《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割算法
基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割算法
電子技術(shù)應(yīng)用
黨寧，李世峰，于坤義
國家電投集團(tuán)甘肅電力有限公司
摘要： 無人機(jī)在光伏系統(tǒng)的巡檢過程中需要對光伏組件的缺陷進(jìn)行準(zhǔn)確和快速識別，為此提出了一種基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割網(wǎng)絡(luò)。首先在傳統(tǒng)的U-Net網(wǎng)絡(luò)每個Stage加入多尺度伸縮卷積模塊，從而對光伏組件缺陷進(jìn)行分割，PA達(dá)到了98.61%，與傳統(tǒng)U-Net、FCN網(wǎng)絡(luò)進(jìn)行對比分析，準(zhǔn)確率分別提高了0.32%和1.17%，算法消耗時間0.054 s，相較于對比的分割算法提高了0.006 s~0.013 s；然后將分割后的缺陷掩碼mask和原圖進(jìn)行與操作，最后通過輕量級網(wǎng)絡(luò)MobileNetV3對光伏組件缺陷（熱斑、裂縫、鳥糞）進(jìn)行檢測并分類，精確率達(dá)到了98.82%，與SqueezeNet、ShuffleNet V2和GhostNet網(wǎng)絡(luò)進(jìn)行對比，分別提高了0.43%、1.08%和0.8%，平均檢測時間0.026 s，相較于對比的檢測算法提高了0.002 s~0.036 s。實驗結(jié)果表明基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割網(wǎng)絡(luò)具有較高的準(zhǔn)確率和識別速率。
中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245362
中文引用格式： 黨寧，李世峰，于坤義. 基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割算法[J]. 電子技術(shù)應(yīng)用，2025，51(4)：66-71.
英文引用格式： Dang Ning，Li Shifeng，Yu Kunyi. Defect segmentation network of photovoltaic modules based on multi-scale convolution and attention mechanism[J]. Application of Electronic Technique，2025，51(4)：66-71.
Defect segmentation network of photovoltaic modules based on multi-scale convolution and attention mechanism
Dang Ning，Li Shifeng，Yu Kunyi
State Power Investment Group Gansu Electric Power Co.， Ltd.
Abstract： In the inspection process of photovoltaic system, unmanned aerial vehicles need to accurately and quickly identify the defects of photovoltaic modules. Therefore, a photovoltaic module defect segmentation network based on multi-scale convolution and attention mechanism is proposed. Firstly, a multi-scale convolution module is added to each Stage of the traditional U-Net network to segment the defects of photovoltaic modules, and the pixel accuracy rate reaches 98.61%. Compared with the traditional U-Net and FCN networks, the accuracy rate is increased by 0.32% and 1.17% respectively, and the algorithm consumes 0.054 s. Compared with the comparison, the segmentation algorithm improves by 0.006 s~0.013 s; Then the split defect mask and the original image are operated. Finally, the defects (heat spots, cracks, bird feces) of photovoltaic modules are detected and classified by lightweight network MobileNetV3, with an accuracy of 98.82%. Compared with SqueezeNet, ShuffleNet V2, and GhostNet, the average detection time is increased by 0.43%, 1.08%, and 0.8%, respectively. Compared with Squeezenet, ShuffleNet V2, and GhostNet, the average detection time is increased by 0.002 s~0.036 s. The experimental results show that the defect segmentation network based on multi-scale convolution and attention mechanism has high accuracy and recognition rate.
Key words : photovoltaic module defects；attention mechanism；multiscale telescopic convolution；U-Net network；MobileNetV3 network

引言

新能源光伏電站作為一種可再生和高效的清潔能源，在人們的生產(chǎn)生活中得到了廣泛的應(yīng)用。新能源光伏電站基本搭建在崎嶇復(fù)雜的山地，并且呈分布式搭建，給后期的維修保障人員帶來了較大的不便。采用小型的無人機(jī)搭載高清相機(jī)以及準(zhǔn)確率和實時性高的模型檢測框架，能夠?qū)夥M件的缺陷進(jìn)行高效精確的檢測。

