郭夢(mèng)浩，徐紅偉

(中國(guó)計(jì)量大學(xué) 機(jī)電工程學(xué)院，杭州 310018)

可持續(xù)發(fā)展是二十一世紀(jì)的一個(gè)重要命題，核心思想是經(jīng)濟(jì)發(fā)展與資源、生態(tài)環(huán)境協(xié)調(diào)一致，其中最重要就是尋找一種環(huán)保干凈型能源系統(tǒng).太陽(yáng)能不僅清潔無(wú)污染，而且來(lái)源廣泛，成為新能源發(fā)展的寵兒[1].但是光伏組件由于其工作特性長(zhǎng)期裸曬在自然環(huán)境下，環(huán)境比較惡劣.在戶外，不僅要遭受風(fēng)吹雨打，而且表面容易沾染沙塵與飛禽糞便等異物.面對(duì)以上這些情況，如果不能及時(shí)對(duì)光伏組件進(jìn)行有效的日常維護(hù)，就會(huì)使光伏組件產(chǎn)生各種各樣的故障，熱斑就是其中一種典型故障.

熱斑問(wèn)題不僅影響光伏組件的發(fā)電效益，嚴(yán)重時(shí)甚至可引發(fā)火災(zāi)，因此實(shí)現(xiàn)對(duì)熱斑的實(shí)時(shí)定位檢測(cè)對(duì)光伏電站的維護(hù)工作有著重要應(yīng)用價(jià)值.王培珍等[2]發(fā)現(xiàn)光伏組件會(huì)在不同的狀態(tài)下存在明顯的溫差，針對(duì)這一特性提出基于紅外圖像分析的故障檢測(cè)方法.王亞麗[3]提出一種改進(jìn)傳統(tǒng)OSTU 算法來(lái)自動(dòng)識(shí)別最優(yōu)分割閾值的方法對(duì)光伏組件上產(chǎn)生的缺陷進(jìn)行檢測(cè)定位與分類.王憲寶[4]提出以深度置信網(wǎng)絡(luò)為基礎(chǔ)，通過(guò)學(xué)習(xí)大量樣本，得到訓(xùn)練樣本與無(wú)缺陷模板之間的映射關(guān)系，從而實(shí)現(xiàn)樣本的缺陷檢測(cè).車曦[5]提出對(duì)光伏電池片狀態(tài)進(jìn)行分類編碼，再結(jié)合圖像的預(yù)處理與神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)熱斑缺陷的變化趨勢(shì)做出預(yù)測(cè).這些方法雖然取得了一定的檢測(cè)成果，但這些研究多數(shù)是針對(duì)光伏組件的制作工藝中發(fā)生的缺陷，對(duì)實(shí)際運(yùn)行維護(hù)的缺陷檢測(cè)研究較少，并且存在泛化能力差、準(zhǔn)確率不足等問(wèn)題.

由于深度學(xué)習(xí)相關(guān)技術(shù)的快速突破，使得越來(lái)越多的科研人員在圖像分類、目標(biāo)識(shí)別、圖像分割和檢測(cè)等問(wèn)題上采用深度學(xué)習(xí)的方法解決，并且取得了不錯(cuò)的效果.本文所研究的熱斑缺陷檢測(cè)即可看作是一個(gè)物體檢測(cè)問(wèn)題.目前主流的深度學(xué)習(xí)的目標(biāo)檢測(cè)算法包括兩類：一類是基于區(qū)域的目標(biāo)檢測(cè)算法如Fast RCNN[6]、Faster RCNN[7]與RFCN 等，其特點(diǎn)是檢測(cè)精度高，但速度相對(duì)較慢；另一類是將檢測(cè)問(wèn)題轉(zhuǎn)變?yōu)榛貧w問(wèn)題求解如YOLO[8]，其特點(diǎn)是雖提高了網(wǎng)絡(luò)的檢測(cè)效率，但是目標(biāo)定位的準(zhǔn)確率有所降低.而熱斑缺陷檢測(cè)問(wèn)題對(duì)其檢測(cè)模型的準(zhǔn)確率有較高的要求，選用Faster RCNN 模型比較符合實(shí)際需求.但是已有實(shí)驗(yàn)證明Faster RCNN 對(duì)中大型的目標(biāo)具有良好的檢測(cè)效果，但對(duì)小目標(biāo)的檢測(cè)效果不佳[9]，如果直接套用原始的Faster RCNN 模型，可能會(huì)造成小型的熱斑缺陷的漏檢.綜上所述，本文采用Faster RCNN 為基礎(chǔ)模型，在此基礎(chǔ)上結(jié)合圖像預(yù)處理、遷移學(xué)習(xí)、改進(jìn)特征提取網(wǎng)絡(luò)模型以及改進(jìn)錨框選區(qū)方案，得到了熱斑缺陷檢測(cè)模型.

