基于殘差網絡的光伏紅外圖像熱斑識別方法

賈帥男

基于殘差網絡的光伏紅外圖像熱斑識別方法

賈帥男

（唐山學院 計算機科學與技術系，河北 唐山 063000）

為了更有效地實現光伏陣列中熱斑故障的識別，提出了一種殘差結構和多尺度卷積的卷積神經網絡模型算法。首先對光伏紅外圖像進行圖像濾波，消除干擾信息，然后用等距分割方法提取光伏組件單元，最后利用改進的模型提取豐富的圖像特征，完成紅外圖像熱斑識別。實驗結果表明，改進后的算法識別準確率優于原來的模型算法。

光伏熱斑；紅外圖像；卷積神經網路；圖像識別

為提高光伏發電站的使用壽命，避免設備出現損害等事故，保證光伏發電的安全有效的運行，對光伏發電系統進行可靠的故障檢測至關重要[1]。針對光伏陣列的熱斑故障研究，國內外研究學者所采用的方法大致分為兩種：一種是基于故障狀態下的電流、電壓等電氣特性下的變化進行熱斑檢測[2-5]；另一種是基于光伏紅外圖像，利用圖像處理技術對熱斑進行檢測識別[6-8]。張曉娜等人提出利用多傳感器數據融合采集光伏組件的輸出數據，通過分析光伏組件各個小塊的電壓波動情況，提高熱斑檢測效率和準確率，但需要人工調整故障因子和區域維數[9]。Hachana等人利用數學模型預測光伏陣列輸出，并與實際輸出進行比對之后，進行故障診斷，但準確率過多依賴陣列數學模型的精度[10]。Tsanakas等人采用傳統的圖像處理算法檢測熱斑故障，通過Canny邊緣檢測算法統計出所有熱斑故障存在的區域，并利用直方圖分析獲得區域的分布情況，最終完成熱斑檢測，但需要人工對圖像的背景進行分割[11]。

針對紅外圖像細節信息不顯著，以及紅外圖像存在噪聲大的光伏紅外圖像特性，本研究通過在殘差結構中增加多個卷積核，并使用激活函數，創建出一種網絡模型，將其應用到光伏陣列的故障檢測中。

1 圖像預處理

在紅外圖像的采集過程中，會存在各種自然因素的干擾，影響光伏紅外圖像質量，進而影響模型的特征提取，導致模型檢測效果變差。

在光伏電站圖像去噪過程中，常采用高斯濾波，但在高斯濾波中，只考慮了周圍像素點的位置信息，在去除噪聲的同時，還會將圖像的邊緣處理的模糊。為了較好地保留圖像的紋理、邊緣等特征，本文采用既能夠濾除高斯濾波，又能保留圖像邊緣信息的雙邊濾波的方案。雙邊濾波的基本思想是同時考慮像素的空域信息和值域信息兩方面的因素，根據像素值對要進行濾波的鄰域實現分情況處理，對于不同點的情況進行不同權重的疊加，再針對鄰域進行加權求和運算，以此來得到最終的結果。雙邊濾波器的定義如下：

式中，(,)為輸出的像素值；(,)為其中一個像素點的坐標，(,)為另一個像素點的坐標，(,,,)為濾波核，(,,,)為空域核，(,,,)為值域核。兩個濾波核形式如下：

空域核為

式中，d為空域高斯函數的標準差，空域核函數是根據像素的空間距離決定權重的大小，距離與權重呈負相關。

值域核為

式中，σ為值域高斯函數的標準差，值域核函數則是根據像素之間的差異情況來決定權值，差異越小，權值越大。

加權系數(,,,)由空域核和值域核的乘積決定，表示如下：

針對選用的圖像數據集的模糊、色彩漸變的特點，選用了大的濾波領域直徑、值域標準差和空域標準差。濾波效果如圖1所示。

完成圖像濾波后，依據圖像的規則排布的特點，采用等距分割方法，將紅外光伏板圖像分割成多個光伏組件單元。根據數據集總體特征，選取了五類特征明顯的光伏組件單元作為光伏組件不同時期的工作狀態，依據特征情況將不同特征的單元進行區分和保存。

圖1 圖像效果對比圖

在模型開始訓練之前，對數據集使用圖像增強技術。圖像增強可以對圖像進行隨機旋轉、水平移動、豎直移動等操作，豐富樣本數據集，實現數據集批量生成，泛化模型。之后，將數據集進行歸一化，對數據集進行模型訓練，優化熱斑識別效果，并對測試數據集進行診斷識別。數據增強部分效果如圖2所示。

圖2 數據增強部分效果圖

2 改進的殘差網絡結構模型

隨著卷積神經網路的快速發展，目前，不少學者開始利用卷積神經網絡來進行紅外圖像的處理和目標檢測[12-16]。基于殘差網絡的思想，本文采用同時提高模型寬度和深度的方法來提高網絡質量，改進了一種帶有多卷積核的殘差模塊，兩個改進后的殘差單元分別為

和

。

改進后的殘差網絡結構如圖3所示。

通過增加不同尺度的卷積核，可以獲取更豐富的圖像特征，采用3個3*3的卷積核，相較于7*7的卷積核，參數可以減少一半，保證了網絡能夠獲得足夠信息，增強適應性，提升模型學習能力。

