基于红外热成像的光伏发电板缺陷检测技术研究.pdf

74第 52 卷2024 年 4 月Vol.52 No.2Apr.2024云南电力技术YUNNAN ELECTRIC POWER基于红外热成像的光伏发电板缺陷检测技术研究何心坤（山东胜沃塑料机械科技有限公司，山东 济南 271100）摘要：随着光伏产业的快速发展，快速检测光伏板的异常已经成为提升巡检效率的关键要素。然而，传统的光伏板缺陷检测方法存在效率不高、检测效果差等问题。本文提出了一种基于红外热成像的光伏发电板缺陷检测技术，分析了红外检测技术用于光伏板缺陷检测的原理，通过引入SENet注意力到YOLOV4网络，完成了光伏发电板缺陷的智能检测。关键词：深度学习；缺陷检测；光伏发电；注意力机制Research on Defect Detection Technology for Photovoltaic Panels Based on Infrared Thermal ImagingHe Xinkun（Shandong Shengwo Plastic Machinery Technology Co.,Ltd.,Jinan,Shandong 271100,China）Abstract:With the rapid development of the photovoltaic industry,rapid detection of abnormalities in photovoltaic panels has become a key element in improving inspection efficiency.However,traditional defect detection methods for photovoltaic panels have problems such as low efficiency and poor detection results.This article proposes a photovoltaic panel defect detection technology based on infrared thermal imaging,analyzes the principle of infrared detection technology for photovoltaic panel defect detection,and achieves intelligent detection of photovoltaic panel defects by introducing SENet attention to YOLOV4 network,Key words:Deep learning;defect detection;photovoltaic power generation;attention mechanism中图分类号：TM74文献标识码：B文章编号：1006-7345（2024）02-0074-030前言在当今光伏产业快速发展的大背景下，光伏发电站逐渐发展到在山区、丘陵等地带上建设，以获得更好的光照条件，降低用地成本，并在“光伏扶贫”的过程中获得社会效益。但是，由于绝大多数的光伏电站所处环境恶劣，长期遭受积尘、飞禽粪便等异物的侵染，导致光伏板表面异物积累1-2。异物对太阳辐射具有反射、散射和吸收作用，是影响光伏电站发电效率的重要因素之一，根据研究表明每平方米若有 4.05 g 灰尘层就会使光伏电池板的光电转换效率下降 40%。不仅如此，光伏板被异物遮蔽的部分在一定条件下将失去光电转换能力，转变为负载消耗正常部分光伏板产生的能量3-4。若长时间不对遮蔽物进行处理，失效部分将会持续发热，继而形成热斑，可能会破损光伏板表面封装结构，甚至烧穿光伏板，引发火灾。传统的光伏发电板异物检测的主流方式是人工巡检，严重依赖于人的经验，且光伏发电板往往布设范围非常广，单纯依赖于人工费时费力。随着无人机技术的发展，利用无人机进行光伏发电板缺陷检测方兴未艾。但是，现有的无人机巡检方式为远程采集图像，事后依赖作业人员人工筛选，这种方式无法实现缺陷的快速识别，严重制约了巡检效率。针对上述问题，本文提出了一种基于红外热成像的光伏发电板缺陷检测技术，依靠无人机搭载红外热成像装置，采集光伏巡检样本，并利用提出的基于深度学习的红外图像缺陷检测模型，实现了光伏发电板的有效缺陷识别。1 红外检测技术用于光伏板缺陷检测的原理目前我国常见光伏电池板的生产工艺流程75第 52 卷2024 年第 2 期基于红外热成像的光伏发电板缺陷检测技术研究 一般都是经过硅片的清洗、表面绒面制作、扩散前再次清洗、磷扩散、电池板周边刻蚀、去除背面的背结、背电极的印刷、正反电极印刷、表面减反射膜的制作、烧结等步骤完成。由于其生产过程比较复杂，因此在生产过程中产生缺陷的可能性也随之增加。另外光伏发电板在工作过程中极易受到老化、污染、机械损伤等因素的影响，极易形成热斑，对光伏板的安全性产生了极大挑战5-6。一般而言，上述因素可能导致发电板表面温度分布不均匀，表现出与周围区域不同的热特性，利用红外热成像仪器可将红外辐射转换成图像，进而可检测出发电板的缺陷，如图 1所示，光伏板的典型缺陷主要包括光斑和坏板两类。在无人机巡检的视角下，二者在图像中所占比例较小，为了提高缺陷的检测精度，本文将对 YOLOv5 模型进行优化，以提升目标检测效率。