陳詩(shī)坤，盧簫揚(yáng)，馮 鍇

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350108）

0 引 言

近年來(lái)，太陽(yáng)能作為一種可再生能源，憑借無(wú)污染、安全發(fā)電、無(wú)噪音運(yùn)行和低安裝成本等優(yōu)點(diǎn)得到了快速發(fā)展［1-2］。然而，光伏性能的可靠性受實(shí)際運(yùn)行中各種故障的影響［3］。在這些故障中，由光伏周圍建筑物、樹木、落葉、鳥類污染物以及灰塵等引起的陰影故障最常見［4］。陰影對(duì)光伏的影響并非恒定不變。研究發(fā)現(xiàn)，部分陰影達(dá)到20%時(shí)，光伏輸出功率可下降到17.65%。事實(shí)上，部分陰影已導(dǎo)致每年10%～20%的電力生產(chǎn)損失［5-6］。此外，光伏組件上存在局部陰影會(huì)導(dǎo)致陰影單元過熱。

視覺檢測(cè)方法可以無(wú)接觸、無(wú)損地監(jiān)測(cè)光伏系統(tǒng)，且快速簡(jiǎn)便地提供位置信息，因此在光伏監(jiān)測(cè)研究上優(yōu)勢(shì)明顯［7］。此外，近年來(lái)快速發(fā)展的卷積神經(jīng)網(wǎng)絡(luò)，在圖像分類和目標(biāo)檢測(cè)等視覺識(shí)別任務(wù)中表現(xiàn)優(yōu)秀，因此已有大量研究將其應(yīng)用于光伏故障檢測(cè)［8-11］。

本文為提供更精準(zhǔn)的光伏陣列監(jiān)測(cè)狀態(tài)信息，基于CenterNet 網(wǎng)絡(luò)通過遷移學(xué)習(xí)訓(xùn)練了可見光遮蓋物檢測(cè)模型，實(shí)現(xiàn)了對(duì)不同光照方向、不同遠(yuǎn)近距離及不同遮擋程度等條件下對(duì)光伏陣列遮蓋物的準(zhǔn)確檢測(cè)，為光伏陣列健康狀態(tài)監(jiān)測(cè)提供了可靠參考。

1 CenterNet 網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)簡(jiǎn)介

CenterNet 是Zhou 等 人 于2019 年 提 出 的［12］，相 比 于One-stage（如YOLO）和Two-stage（如Faster R-CNN）等目標(biāo)檢測(cè)網(wǎng)絡(luò)，提供了一種更簡(jiǎn)潔的思路。該網(wǎng)絡(luò)通過主網(wǎng)絡(luò)得到了一個(gè)熱力圖，根據(jù)熱力圖提取峰值中心點(diǎn)，再根據(jù)中心點(diǎn)回歸目標(biāo)的尺寸、位置等。該網(wǎng)絡(luò)是無(wú)錨點(diǎn)目標(biāo)檢測(cè)網(wǎng)絡(luò)，不需要提前設(shè)置錨點(diǎn)的超參數(shù)和區(qū)分正負(fù)樣本，大大降低了模型的計(jì)算量和訓(xùn)練時(shí)間，在速度和精度上優(yōu)勢(shì)明顯。主網(wǎng)絡(luò)采用ResNet50提取圖片特征［13］。為了滿足原網(wǎng)絡(luò)下采樣因子為4 的要求，ResNet50的輸出需經(jīng)過3個(gè)反卷積模塊對(duì)特征圖進(jìn)行上采樣。整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖1 所示。

圖1 CenterNet 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2 損失函數(shù)

損失函數(shù)包括中心點(diǎn)損失Lk、目標(biāo)大小損失Lsize和中心偏置損失Loff這3 個(gè)部分，因此整體損失L可表示為：

式中，λsize=0.1，λoff=1。

中心點(diǎn)損失Lk、目標(biāo)大小損失Lsize和中心偏置損失Loff這3 項(xiàng)損失分別為：

式中：α=2；β=4；N為圖像關(guān)鍵點(diǎn)數(shù)量；為預(yù)測(cè)值；Yxyc為標(biāo)注真實(shí)值；

為預(yù)測(cè)尺寸；sk為真實(shí)尺寸；R為下采樣因子，取值為4；p為目標(biāo)中心點(diǎn)坐標(biāo)；預(yù)測(cè)偏移值；為目標(biāo)縮放后中心點(diǎn)的近似整數(shù)坐標(biāo)。

2 總體模型設(shè)計(jì)

基于CenterNet 訓(xùn)練和檢測(cè)光伏陣列遮蓋物檢測(cè)模型的流程圖，如圖2 所示。

圖2 模型流程圖

2.1 圖像獲取和預(yù)處理

獲取的光伏陣列可見光圖像數(shù)據(jù)經(jīng)過圖像預(yù)處理再輸入模型訓(xùn)練。圖像預(yù)處理包括目標(biāo)標(biāo)注和數(shù)據(jù)增強(qiáng)。目標(biāo)標(biāo)注是標(biāo)注目標(biāo)的回歸框和類別信息?；貧w框是矩形框由矩形左上角坐標(biāo)、長(zhǎng)度和高度構(gòu)成?？梢姽鈭D像數(shù)據(jù)標(biāo)注的目標(biāo)類別為遮蓋物類別。研究中所檢測(cè)的區(qū)域在圖像任意位置都有可能，因此采用隨機(jī)鏡像翻轉(zhuǎn)和光度扭曲實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，以增加訓(xùn)練數(shù)據(jù)，更好地實(shí)現(xiàn)模型訓(xùn)練。