1 Faster RCNN 簡(jiǎn)介

Faster RCNN 是在RCNN、Fast RCNN 研究的基礎(chǔ)上提出的，主要改進(jìn)是在Fast RCNN 上引入了RPN.用RPN 來(lái)提取候選框可以消除使用選擇性搜索而導(dǎo)致的分離問(wèn)題.Faster RCNN 先通過(guò)特征提取網(wǎng)絡(luò)獲得圖片的特征圖，然后通過(guò)RPN 網(wǎng)絡(luò)提取候選框，最后Fast RCNN 根據(jù)RPN 網(wǎng)絡(luò)提供的候選框?qū)崿F(xiàn)目標(biāo)檢測(cè).并且RPN 網(wǎng)絡(luò)和Fast RCNN 通過(guò)交替訓(xùn)練實(shí)現(xiàn)參數(shù)貢獻(xiàn)，使得目標(biāo)檢測(cè)更加高效.

1.1 RPN 網(wǎng)絡(luò)

RPN 網(wǎng)絡(luò)的作用是類似目標(biāo)檢測(cè)網(wǎng)絡(luò)中的選擇性搜索，是Faster RCNN 的核心.RPN 網(wǎng)絡(luò)使用的滑動(dòng)窗口機(jī)制，并且可以實(shí)現(xiàn)多個(gè)候選區(qū)的同時(shí)預(yù)測(cè).每個(gè)滑動(dòng)窗口在滑動(dòng)后，隨后會(huì)產(chǎn)生一個(gè)短特征向量；緊接著將產(chǎn)生的短特征向量輸入到全連接層中進(jìn)行位置和類別的判斷.RPN 網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，圖中右側(cè)為RPN 網(wǎng)絡(luò)的k個(gè)錨框，由于待測(cè)目標(biāo)的尺寸、高寬比的差異，需要設(shè)定多種形態(tài)的錨框；左側(cè)圖中可以看出每個(gè)待測(cè)區(qū)域會(huì)將會(huì)產(chǎn)生k個(gè)預(yù)測(cè)候選區(qū)域；RPN 網(wǎng)絡(luò)的輸出層是一個(gè)多任務(wù)模型，一是通過(guò)SOFTMAX來(lái)去區(qū)分候選框?qū)儆谇熬邦惢虮尘邦悾峭ㄟ^(guò)邊界回歸預(yù)測(cè)候選框的偏移量，降低定位的誤.

圖1 RPN 網(wǎng)絡(luò)結(jié)構(gòu)

1.2 區(qū)域建議網(wǎng)絡(luò)的損失函數(shù)

RPN 網(wǎng)絡(luò)在訓(xùn)練時(shí)，獲得候選窗口太多，因此需要對(duì)候選窗口進(jìn)行篩選，依據(jù)如下：

(1)將超過(guò)輸入原始圖像的候選窗口篩掉；

(2)通過(guò)非極大值抑制，設(shè)置重疊區(qū)域高于0.7 的窗口標(biāo)定為前景區(qū)，低于0.3 的窗口標(biāo)定為背景.

RPN 網(wǎng)絡(luò)的整體損失函數(shù)定義為公式：

式中，i為最小批次種錨框的索引，pi為錨框所屬目標(biāo)的預(yù)測(cè)概率ti代 表預(yù)測(cè)候選框的坐標(biāo)，ti?為真實(shí)候選框坐標(biāo)，Lcls為 分類結(jié)果對(duì)數(shù)損失，Lreg為回歸損失，R為魯棒損失函數(shù)，定義式為：

p?i Lreg表示當(dāng)p?i=1時(shí)才有回歸損失，分類層和回歸層的輸出分別由 {ti} 和 {ti} 組成.{pi} 和 {ti} 分 別對(duì)Ncls和Nreg以及λ進(jìn)行歸一化.獲取回歸過(guò)程的坐標(biāo)的公式如下：