3 實驗與結果

3.1 數據集

本文采用的紅外光伏圖像數據集，來源于某光伏電場。光伏板紅外圖像由6*10個光伏組件單元組合而成，如圖4所示。

從圖4可以看出，熱斑具有面積小，灰度值較高，邊緣區域較明顯等特點，因此將光伏組件單元作為識別熱斑的最小區域單元，可以更好地識別熱斑。

數據集中光伏紅外圖像色彩與紅外輻射量具有映射關系，因此對光伏組件單元的工作狀態進行了定性分析，效果如圖5所示。

圖4 光伏紅外圖

圖5 光伏組件單元狀態

將光伏組件單元的工作狀態劃分成5類，作為本實驗的數據集。訓練集的樣本各類數量如表1所示。

表1 光伏紅外圖像圖片數量

3.2 與其他算法的對比

對于不同模型的性能進行比較，效果如表2所示。

表2 模型對比效果表

根據表中信息可以看出，改進后的模型

的準確率最高，優于另外兩種算法，而且相較于其他兩種算法，

的圖像特征提取能力更好。

4 結論

針對光伏陣列中熱斑故障的識別精度問題，提出了一種基于改進殘差結構的卷積神經網絡檢測算法模型，該模型由圖像預處理和模型檢測兩部分構成，能夠實現對紅外圖像熱斑的檢測、熱斑嚴重程度的分類和識別。

[1] 王歡,徐小力.一種新型光伏陣列在線故障檢測方法研究[J].儀器儀表學報,2015,36(12):127-134.

[2] Kim K A, Seo G S, Cho B H, et al. Photovoltaic Hot-Spot Detection for Solar Panel Substrings Using AC Parameter Characterization[J]. IEEE Transactions on Power Elec- tronics, 2015, 31(2): 1121-1130.

[3] 王亞東.光伏電站晶硅組件熱斑故障診斷研究[D].揚州:揚州大學,2017:16-48.

[4] 畢銳,丁明,徐志成,等.基于模糊C均值聚類的光伏陣列故障診斷方法[J].太陽能學報,2016,37(3):730-736.

[5] Spataru S, Sera D, Kerekes T, et al. Diagnostic method for photovoltaic systems based on light I-V measurements[J]. Solar Energy, 2015, 119(9): 29-44.

[6] 蔣琳,蘇建徽,施永,等.基于紅外熱圖像處理的光伏陣列熱斑檢測方法[J].太陽能學報,2020,41(8):180-184.

[7] Tsanakas J A, Chtysostomou D, Botsaris P N, et al. Fault diagnosis of photovoltaic modules through image process- ing and Canny edge detection on field thermographic measurements[J]. International Journal of Sustainable Energy, 2015, 34(6): 351-372.

[8] 王培珍,鄭詩程.基于紅外圖像的太陽能光伏陣列故障分析[J].太陽能學報,2010,31(2):197-202.

[9] 張曉娜,高德東,劉海雄,等.一種新型光伏陣列多傳感器故障檢測定位方法[J].可再生能源,2016,34(2):166-172.

[10] Hachana O, Tina G M, Hemsas K E. PV array fault diagnostic technique for BIPV systems[J]. Energy & Buildings, 2016, 126(8): 263-274.

[11] Tsanakas J A, Chrysostomou D, Botsaris P N, et al. Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermo- graphic measurements[J]. International Journal of Solar Energy, 2015, 34(6): 351-372.

[12] 車曦.基于紅外圖像識別的光伏組件熱斑故障檢測方法研究[D].重慶:重慶大學,2015:12-47.

[13] 王東.紅外小目標檢測與跟蹤算法研究[D].武漢:華中科技大學,2017:16-57.

[14] 姚瑤.基于時空顯著性的紅外目標檢測與跟蹤方法研究[D].大連:大連理工大學,2018:6-44.

[15] 張祥東,王騰軍,楊耘.基于多尺度殘差網絡的小樣本高光譜圖像分類[J].激光與光電子學進展,2020,57(16): 348-355.

[16] Misra D. Mish: A Self Regularized Non-Monotonic Neural Activation Function[EB/OL].(2020-08-13)[2021-03-18]. https://arxiv.org/abs/1908.08681.

Thermal Spot Recognition of Photovoltaic Infrared Image Based on Residual Network

JIA Shuai-nan

(Depeartment of Computer Science and Technology, Tangshan University, Tangshan 063000, China)

The harsh environment of photovoltaic array leads to frequent faults and is not easy to detect. In order to identify hot spot faults in photovoltaic array more effectively, a convolution neural network model algorithm with residual structure and multi-scale convolution was proposed. Firstly, the photovoltaic infrared image was filtered to eliminate the interference information. Then the equidistant segmentation method was used to extract the photovoltaic module unit, and the improved model was used to extract rich image features to complete the infrared image hot spot recognition. The experimental results showed that the recognition accuracy of the improved algorithm was better than that of the original model algorithm, which is of great significance to improve the automation level of photovoltaic fault detection.

photovoltaic hot spot; infrared image; convolution neural network; image recognition

TP391.4;TP183

A

1009-9115(2021)06-0053-04

10.3969/j.issn.1009-9115.2021.06.014

2021-03-18

2021-08-08

賈帥男（2000-），男，河北衡水人，本科生，研究方向為計算機技術、深度學習。

（責任編輯、校對：田敬軍）