改进YOLOv5的光伏组件热斑及遮挡物检测_魏卓航.pdf

第 51 卷 第 1 期2023 年 2 月福州大学学报(自然科学版)Journal of Fuzhou University(Natural Science Edition)Vol 51 No 1Feb 2023DOI:107631/issn1000224322030文章编号:10002243(2023)01003308改进 YOLOv5 的光伏组件热斑及遮挡物检测魏卓航，林培杰，陈志聪，吴丽君，卢箫扬，程树英(福州大学物理与信息工程学院，微纳器件与太阳能电池研究所，福建 福州350108)摘要:针对光伏组件热斑若未及时发现处理，会严重影响光伏组件及阵列正常运行的问题，为了有效检测光伏阵列热斑，提出一种基于 YOLOv5 框架的深度学习热斑检测方法 首先，采用像素加权平均法融合红外和可见光图像作为检测对象，实现同时对光伏组件热斑和遮挡物的检测，并初步分析热斑成因 其次，改进模型框架，在轻量级网络 MobileNetV3-large 的基础上，融合坐标注意力机制，设计更轻量、更高效的 MobileNetCA 作为特征提取网络 然后，针对训练中正负样本数量极不平衡的情况，更换损失函数为变焦距损失函数，达到训练中突出正例的效果 同时，改进模型 anchor box 目标框生成算法，使生成的目标框与实际标注框更一致 实验结果表明，改进后的模型 mAP 为 889%，较原 YOLOv5s 模型提升了 38%，且模型参数量仅为原模型的 486%关键词:光伏组件;热斑检测;红外可见光融合;YOLOv5;MobileNetV3-large;变焦距损失函数;坐标注意力机制中图分类号:TM91文献标识码:ADetection of photovoltaic module hot spots and shelters on improved YOLOv5WEI Zhuohang，LIN Peijie，CHEN Zhicong，WU Lijun，LU Xiaoyang，CHENG Shuying(Institute of Micro-Nano Devices and Solar Cells，College of Physics and Information Engineering，Fuzhou University，Fuzhou，Fujian 350108，China)Abstract:Photovoltaic(PV)modules can produce hot spot effect due to various conditions，such asmismatch，cracks，short-circuit，partial coverage，which leads to the abnormal operation of the PVmodules or PV array In this paper，a deep learning(DL)based target detection method usingYOLOv5 framework is proposed to the detect the hot spots on PV array Firstly，the pixel weightedaverage method is used to fuse infrared and visible images as detection objects，so that the hot spotsand coverings can be simultaneously detected and located，and then the cause of hot spots can also bepreliminarily analyzed Secondly，a more lightweight and efficient MobileNetCA(MobileNetV3-largewith CoordAttention)by integrating the coordinate attention mechanism on the basis of lightweightnetwork MobileNetV3-large is designed，which are applied to replace the feature extraction network ofthe proposed model framework In addition，the loss function is replaced with Varifocal Loss functionto enhance positive samples when positive and negative samples are unbalance in training phaseFurthermore，the model anchor box generation algorithm is also improved，so that the generated targetbox is more consistent with the actual labeled box Experimental results show that the mAP of theproposed model is 889%，which is 38%higher than that of the original model YOLOv5s，and theparameter size of the proposed model is only 486%of that of the YOLOv5sKeywords:photovoltaic module;hot spot detection;infrared visible light