Akram等人[1]提出了使用隔離神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)合遷移學(xué)習(xí)的方法對紅外光伏組件缺陷圖像進(jìn)行檢測，檢測準(zhǔn)確率達(dá)到了99.23%。Zhang等人[2]為了對光伏組件的表面缺陷進(jìn)行檢測，設(shè)計了獨(dú)立的分量構(gòu)建網(wǎng)絡(luò)算法結(jié)合混淆矩陣缺陷圖像，對部分區(qū)域增強(qiáng)進(jìn)行缺陷檢測。鐘泳松等人[3]提出了注意力機(jī)制結(jié)合遷移學(xué)習(xí)迭代優(yōu)化的SSD目標(biāo)檢測算法對光伏組件缺陷進(jìn)行檢測，精確率達(dá)到了96.6%。郭清華等人[4]提出了使用圖像預(yù)處理方式結(jié)合U-Net分割網(wǎng)絡(luò)對光伏組件缺陷進(jìn)行檢測，但由于光伏組件是在自然環(huán)境下工作的，易受到光線的影響使得預(yù)處理效果較差，降低了識別的準(zhǔn)確率。任喜偉等人[5]提出了使用可分離卷積代替?zhèn)鹘y(tǒng)卷積的U-Net網(wǎng)絡(luò)，完成對光伏板的缺陷區(qū)域分割。王哲等人[6]針對光伏玻璃的氣泡、結(jié)石等缺陷，提出了使用圖像對比結(jié)合圖像簽名的顯著圖，然后進(jìn)行圖像融合的檢測方法。劉懷廣等人[7]為解決尺寸較小的光伏電池片缺陷，提出了使用增強(qiáng)特征的卷積網(wǎng)絡(luò)，并減小了模型的空間復(fù)雜度，精確率達(dá)到了87.55%。劉耀迪等人[8]針對光伏硅片和電池的缺陷，提出了使用形態(tài)學(xué)結(jié)合邊緣檢測的圖像處理算法對隱裂、劃傷和污染進(jìn)行檢測，該方法會受到光照的影響，泛化性較差。趙曉雨等人[9]針對光伏板的缺陷檢測，提出了使用融合注意力機(jī)制的YOLOv5目標(biāo)檢測方法，準(zhǔn)確率達(dá)到了97.5%。肖慧慧等人[10]為提高光伏電池板缺陷檢測的效率和準(zhǔn)確率，提出了使用圖像預(yù)處理結(jié)合圖像分割的傳統(tǒng)算法。彭興輝等人[11]針對太陽能硅片的缺陷檢測，提出了使用形態(tài)學(xué)方法對數(shù)據(jù)進(jìn)行預(yù)處理，然后生成對抗網(wǎng)絡(luò)結(jié)合FID圖像質(zhì)量評價指標(biāo)篩選數(shù)據(jù)集，最后使用YOLOv5目標(biāo)檢測進(jìn)行缺陷定位，準(zhǔn)確率達(dá)到了94.1%。黃彥乾等人[12]提出了使用小樣本結(jié)合輔助數(shù)據(jù)集訓(xùn)練的方法，在AResNet網(wǎng)絡(luò)進(jìn)行光伏板缺陷分類預(yù)訓(xùn)練。閆號等人[13]為解決光伏面板缺陷檢測準(zhǔn)確率較低和成本較高的問題，提出了使用多源融合網(wǎng)絡(luò)，以YOLOv3 tiny為主干特征提取網(wǎng)絡(luò)，結(jié)果表明F1值達(dá)到了0.86%。李冰等人[14]為解決光伏板塊缺陷尺寸變化較大，檢測準(zhǔn)確率低的問題，提出了使用多尺度自適應(yīng)融合網(wǎng)絡(luò)，精確率達(dá)到了76.2%。

以上總結(jié)了現(xiàn)有的光伏組件缺陷檢測方法，主要包括傳統(tǒng)圖像處理算法和現(xiàn)階段較為流行的神經(jīng)網(wǎng)絡(luò)框架。采用傳統(tǒng)的圖像處理算法易受到光照的影響，從而影響其分割閾值，降低檢測的準(zhǔn)確率。采用神經(jīng)網(wǎng)絡(luò)算法，比如YOLO系列網(wǎng)絡(luò)、小樣本學(xué)習(xí)的訓(xùn)練方法和SSD目標(biāo)檢測框架，雖然準(zhǔn)確率較高，但檢測速度較差。

為解決以上問題，本文提出了基于多尺度伸縮卷積與注意力機(jī)制的光伏組件缺陷分割網(wǎng)絡(luò)，創(chuàng)新點主要包括：(1)在傳統(tǒng)的U-Net網(wǎng)絡(luò)中引入了多重擴(kuò)張卷積模塊，從而對高層語義信息完成精確分割；(2)將分割后的mask掩碼與原圖進(jìn)行與操作，得到無背景噪聲的分類數(shù)據(jù)集，然后采用輕量級網(wǎng)絡(luò)MobileNetV3對光伏組件的缺陷進(jìn)行準(zhǔn)確的分類。


本文詳細(xì)內(nèi)容請下載：

http://www.ihrv.cn/resource/share/2000006397

 

作者信息：

黨寧，李世峰，于坤義

（國家電投集團(tuán)甘肅電力有限公司，甘肅 蘭州 730000）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。