基于残差网络的光伏红外图像热斑识别方法
时间：2023-06-06 13:30:39 来源：雅意学习网 本文已影响 人 
贾帅男
基于残差网络的光伏红外图像热斑识别方法
贾帅男
（唐山学院 计算机科学与技术系，河北 唐山 063000）
为了更有效地实现光伏阵列中热斑故障的识别，提出了一种残差结构和多尺度卷积的卷积神经网络模型算法。首先对光伏红外图像进行图像滤波，消除干扰信息，然后用等距分割方法提取光伏组件单元，最后利用改进的模型提取丰富的图像特征，完成红外图像热斑识别。实验结果表明，改进后的算法识别准确率优于原来的模型算法。
光伏热斑；
红外图像；
卷积神经网路；
图像识别
为提高光伏发电站的使用寿命，避免设备出现损害等事故，保证光伏发电的安全有效的运行，对光伏发电系统进行可靠的故障检测至关重要[1]。针对光伏阵列的热斑故障研究，国内外研究学者所采用的方法大致分为两种：一种是基于故障状态下的电流、电压等电气特性下的变化进行热斑检测[2-5]；
另一种是基于光伏红外图像，利用图像处理技术对热斑进行检测识别[6-8]。张晓娜等人提出利用多传感器数据融合采集光伏组件的输出数据，通过分析光伏组件各个小块的电压波动情况，提高热斑检测效率和准确率，但需要人工调整故障因子和区域维数[9]。Hachana等人利用数学模型预测光伏阵列输出，并与实际输出进行比对之后，进行故障诊断，但准确率过多依赖阵列数学模型的精度[10]。Tsanakas等人采用传统的图像处理算法检测热斑故障，通过Canny边缘检测算法统计出所有热斑故障存在的区域，并利用直方图分析获得区域的分布情况，最终完成热斑检测，但需要人工对图像的背景进行分割[11]。
针对红外图像细节信息不显著，以及红外图像存在噪声大的光伏红外图像特性，本研究通过在残差结构中增加多个卷积核，并使用激活函数，创建出一种网络模型，将其应用到光伏阵列的故障检测中。
在红外图像的采集过程中，会存在各种自然因素的干扰，影响光伏红外图像质量，进而影响模型的特征提取，导致模型检测效果变差。
在光伏电站图像去噪过程中，常采用高斯滤波，但在高斯滤波中，只考虑了周围像素点的位置信息，在去除噪声的同时，还会将图像的边缘处理的模糊。为了较好地保留图像的纹理、边缘等特征，本文采用既能够滤除高斯滤波，又能保留图像边缘信息的双边滤波的方案。双边滤波的基本思想是同时考虑像素的空域信息和值域信息两方面的因素，根据像素值对要进行滤波的邻域实现分情况处理，对于不同点的情况进行不同权重的叠加，再针对邻域进行加权求和运算，以此来得到最终的结果。双边滤波器的定义如下：
式中，(,)为输出的像素值；
(,)为其中一个像素点的坐标，(,)为另一个像素点的坐标，(,,,)为滤波核，(,,,)为空域核，(,,,)为值域核。两个滤波核形式如下：
空域核为
式中，d为空域高斯函数的标准差，空域核函数是根据像素的空间距离决定权重的大小，距离与权重呈负相关。
值域核为
式中，σ为值域高斯函数的标准差，值域核函数则是根据像素之间的差异情况来决定权值，差异越小，权值越大。
加权系数(,,,)由空域核和值域核的乘积决定，表示如下：
针对选用的图像数据集的模糊、色彩渐变的特点，选用了大的滤波领域直径、值域标准差和空域标准差。滤波效果如图1所示。
完成图像滤波后，依据图像的规则排布的特点，采用等距分割方法，将红外光伏板图像分割成多个光伏组件单元。根据数据集总体特征，选取了五类特征明显的光伏组件单元作为光伏组件不同时期的工作状态，依据特征情况将不同特征的单元进行区分和保存。
图1 图像效果对比图
在模型开始训练之前，对数据集使用图像增强技术。图像增强可以对图像进行随机旋转、水平移动、竖直移动等操作，丰富样本数据集，实现数据集批量生成，泛化模型。之后，将数据集进行归一化，对数据集进行模型训练，优化热斑识别效果，并对测试数据集进行诊断识别。数据增强部分效果如图2所示。
图2 数据增强部分效果图
随着卷积神经网路的快速发展，目前，不少学者开始利用卷积神经网络来进行红外图像的处理和目标检测[12-16]。基于残差网络的思想，本文采用同时提高模型宽度和深度的方法来提高网络质量，改进了一种带有多卷积核的残差模块，两个改进后的残差单元分别为
和
。
改进后的残差网络结构如图3所示。