fusion;YOLOv5;Mobile-NetV3-large;varifocal loss function;coord attention0引言光伏组件由于工作需要长时间暴露在无遮挡的自然环境中，如果不能及时进行有效维护，将产生各收稿日期:20220119通信作者:林培杰(1982)，副教授，主要从事太阳能光伏技术研究，linpeijie fzueducn基金项目:福建省自然科学基金资助项目(2021J01580);福建省工信厅基金资助项目(82318075);福州市科技计划资助项目(2021P030，2021P059)福州大学学报(自然科学版)第 51 卷http:/xbzrbfzueducn种故障，热斑就是其中一种典型故障1 当光伏组件受到遮挡后，遮挡部分的电池片流过的电流变小，在其他串联电池片的影响下成为负载，并将其他电池片产生的能量以热量的形式消耗掉，导致遮挡部分的电池片温度升高而产生热斑效应2 单体电池片的不匹配、短路、裂缝、组件表面局部脏污或遮挡都会引起光伏组件产生热斑 热斑问题不仅影响光伏组件的发电效益，甚至可以引发火灾，严重影响光伏系统的性能和寿命，因此，对热斑的实时检测和定位，对光伏电站的维护工作有着重要价值由于热斑效应会引起电池片局部温度上升，故可使用红外热成像图像进行判断 文献 3 采用 Canny边缘检测算子检测红外图像下的热斑模块及其相关故障 文献 4 采用光伏组件红外热图像的 HOG 特征和纹理特征进行分类，通过朴素贝叶斯分类器检测热斑 文献 5 提出一种基于混合特征的光伏面板热斑检测和分类的支持向量机模型，采用数据融合的方法构造一种新的混合特征向量，取得了更好的检测效果 近年来，深度学习在解决图像识别、目标检测等问题上成效突出，学者们也将其应用于光伏故障检测和热斑识别上 文献 6 提出改进 Faster-CNN 的红外图像检测方法，将 SpotFPN 多尺度特征学习模块应用在二阶段目标检测网络中，提高了模型的检测精度 文献 7 提出一种基于多尺度残差和注意力机制相结合的新型卷积神经网络 AMSnet，训练识别自制的光伏组件红外图像热斑状态数据集，准确率高达95%文献 8 提出直接利用相机拍摄可见光图片，对光伏面板上的遮挡物进行检测，以便及时排除产生热斑效应的隐患，在检测准确率上也取得了不错的效果然而，红外热成像主要反映的是温度信息，无法正确体现物体的边缘、纹理等细节信息，所以基本只能运用于热斑的检测与定位 若结合可见光图片的信息，则可以在进行热斑检测与定位的同时，对光伏面板上的遮挡物进行检测，进而对热斑形成的原因进行初步的判断 随着红外热成像仪器的发展和进步，许多型号的红外成像仪已具备同时拍摄同位置下的红外和可见光图片的功能，为推动图像融合在光伏热斑检测方面的研究提供了便利综上所述，本研究提出一种基于深度学习的光伏组件热斑及遮挡物的检测方法，采用像素加权平均法融合红外和可见光图像，使用 YOLOv5 深度学习目标检测算法实现不同成因的热斑和遮盖物的检测与定位 同时，针对多分类数据集训练中负样本量过多的情况，在算法中引入变焦距损失函数，达到突出正例的效果 为了减小算法生成 anchor box 目标框的误差，改进模型目标框生成算法，使用 IOU 得分代替欧式距离作为聚类算法评判标准 此外，对 YOLOv5 的网络结构进行轻量化改进，设计了融合坐标注意力机制的 MobileNetCA 特征提取网络，并将其应用到模型中，在降低模型体积的同时力求提升模型检测效果1实验数据采集与处理11数据采集实验数据集的拍摄仪器为 FLI T420，该仪器在拍摄时可同时输出同一位置的红外和可见光图像，输出分辨率均为 320 px 240 px，故在红外可见光图像融合时无需配准 采集地点为福建省某大学微纳器件与太阳能电池研究所的光伏实验平台，采集时间选在晴朗天气上午 9 时至下午 3 时之间，拍摄时用树叶、细沙、硬纸片、彩旗的倒影模拟实际情况中发生的遮挡与阴影，热斑主要由物体或阴影的遮挡和光伏面板间串内短路等原因产生 拍摄共采集到红外和可见光图片各 622 张，并进行人工标注，按照热斑与遮挡物情况将数据集标签分为 5 类，具体如下:1)类型一，有热斑产生但无遮挡物 2)类型二，有片状(如树叶，纸片)遮挡物，尚未产生热斑 3)类型三，有片状(如树叶，纸片)遮挡物并已产生热斑 4)类型四，有细沙遮挡并已经产生热斑 5)类型五，有细沙遮挡，尚未产生热斑标注共获得 1 654 个标签，分别为类型一 389 个，类型二 353 个，类型三 301 个，类型四 215 个，类型五 396 个 其中类型一在实验中主要由组件短路或组件表面细小灰尘产生 通过以上分类，模型可同时检测是否有热斑和遮挡物，以及遮挡物的形态，还可以凭借检测的信息进一步分析热斑产生的原因，为故障处理提供参考 为了得到更准确的结果，具体拍摄实验中，需要不断对遮挡物的数量、种类和位置进行变换，拍摄位置在距离光伏组件正前方 28 m 处，拍摄时随机变换角度 拍摄效果如图 1 所示 图中，红色数值表示最高温，蓝色数值表示最低温43第 1 期魏卓航，等:改进 YOLOv5 的光伏组件热斑及遮挡物检测http:/xbzrbfzueducn图 1拍摄所得的红外与可见光图片示例Fig1Examples of infrared and visible images12红外可见光融合方法选用像素加权平均法作为红外可见光图片融合方法，其原理是:对红外图像的像素取相应权值a(a1)，则可见光图像的像素权值为 1a，然后加权平均得到融合图像的像素值 比如，有需要融合的可见光图像的像素值为 A，红外图像的像素值为 B，则融合后图像的像素值就是 Aa+B(1a)该方法具有运算速度快、融合图像之间权重易于调节的特点，缺点是削弱了图像中的细节信息，不适用于图像清晰度不足的场景 由于光伏组件的工作特性，热斑检测都是在白天进行，拍摄的照片光线充足，检测目标边缘轮廓清晰，同时基于减少计算成本与合成时间的考量，选择像素加权平均法实现