2 熱斑缺陷檢測(cè)模型設(shè)計(jì)

綜上所述，為填補(bǔ)目前對(duì)光伏組件實(shí)際中產(chǎn)生缺陷檢測(cè)算法的空白，解決不同大小、不同形狀的熱斑缺陷提取困難的問(wèn)題.本文提出在原始Faster RCNN的基礎(chǔ)上結(jié)合圖像預(yù)處理、遷移學(xué)習(xí)、改進(jìn)特征提取網(wǎng)絡(luò)模型以及改進(jìn)錨框選區(qū)方案，得到熱斑缺陷檢測(cè)模型.本文熱斑檢測(cè)系統(tǒng)框架圖以及熱斑缺陷檢測(cè)模型框架圖分別如圖2、圖3所示.

圖2 熱斑缺陷檢測(cè)模型框架圖

圖3 熱斑缺陷檢測(cè)模型框架圖

2.1 圖像預(yù)處理

熱像儀使用時(shí)受自身干擾與所測(cè)時(shí)自然環(huán)境影響，不可避免的會(huì)使所采集的紅外熱圖像存在低對(duì)比、高噪聲等問(wèn)題.而樣本的好壞決定了后續(xù)實(shí)驗(yàn)的效果，為了避免樣本集對(duì)本文模型檢測(cè)效果的影響，因此對(duì)采集到的紅外熱圖像進(jìn)行預(yù)處理操作尤為重要.

所采集的紅外熱圖像對(duì)比度較低，本文選用直方圖均衡化的方法.另外采集的紅外熱圖像包含由自身設(shè)備導(dǎo)致的高斯噪聲以及光伏組件表面異物形成的椒鹽噪聲與微小斑點(diǎn).對(duì)于這種情況下的復(fù)雜噪聲問(wèn)題，僅通過(guò)單個(gè)濾波器難以有效的濾除噪聲.綜上所述，為了降低噪聲對(duì)實(shí)驗(yàn)的影響，本文采用的圖像預(yù)處理流程具體如圖4所示.第一步，使用直方圖均衡化，用以獲得合適對(duì)比度的紅外熱圖像；第二步，對(duì)第一步獲得的圖片先進(jìn)行一次方形結(jié)構(gòu)閉運(yùn)算，在進(jìn)行一次方形結(jié)構(gòu)開運(yùn)算，用來(lái)濾除椒鹽噪聲和微小斑點(diǎn)；第三步，對(duì)得到的圖片使用高斯濾波，完成圖像預(yù)處理.

圖4 圖像預(yù)處理流程圖

2.2 錨框方案調(diào)整

由于熱斑缺陷的形成受建筑物遮蔭、樹葉、鳥糞以及積塵等多種自然因素影響，導(dǎo)致熱斑缺陷的尺寸差異較大，其長(zhǎng)寬比更加多樣化.原始的Faster RCNN包含9 種錨框，其長(zhǎng)寬比為0.5，1，2，尺寸為8，16，32.如果使用原始Faster RCNN 的錨框，原始圖像在經(jīng)過(guò)池化后，所有特征圖各點(diǎn)對(duì)應(yīng)得到的感受野尺寸為16×16.使用最小尺度映射的錨框尺寸都達(dá)到128，而實(shí)際中存在一些較小的熱斑缺陷，在檢測(cè)過(guò)程中不可避免會(huì)出現(xiàn)定位偏差，進(jìn)而造成誤檢.因此，根據(jù)熱斑缺陷尺寸差異較大、長(zhǎng)寬比更加多樣化的特點(diǎn)調(diào)整原始RPN 網(wǎng)絡(luò)的錨框尺寸和比率.調(diào)整后錨框的種類共有16 種，將錨框尺寸改成2、4、8、16，有助于增強(qiáng)對(duì)小型熱斑缺陷的檢測(cè)；長(zhǎng)寬比額外增加4 的比例，有助于提高對(duì)鳥糞引起的長(zhǎng)條狀熱斑缺陷的檢測(cè).實(shí)驗(yàn)證明本文調(diào)整后的錨框可以提高檢測(cè)精度，錨框選擇方案對(duì)比如表1所示.

