[發明專利]一種基于混合改進Faster R-CNN實現多種類光伏陣列熱斑檢測方法

有效

• 申請號: 202110330963.8
• 申請日: 2021-03-29
• 公開（公告）號: CN112927222B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 林培杰;賴云鋒;程樹英;陳詩坤;陳志聰;吳麗君;鄭茜穎
• 申請（專利權）人: 福州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于混合改進Faster R?CNN實現多種類光伏陣列熱斑檢測方法。該方法采集光伏陣列多尺度的紅外圖像數據，剔除異常的圖像數據后，進行熱斑等光伏缺陷的類別和回歸框標注。通過在線數據增強增加樣本的數據量，先輸入訓練熱斑陰影類檢測模型，接著輸入訓練光伏面板類檢測模型。通過光伏面板類檢測模型的面板檢測結果，將熱斑陰影類模型檢測結果中不在檢測面板內的目標去除掉，最后輸出原圖和圖像中光伏面板、一類熱斑、二類熱斑和陰影四類的檢測結果。本發明能夠準確對光伏陣列的紅外熱斑進行檢測與定位。

技術領域

本發明涉及光伏陣列熱斑檢測技術領域，特別是一種基于混合改進Faster R-CNN實現多種類光伏陣列熱斑檢測方法。

背景技術

在2010年至2019年間，太陽能光伏發電成本下降了82％。得益于此，光伏發電累計裝機容量增長迅速。這意味著光伏系統越來越復雜，隨之帶來復雜的維護和操作任務。故而，需要有效的方法和工具減少維護成本，確保光伏系統的生產率。近年來，各種檢查和故障診斷方法得到發展，最常見的方法包括目視檢查、性能測量，電致發光和紅外熱成像。其中，基于紅外熱成像的方法，因可以無接觸、無損地監測，并能簡單快速獲得大量確切物理位置信息，具有強大吸引力。已有研究將該方法應用于光伏故障監測領域。

然而，對于紅外圖像，通常需要進行視覺評估和大量圖像禎的分析。對于此，數字圖像處理方法通常需要繁瑣的圖像處理過程。而近年來快速發展的卷積神經網絡，在圖像分類和目標檢測等視覺識別任務中表現出明顯的優越性。已有國內外學者應用于光伏系統故障檢測中，取得一定效果。Alvaro等人采用基于區域的卷積神經網絡(Regionconvolution neural network，R-CNN)自動識別光伏面板并標注面板上的熱斑，其精度比數字圖像處理方法有很大提升。郭夢浩等人則采用Faster R-CNN目標識別網絡實現熱斑檢測，該方法相比R-CNN網絡識別速度快并可減少運算和存儲資源，但是檢測目標的類別較少且尺度固定，并且他們優化后的模型參數量較大。

為檢測光伏陣列紅外圖像中的多種類目標，包括陰影和兩種類型熱斑。首先，引進殘差網絡作為Faster R-CNN的特征提取網絡以提升對抽象特征的提取能力。其次，為提高多尺度目標檢測精度，改進了RPN網絡的錨框選區方案，提升對小尺度目標的關注。如此改進的模型增強了對輸入數據的敏感度，但也包括噪聲。因此，進一步考慮到屋頂光伏周圍環境因素復雜，檢測噪聲較大，容易造成模型誤檢。基于此，本文提出混合改進的Faster R-CNN模型，聚焦光伏陣列，降低環境噪聲對熱斑檢測的影響。

目前，公開發表的文獻及專利中尚未見有將基于混合改進Faster R-CNN應用于光伏陣列多種類熱斑檢測的研究。

發明內容

本發明的目的在于提供一種基于混合改進Faster R-CNN實現多種類光伏陣列熱斑檢測方法，能夠高精度、高魯棒性的檢測光伏陣列的多種類熱斑。

為實現上述目的，本發明的技術方案是：一種基于混合改進Faster R-CNN實現多種類光伏陣列熱斑檢測方法，包括：

采集光伏陣列的多尺度紅外圖像數據；

去除光伏陣列的多尺度紅外圖像數據中的異常數據，對剩余數據進行類別和回歸框標注，以及在線數據增強；

搭建和改進Faster R-CNN網絡，利用采集的數據集訓練，得到熱斑陰影類檢測模型；

搭建和改進Faster R-CNN網絡，利用采集的數據集訓練，得到光伏面板類檢測模型；

將光伏面板類檢測模型結果和熱斑陰影類檢測模型的結果進行整合，輸出為混合改進Faster R-CNN的檢測結果。