引言

新能源光伏電站作為一種可再生和高效的清潔能源，在人們的生產生活中得到了廣泛的應用。新能源光伏電站基本搭建在崎嶇復雜的山地，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。采用小型的無人機搭載高清相機以及準確率和實時性高的模型檢測框架，能夠對光伏組件的缺陷進行高效精確的檢測。

Akram等人[1]提出了使用隔離神經網絡訓練結合遷移學習的方法對紅外光伏組件缺陷圖像進行檢測，檢測準確率達到了99.23%。Zhang等人[2]為了對光伏組件的表面缺陷進行檢測，設計了獨立的分量構建網絡算法結合混淆矩陣缺陷圖像，對部分區域增強進行缺陷檢測。鐘泳松等人[3]提出了注意力機制結合遷移學習迭代優化的SSD目標檢測算法對光伏組件缺陷進行檢測，精確率達到了96.6%。郭清華等人[4]提出了使用圖像預處理方式結合U-Net分割網絡對光伏組件缺陷進行檢測，但由于光伏組件是在自然環境下工作的，易受到光線的影響使得預處理效果較差，降低了識別的準確率。任喜偉等人[5]提出了使用可分離卷積代替傳統卷積的U-Net網絡，完成對光伏板的缺陷區域分割。王哲等人[6]針對光伏玻璃的氣泡、結石等缺陷，提出了使用圖像對比結合圖像簽名的顯著圖，然后進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，提出了使用增強特征的卷積網絡，并減小了模型的空間復雜度，精確率達到了87.55%。劉耀迪等人[8]針對光伏硅片和電池的缺陷，提出了使用形態學結合邊緣檢測的圖像處理算法對隱裂、劃傷和污染進行檢測，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制的YOLOv5目標檢測方法，準確率達到了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確率，提出了使用圖像預處理結合圖像分割的傳統算法。彭興輝等人[11]針對太陽能硅片的缺陷檢測，提出了使用形態學方法對數據進行預處理，然后生成對抗網絡結合FID圖像質量評價指標篩選數據集，最后使用YOLOv5目標檢測進行缺陷定位，準確率達到了94.1%。黃彥乾等人[12]提出了使用小樣本結合輔助數據集訓練的方法，在AResNet網絡進行光伏板缺陷分類預訓練。閆號等人[13]為解決光伏面板缺陷檢測準確率較低和成本較高的問題，提出了使用多源融合網絡，以YOLOv3 tiny為主干特征提取網絡，結果表明F1值達到了0.86%。李冰等人[14]為解決光伏板塊缺陷尺寸變化較大，檢測準確率低的問題，提出了使用多尺度自適應融合網絡，精確率達到了76.2%。

以上總結了現有的光伏組件缺陷檢測方法，主要包括傳統圖像處理算法和現階段較為流行的神經網絡框架。采用傳統的圖像處理算法易受到光照的影響，從而影響其分割閾值，降低檢測的準確率。采用神經網絡算法，比如YOLO系列網絡、小樣本學習的訓練方法和SSD目標檢測框架，雖然準確率較高，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制的光伏組件缺陷分割網絡，創新點主要包括：(1)在傳統的U-Net網絡中引入了多重擴張卷積模塊，從而對高層語義信息完成精確分割；(2)將分割后的mask掩碼與原圖進行與操作，得到無背景噪聲的分類數據集，然后采用輕量級網絡MobileNetV3對光伏組件的缺陷進行準確的分類。

本文詳細內容請下載：

http://m.xxav2194.com/resource/share/2000006397

作者信息：

黨寧，李世峰，于坤義

（國家電投集團甘肅電力有限公司，甘肅 蘭州 730000）