表1 錨框選擇方案

2.3 改進(jìn)特征提取網(wǎng)絡(luò)模型

在深度學(xué)習(xí)算法中，用CNN 網(wǎng)絡(luò)作為整個(gè)模型的特征提取網(wǎng)絡(luò).這是至關(guān)重要的一步.特征網(wǎng)絡(luò)提取的特征將直接影響最終的特征提取結(jié)果，從而對(duì)目標(biāo)檢測(cè)效果造成影響.一般來(lái)說(shuō)，特征提取網(wǎng)絡(luò)的層數(shù)越深其獲得的特征效果更高，但是網(wǎng)絡(luò)選擇過(guò)深會(huì)加大訓(xùn)練過(guò)程的難度.本文選用VGG16 網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò).VGG16 網(wǎng)絡(luò)的深度適中，并且使用了多層小卷積.多層小卷積核的疊加在保證感受野大小不變的情況下引入了更多的非線性映射.這樣不僅提高了整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)能力，并且有效的減少了對(duì)網(wǎng)絡(luò)參數(shù)的計(jì)算量.VGG16 網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示.

圖5 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)本文的研究對(duì)象的復(fù)雜度與實(shí)際需要的時(shí)效性，在保證深層網(wǎng)絡(luò)在高層特征抽象上的優(yōu)勢(shì)，又要減少網(wǎng)絡(luò)模型的復(fù)雜度.文中涉及的熱斑缺陷檢測(cè)問(wèn)題暫只是一個(gè)二分類問(wèn)題，且不屬于復(fù)雜的物體檢測(cè)問(wèn)題.直接使用VGG16 模型略顯大材小用，也會(huì)造成額外的計(jì)算量或產(chǎn)生過(guò)擬合問(wèn)題.由于全連接層的參數(shù)量占整個(gè)VGG16 網(wǎng)絡(luò)參數(shù)量的一大部分，故本文將VGG 模型中的后兩層全連接層剔去，用一層包含1024 個(gè)神經(jīng)元的全連接層進(jìn)行替代，其他部分不變.此外，本文選用遷移學(xué)習(xí)的方法避免過(guò)擬合問(wèn)題，本文的改進(jìn)后特征提取網(wǎng)絡(luò)沒(méi)有選擇隨機(jī)參數(shù)初始化的方式，而是選擇在Image Net 數(shù)據(jù)庫(kù)上獲取模型的初始化參數(shù)，最后在訓(xùn)練過(guò)程中對(duì)其進(jìn)行微調(diào).

3 實(shí)驗(yàn)分析

在戶外，使用熱像儀采集大量含有不同尺寸和不同形狀的熱斑缺陷的大量紅外熱圖像，以形成圖像數(shù)據(jù)集，并加入樣本標(biāo)簽；然后將獲得的數(shù)據(jù)集在本文熱斑缺陷檢測(cè)模型上進(jìn)行訓(xùn)練：最后在測(cè)試集上進(jìn)行測(cè)試，觀察本文熱斑缺陷模型平均檢測(cè)準(zhǔn)確率、平均漏檢率與平均誤檢率.另外還對(duì)比了Faster RCNN、去除預(yù)處理的本文模型以及本文模型對(duì)熱斑缺陷檢測(cè)在平均檢測(cè)準(zhǔn)確率、平均檢測(cè)時(shí)間與平均加速比上的差別.

3.1 實(shí)驗(yàn)系統(tǒng)組成

本文實(shí)驗(yàn)系統(tǒng)由Ti25 紅外熱像儀與計(jì)算機(jī)構(gòu)成，實(shí)驗(yàn)對(duì)象為我校太陽(yáng)能光伏示范工程中的光伏組件，如圖6所示.Ti25 紅外熱像儀是一款手持式的外熱像儀，可拍攝可見光圖像或紅外熱圖像，檢測(cè)靈敏度高、測(cè)溫精準(zhǔn)，滿足實(shí)驗(yàn)需求.Ti25 在實(shí)驗(yàn)過(guò)程種主要用于紅外熱圖像的采集、讀取溫度數(shù)據(jù).須注意的是由于熱像儀自身在拍攝過(guò)程中會(huì)引起自反射，在采集數(shù)據(jù)集時(shí)視角應(yīng)盡可能接近光伏組件法向量，另外熱像儀應(yīng)保持在與光伏組件法向量成0°～40°的夾角.