2.2 模型訓(xùn)練與檢測(cè)過程

遮蓋物檢測(cè)模型通過遷移學(xué)習(xí)，初始化主網(wǎng)絡(luò)ResNet50 和上采樣的預(yù)訓(xùn)練模型，加快模型訓(xùn)練。模型訓(xùn)練采用分步訓(xùn)練，先凍結(jié)預(yù)訓(xùn)練模型初始化的參數(shù)進(jìn)行訓(xùn)練，收斂時(shí)再解除凍結(jié)整個(gè)網(wǎng)絡(luò)訓(xùn)練，最終保存損失最小和最后一個(gè)Epoch 的模型。檢測(cè)階段輸入測(cè)試樣本到訓(xùn)練好的模型，通過模型檢測(cè)遮蓋物的類別、位置及框出遮蓋物大小。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)條件

實(shí)驗(yàn)所采用的光伏陣列如圖3 所示，包括3 個(gè)組串和2 個(gè)參考板組件。每個(gè)組串由6 個(gè)光伏組件串聯(lián)，3 個(gè)組串組成工作的光伏陣列。模型在基于Pytorch 的框架上搭建，其中torch 版本為1.3.1，語(yǔ)言環(huán)境Python3.6，硬件環(huán)境中CPU 為Intel i9-9900k，GPU 型號(hào)為GTX 2080Ti，顯存11 GB。

3.2 樣本集構(gòu)建

實(shí)驗(yàn)數(shù)據(jù)中的故障由模擬產(chǎn)生，如圖4 所示，通過硬紙片、樹葉和細(xì)沙模擬硬性陰影。數(shù)據(jù)采集采取多角度、不同高度及距離進(jìn)行多樣化多尺度的拍攝，以更好地體現(xiàn)模型的魯棒性。實(shí)驗(yàn)共采集數(shù)據(jù)389 張，部分樣本如圖5 所示。實(shí)驗(yàn)數(shù)據(jù)中包括449 個(gè)硬紙片類（標(biāo)注為hard_paper）、394 個(gè)樹葉類（標(biāo)注為leaf）和339 個(gè)細(xì)沙類（標(biāo)注為sandy_soil）。訓(xùn)練集、驗(yàn)證集和測(cè)試集之比為8:1:1。

圖3 實(shí)驗(yàn)光伏系統(tǒng)

圖4 故障模擬示意圖

圖5 部分樣本數(shù)據(jù)示例圖

3.3 結(jié)果分析與對(duì)比實(shí)驗(yàn)

為評(píng)價(jià)模型對(duì)遮蓋物的檢測(cè)效果，評(píng)價(jià)指標(biāo)采用目標(biāo)檢測(cè)算法常用的指標(biāo)AP、mAP以及檢測(cè)速度。其中，AP表示某一類的平均檢測(cè)精度，mAP為所有類別的均值，平均檢測(cè)速度代表模型平均檢測(cè)一張圖片需要的時(shí)間。為了更好地評(píng)價(jià)CenterNet 的模型，搭建了YOLOV3 和Faster R-CNN 網(wǎng)絡(luò)進(jìn)行對(duì)比，實(shí)驗(yàn)對(duì)比結(jié)果如表1 所示。

從結(jié)果看，CenterNet 在遮蓋物檢測(cè)中mAP比YOLOV3 高 出22%，比Faster R-CNN 高5%。其中，硬紙片類AP最高為0.89，比YOLOV3 高8%，比Faster R-CNN 高9%。另外CenterNet 模型的平均檢測(cè)速度為16 ms，比YOLOV3 算法快了2 倍多，比Faster R-CNN 算法則快了超19 倍?？梢?，CenterNet 網(wǎng)絡(luò)模型精度更高，檢測(cè)速度更快，實(shí)時(shí)性效果更好。部分檢測(cè)效果如圖6 所示。

表1 實(shí)驗(yàn)對(duì)比結(jié)果

圖6 檢測(cè)結(jié)果示意圖

4 結(jié) 語(yǔ)

本文提出的基于CenterNet 的光伏陣列遮蓋物檢測(cè)方法，通過可見光圖像很好地檢測(cè)了遮蓋物，為光伏運(yùn)維提供了有效保障。實(shí)驗(yàn)結(jié)果表明，在不同光照方向、不同遠(yuǎn)近程度和不同遮蓋程度的光伏陣列實(shí)驗(yàn)數(shù)據(jù)中，該方法比YOLOV3 和Faster R-CNN 兩個(gè)對(duì)比算法的平均檢測(cè)精度高且檢測(cè)速度快。該方法不僅能更有效檢測(cè)多種類遮蓋物，而且實(shí)時(shí)性較強(qiáng)，在實(shí)際應(yīng)用中可以配合無(wú)人機(jī)對(duì)光伏陣列遮蓋物進(jìn)行實(shí)時(shí)巡檢。