通过增加不同尺度的卷积核，可以获取更丰富的图像特征，采用3个3*3的卷积核，相较于7*7的卷积核，参数可以减少一半，保证了网络能够获得足够信息，增强适应性，提升模型学习能力。
3.1 数据集
本文采用的红外光伏图像数据集，来源于某光伏电场。光伏板红外图像由6*10个光伏组件单元组合而成，如图4所示。
从图4可以看出，热斑具有面积小，灰度值较高，边缘区域较明显等特点，因此将光伏组件单元作为识别热斑的最小区域单元，可以更好地识别热斑。
数据集中光伏红外图像色彩与红外辐射量具有映射关系，因此对光伏组件单元的工作状态进行了定性分析，效果如图5所示。
图4 光伏红外图
图5 光伏组件单元状态
将光伏组件单元的工作状态划分成5类，作为本实验的数据集。训练集的样本各类数量如表1所示。
表1 光伏红外图像图片数量
3.2 与其他算法的对比
对于不同模型的性能进行比较，效果如表2所示。
表2 模型对比效果表
根据表中信息可以看出，改进后的模型
的准确率最高，优于另外两种算法，而且相较于其他两种算法，
的图像特征提取能力更好。
针对光伏阵列中热斑故障的识别精度问题，提出了一种基于改进残差结构的卷积神经网络检测算法模型，该模型由图像预处理和模型检测两部分构成，能够实现对红外图像热斑的检测、热斑严重程度的分类和识别。
[1] 王欢,徐小力.一种新型光伏阵列在线故障检测方法研究[J].仪器仪表学报,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] 王亚东.光伏电站晶硅组件热斑故障诊断研究[D].扬州:扬州大学,2017:16-48.
[4] 毕锐,丁明,徐志成,等.基于模糊C均值聚类的光伏阵列故障诊断方法[J].太阳能学报,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] 蒋琳,苏建徽,施永,等.基于红外热图像处理的光伏阵列热斑检测方法[J].太阳能学报,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,郑诗程.基于红外图像的太阳能光伏阵列故障分析[J].太阳能学报,2010,31(2):197-202.
[9] 张晓娜,高德东,刘海雄,等.一种新型光伏阵列多传感器故障检测定位方法[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] 车曦.基于红外图像识别的光伏组件热斑故障检测方法研究[D].重庆:重庆大学,2015:12-47.
[13] 王东.红外小目标检测与跟踪算法研究[D].武汉:华中科技大学,2017:16-57.
[14] 姚瑶.基于时空显著性的红外目标检测与跟踪方法研究[D].大连:大连理工大学,2018:6-44.
[15] 张祥东,王腾军,杨耘.基于多尺度残差网络的小样本高光谱图像分类[J].激光与光电子学进展,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
贾帅男（2000-），男，河北衡水人，本科生，研究方向为计算机技术、深度学习。
（责任编辑、校对：田敬军）
猜你喜欢 残差红外滤波 基于残差-注意力和LSTM的心律失常心拍分类方法研究成都信息工程大学学报(2022年2期)2022-06-14基于双向GRU与残差拟合的车辆跟驰建模网络安全与数据管理(2022年3期)2022-05-23网红外卖环球时报(2022-05-23)2022-05-23闪亮的中国红外『芯』金桥(2021年4期)2021-05-21基于残差学习的自适应无人机目标跟踪算法北京航空航天大学学报(2020年10期)2020-11-14基于深度卷积的残差三生网络研究与应用北京航空航天大学学报(2019年9期)2019-10-268路红外遥控电路电子制作(2019年7期)2019-04-25TS系列红外传感器在嵌入式控制系统中的应用电子制作(2019年7期)2019-04-25基于EKF滤波的UWB无人机室内定位研究电子制作(2018年16期)2018-09-26RTS平滑滤波在事后姿态确定中的应用空间控制技术与应用(2015年3期)2015-06-05