圖6 光伏組件與熱像儀

在進(jìn)行熱斑缺陷采集的過(guò)程中，采集到的自然狀態(tài)下光伏組件產(chǎn)生的熱斑缺陷樣本不足，另人為模擬熱斑缺陷實(shí)現(xiàn)對(duì)樣本集的擴(kuò)充.自然熱斑和模擬熱斑的熱斑均包含不同尺寸、不同的形狀.如圖7所示：分別為自然熱斑與模擬熱斑缺陷圖像.

圖7 自然熱斑與模擬熱斑

3.2 樣本集制作

為了使樣本保持多樣性和訓(xùn)練出來(lái)的熱斑缺陷檢測(cè)模型的魯棒性更強(qiáng)，在多種自然條件情況下進(jìn)行數(shù)據(jù)的采集.之后LAMBELING 對(duì)采集到的紅外熱圖像中的熱斑大小和位置信息進(jìn)行標(biāo)注，標(biāo)簽名稱Hot spot，用做本文熱斑缺陷檢測(cè)模型的訓(xùn)練與測(cè)試.采集的紅外熱圖像共有1167 張，選取其中1000 張?jiān)紙D像隨機(jī)進(jìn)行鏡像翻轉(zhuǎn)、旋轉(zhuǎn)和顏色光照變換等操作將數(shù)據(jù)集擴(kuò)增至3000 張圖像，部分樣本集示例如圖8所示.剩余的167 張紅外熱圖像用作模型的測(cè)試與評(píng)估，測(cè)試樣本中一張圖片包含1 至3 個(gè)熱斑缺陷，其中自然熱斑缺陷數(shù)量為115 個(gè)，模擬熱斑缺陷為108 個(gè).

圖8 部分樣本集

3.3 實(shí)驗(yàn)軟件與硬件

實(shí)驗(yàn)軟件與硬件如表2所示.本文使用Python作為編程語(yǔ)言，使用Tensorflow 搭建模型框架，使用GPU 加速，開發(fā)工具為SPYDER.

表2 硬件環(huán)境與軟件環(huán)境

3.4 模型訓(xùn)練方式與參數(shù)設(shè)定

本文模型采用交替式訓(xùn)練，其過(guò)程涉及四個(gè)階段：

第一階段：特征提取層初始化參數(shù)使用在Image Net 上訓(xùn)練的VGG16 模型參數(shù).隨后對(duì)RPN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取候選框，通過(guò)隨機(jī)梯度下降法迭代30 000次.學(xué)習(xí)率大小設(shè)置為0.0001，動(dòng)量設(shè)置為0.9，權(quán)重衰減設(shè)置0.0005.

第二階段：先用原始VGG16 對(duì)Fast RCNN 進(jìn)行初始化，然后使用第一階段獲取的候選框和Ground Truth 共同訓(xùn)練Fast RCNN.同樣隨機(jī)梯度下降法，迭代次數(shù)為10 000 次，學(xué)習(xí)率的大小設(shè)置為0.001，動(dòng)量設(shè)置為0.9，權(quán)重衰減設(shè)置為0.0005.

第三階段：利用第二階段獲得的Fast RCNN 網(wǎng)絡(luò)參數(shù)初始化網(wǎng)絡(luò)模型，并且保持特征提取層參數(shù)不變，然后再次訓(xùn)練RPN 網(wǎng)絡(luò)，進(jìn)一步調(diào)整RPN 網(wǎng)絡(luò)的參數(shù).同樣使用隨機(jī)梯度下降法，迭代次數(shù)為20 000 次，學(xué)習(xí)率的大小設(shè)置為0.0001，動(dòng)量設(shè)置為0.9，權(quán)重衰減設(shè)置為0.005.

第四步：使用第三階段調(diào)整后的RPN 網(wǎng)絡(luò)獲取的候選框和Ground Truth 對(duì)Fast RCNN 網(wǎng)絡(luò)進(jìn)行第二次訓(xùn)練.同樣采用隨機(jī)梯度下降法，迭代次數(shù)為10 000次，學(xué)習(xí)率的大小設(shè)置為0.001，動(dòng)量設(shè)置為0.9，權(quán)重衰減設(shè)置為0.005.

