后用替换特征提取网络的Deeplabv3+语义分割算法对识别后的红外图像进行热斑检测，可以精确检测出热斑。

为了实现上述目的，本发明提供如下技术方案：

一种基于深度卷积神经网络的光伏板热斑检测方法，包括以下步骤：

获取光伏板红外图像；

利用改进的目标检测算法Yolov4构建光伏板识别模型，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板；可实现将光伏板快速从红外图像中识别出来；

利用优化的语义分割算法DeepLabV3+构建热斑分割模型，通过所述热斑分割模型对截取到的光伏板上的热斑进行检测分割；实现对上述识别结果进行热斑的快速分割，改进由于下采样造成的目标缺失；

所述目标检测算法Yolov4的改进包括将Yolov4算法的主干特征提取网络CSPDarknet53替换为轻量型网络MobileNetV2，并将加强特征提取网络PAnet中标准3×3卷积替换为深度可分离卷积；所述语义分割算法DeepLabV3+的优化包括将主干特征提取网络Xception替换为轻量型网络MobileNetV2。

优选地，通过无人机航拍获取所述光伏板红外图像。

优选地，通过所述光伏板识别模型识别并截取所述光伏板红外图像中的光伏板，包括以下步骤：