(a)坏板(b)光斑 图1光伏发电板常见典型缺陷2基于改进YOLO模型的光伏发电板缺陷检测方法2.1YOLOV4基础模型 图2网络的基本架构本文采用的主干网络为 CSPDarknet53，如图 2 中所示，主干网络包含了 1 个 CBM 模块和5 个 CSP 模块，输入的图片进入 CBM，首先经过一个卷积核为 33 的卷积层得到低层全局特征图，然后经过 BN 层的归一化处理，最后经过 Mish 激活函数处理得到一个 60860832的特征图7-8。mish 激活函数的函数曲线相比较于 Leak ReLU 激活函数，mish 激活函数在每一点连续平滑且非单调性，更有利于梯度下降。CSP 模块由 CBM 模块和 n 个 Res Unit 残差 模 块 组 成，n 的 取 值 依 次 为 1，2，8，8，4。特征增强模块主要由 CBL 组件、SPP 模块与 FPN+PAN 模块组成。空间金字塔池化结构SPP 模 块 采 用 11，55，99 和 1313 四种最大池化的方式进行多尺度融合。路径聚合网络由 FPN 与 PAN 两个模块组成，可以对特征信息反复提取与融合。CBL 接收到主干网络最 后 一 层 CSP4 输 出 的 19191024 大 小 的特征图，依次经过 11512，331024 和11512 大小卷积核与步长都为 1 的卷积层，得到 1919512 大小的特征图。经过 SPP 模块得到 19192048 大小的特征图，再经过三层 CBL 模块，为后面通道提供 1919512 大小的特征图。SPP 模块具体实现如图所示，多个池化窗口对同一特征信息进行池化，可以有效解决输入尺寸大小不一造成的缺陷，同时更有效地分离出了上下层之间信息，增大了感受野，提升实验精度。预测网络用于生成检测结果预测框。YOLOv4 网络的锚框是在 COCO 数据集上聚类得到，在 COCO 数据集上有一个较好的预测效果。2.2改进注意力机制为了进一步提升模型性能，本文引入了注意力机制对模型进行了优化。一方面，注意力76云南电力技术第 52 卷2024 年第 2 期机制可以帮助模型更有效地学习到关键特征，提高模型的性能和泛化能力。另一方面，通过注意力机制，模型可以选择性地关注输入中的重要部分，从而减少了不必要的计算，提高计算效率。注意力机制是一种模仿人类视觉系统工作方式的技术，其原理是在深度学习模型中引入一种机制，使模型可以动态地选择性地关注输入的不同部分。这种机制使模型能够更有效地处理输入信息，并将注意力集中在对当前任务最有帮助的部分，从而提高模型的性能和效率9。在深度学习中，注意力机制通常通过学习得到的权重来实现，权重决定了模型在每个时间步或每个空间位置上关注输入的程度。具体而言，本文通过引入 SENet 实现模型优化。SENet 首先将各通道的全局空间特征作为该通道的表示，形成一个通道描述符并进行excitation 操作，学习对各通道的依赖程度，并根据依赖程度的不同对特征图进行调整，调整后的特征图就是 SE block 的输出。图3SENet应用方式3实验实验使用的数据集包含两部分，一部分是光伏板缺陷检测公开数据集 PVELAD，另一部分是使用大疆无人机采集到的某光伏电站的缺陷巡检图像，其中，PVELAD 数据集包含 36543张具有各种缺陷的近红外图像。自采的光伏发电板巡检样本包含 1300 张，其示例如图 4 所示。本 文 使 用 Pytorch 框 架 进 行 开 发，在GTX3080 上进行了训练，开发系统为 Ubuntu 22.04，并与传统 YOLOV4，Fast-RCNN10两个基线进行了对比，实验结果如表 1 所示，实验证明了本文所提方法的有效性。图4典型的数据样本表1实验结果 Fast-RCNNYOLOV4本文所提方法准确率77.1%88.6%91%漏检率9.2%8.9%6.7%4结束语本文介绍了一种基于红外热成像的光伏发电板缺陷检测技术，首先介绍了红外检测技术用于光伏板缺陷检测的原理，提出了基于SENet 模型改进 YOLOV4 的光伏发电板缺陷检测架构，并在 PVELAD 和自采数据集上进行了验证，结果表明，提出的光伏发电板缺陷检测模型可有效提升检测效率。参考文献1 赵伟萍.太阳能光伏组件表面污染机理及其减缓策略研究D.北京:华北电力大学,2022.DOI:10.27140/ki.ghbbu.2022.000148.2 钟泳松.基于机器学习的光伏板表面缺陷图像诊断研究D.贵州大学,2022.DOI:10.27047/ki.ggudu.2022.002827.3 柳扬.基于图像处理技术的光伏阵列缺陷检测研究D.福州:福建工程学院,2022.DOI:10.27865/ki.gfgxy.2022.000150.4 胡犇.基于深度学习的光伏板缺陷检测技术研究D.武汉:湖北工业大学,2021.DOI:10.27131/ki.ghugc.2021.000235.5 耿俊楠.基于旋翼无人机的光伏电站太阳能板热斑检测D.杭州:中国计量大学,2018.6 王亚丽.基于红外热成像的太阳能板缺陷检测D.杭州:中国计量学院,2015.7 张驰.基于单目视觉的架空机器人目标检测与自定位技术研究D.哈尔滨:哈尔滨工业大学,2022.8 Bochkovskiy A,Wang C-Y,Liao H.YOLOv4:Optimal Speed and Accuracy of Object DetectionJ.ArXiv,2020.9 董永峰,孙松毅,王振,等.融合注意力机制与联合优化的表面缺陷检测 J/OL.计算机辅助设计与图形学学报,1-10.10 R.Girshick.Fast R-CNN C/IEEE International Conference on Computer Vision,ICCV 2015,Santiago,Chile,IEEE 2015.收稿日期：2024-04-12作者简介：何心坤，山东胜沃塑料机械科技有限公司。