3.5 熱斑缺陷檢測(cè)實(shí)驗(yàn)結(jié)果分析

在測(cè)試過(guò)程中，使用本文的熱斑缺陷檢測(cè)模型在167 張測(cè)試圖片上進(jìn)行測(cè)試，其中自然熱斑缺陷數(shù)量為115 個(gè)，模擬熱斑缺陷為108 個(gè).對(duì)模擬熱斑、自然熱斑的實(shí)際數(shù)量、正確檢測(cè)個(gè)數(shù)、漏檢個(gè)數(shù)、誤檢個(gè)數(shù)統(tǒng)計(jì)結(jié)果如表3所示.可以看出，對(duì)模擬熱斑的檢測(cè)效果相對(duì)自然熱斑的檢測(cè)效果要好，模擬熱斑的漏檢個(gè)數(shù)為2，誤檢個(gè)數(shù)為0；自然熱斑的漏檢個(gè)數(shù)為4，漏檢個(gè)數(shù)為2.

本文熱斑缺陷檢測(cè)模型在測(cè)試集上的測(cè)試統(tǒng)計(jì)比率表4所示.可以看出本文熱斑缺陷檢測(cè)模型在測(cè)試集上的平均準(zhǔn)確率、平均漏檢率、平均誤檢率分別達(dá)到了97.34%、2.67%、0.87%，該實(shí)驗(yàn)說(shuō)明，使用深度學(xué)習(xí)方法對(duì)光伏組件的熱斑缺陷檢測(cè)是可行的，并從本文測(cè)試集上獲得了良好的效果.

表3 本文熱斑檢測(cè)模型測(cè)試結(jié)果統(tǒng)計(jì)

表4 本文熱斑檢測(cè)模型測(cè)試比率統(tǒng)計(jì)(%)

另外，分別對(duì)原始Faster RCNN、去除預(yù)處理的本文模型與本文熱斑缺陷檢測(cè)模在測(cè)試集上進(jìn)行測(cè)試，計(jì)算三者平均檢測(cè)準(zhǔn)確率、平均檢測(cè)時(shí)間與平均加速比.3 種模型對(duì)比結(jié)果如表5所示.

表5 算法對(duì)比結(jié)果統(tǒng)計(jì)

通過(guò)表5可以看出，去除圖像預(yù)處理的本文模型在測(cè)試集上的平均檢測(cè)準(zhǔn)確率為96.27%，相比原始Faster RCNN 模型提高了3.44%.由于本文的熱斑缺陷檢測(cè)模型加入了圖像預(yù)處理，相比去除預(yù)處理的本文模型的檢測(cè)準(zhǔn)確率進(jìn)一步提升了1.07%，最終在測(cè)試集上的檢測(cè)準(zhǔn)確率達(dá)到97.34%.可以看出對(duì)紅外熱圖像進(jìn)行預(yù)處理是提高熱斑缺陷檢測(cè)準(zhǔn)確率的重要性.由于本文的熱斑缺陷檢測(cè)模型是通過(guò)離線學(xué)習(xí)訓(xùn)練得到的，對(duì)實(shí)際中的檢測(cè)時(shí)間沒(méi)有影響，故本文只統(tǒng)計(jì)了3 種模型的平均加速比，由表5可以看出使用GPU 加速可以有效降低模型的檢測(cè)時(shí)間，提高系統(tǒng)的檢測(cè)效率.另外，從平均檢測(cè)時(shí)間與平均加速比兩方面看上，本文的熱斑缺陷檢測(cè)模型雖然盡管不是最優(yōu)，但對(duì)實(shí)際檢測(cè)影響較小，可以忽略.

本文熱斑缺陷檢測(cè)模型測(cè)試效果示例如圖9所示.

4 結(jié)論與展望

本文模型是結(jié)合圖像預(yù)處理、改進(jìn)特征提取網(wǎng)絡(luò)模型以及調(diào)整錨框選區(qū)方案的在原始的Faster RCNN模型上進(jìn)行了略微的優(yōu)化.然后將自己制作的紅外熱圖像數(shù)據(jù)集在本文模型上訓(xùn)練，提取出熱斑缺陷.實(shí)驗(yàn)證明，本文模型在測(cè)試集上的平均檢測(cè)準(zhǔn)確率可達(dá)97.34%，效果良好.但是本文所涉及到的光伏組件缺陷只是針對(duì)熱斑缺陷，實(shí)際運(yùn)維中光伏組件還會(huì)產(chǎn)生其它類型的缺陷，這是接下來(lái)研究的重點(diǎn)問(wèn)題.

圖9 本文熱斑缺陷檢測(cè)模型測(cè)試效果示例