孫鵬翔，畢 利，王俊杰

（寧夏大學(xué) 信息工程學(xué)院，銀川 750021）

0 引言

“碳中和”工作被列為我國重點(diǎn)任務(wù)之一，作為清潔能源之一的太陽能資源具有極大的開發(fā)潛力。目前，光伏發(fā)電已經(jīng)成為我國新能源開發(fā)的重點(diǎn)扶持項(xiàng)目，其中西北地區(qū)的光伏發(fā)電占比較大。然而西北地區(qū)存在土地沙化且常年多風(fēng)的情況，導(dǎo)致常年風(fēng)沙、揚(yáng)塵天氣居多；同時(shí)，該地區(qū)雨水較少，沙塵積累在光伏板表面的情況較多。積灰對光伏板的輸出功率影響較大［1］，且光伏板表面溫度在積灰狀態(tài)下比清潔狀態(tài)高，當(dāng)局部積灰過大時(shí)，容易形成熱斑，導(dǎo)致部件故障。目前，識別光伏板積灰程度主要依賴于光伏電站現(xiàn)場運(yùn)維人員通過個人觀測，依據(jù)運(yùn)維經(jīng)驗(yàn)來定性積灰程度。該方法過度依賴人工，取決于運(yùn)維人員的個人素質(zhì)，存在準(zhǔn)確性、實(shí)時(shí)性較差的問題，難以滿足分布式光伏發(fā)電系統(tǒng)智能運(yùn)維和組件健康管理的發(fā)展需求。

針對光伏板積灰程度定性與識別的問題，國內(nèi)外學(xué)者展開了多方面的研究。Saidan 等［2］研究表明，暴露在自然環(huán)境下的光伏板，當(dāng)積灰密度達(dá)到0.64 g/m2時(shí)輸出功率降低14.26%。范思遠(yuǎn)等［3］通過多組對照實(shí)驗(yàn)得出積灰對光伏組件能量輸出具有明顯抑制作用，光伏板發(fā)電量與積灰程度呈現(xiàn)指數(shù)型衰減。牛海明等［4］提出光伏板發(fā)電效率與積灰密度呈線性關(guān)系，相對透光率與積灰密度呈對數(shù)關(guān)系，為光伏板積灰程度定性提供了理論依據(jù)。趙波等［5］提出一種電池板積灰狀態(tài)檢測方法，構(gòu)建了電功率損失和積灰時(shí)間變化的漸進(jìn)型預(yù)測模型，從電功率損失的角度對光伏板積程度進(jìn)行了分析；然而實(shí)際應(yīng)用中，不同光伏板存在差異，本身的電功率損失不同，該方法泛化性較弱。吳春華等［6］提出一種不均勻積灰檢測算法，并結(jié)合遺傳算法優(yōu)化控制策略，求解不均勻積灰情況下的光伏板發(fā)電效率的最大優(yōu)化。周曉明等［7］建立了反射光強(qiáng)度與光伏板清潔度的關(guān)系，通過反射光強(qiáng)度分析光伏板積灰程度，最后設(shè)計(jì)并實(shí)現(xiàn)了光反射光伏板清潔度檢測儀，該方法成本開銷較大。綜上所述，傳統(tǒng)方法通過對發(fā)電效率損失和反射光強(qiáng)度進(jìn)行建模，進(jìn)而分析光伏板積灰程度；然而，對某個光伏板的建模分析很難推廣到所有光伏板，泛化性較弱；同時(shí)，采集反射光強(qiáng)度的成本開銷較大，不適用于多電站光伏板數(shù)量較多的真實(shí)運(yùn)維場景。

現(xiàn)場調(diào)研表明，積灰導(dǎo)致光伏板顏色、紋理發(fā)生顯著變化，人工觀測光伏板積灰圖像可初步判定發(fā)電效率損失，為采用圖像識別算法來判定光伏板積灰程度提供了思路［8］。傳統(tǒng)圖像識別技術(shù)依賴人工提取數(shù)據(jù)特征，難以訓(xùn)練大規(guī)模樣本；以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)圖像識別算法，通過自動特征提取和自我學(xué)習(xí)特征訓(xùn)練模型，效率較高［9］。

近年來，基于深度學(xué)習(xí)的圖像識別算法在電力設(shè)備狀態(tài)［10］與缺陷［11］檢測領(lǐng)域廣泛應(yīng)用。趙波等［8］由圖像識別展開研究，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的光伏板積灰狀態(tài)識別模型，采用ResNet50（Residual Network 50），準(zhǔn)確率達(dá)0.81，在實(shí)際運(yùn)維中保證了實(shí)時(shí)性且開銷較小，但識別準(zhǔn)確率難以滿足實(shí)際運(yùn)維的需求。因此，本文提出一種改進(jìn)的深度殘差網(wǎng)絡(luò)光伏板積灰識別模型，主要工作如下：

1）構(gòu)建多電站不同光伏板不同積灰程度的數(shù)據(jù)集，保證模型的泛化能力。

2）通過分解卷積提高模型精度的同時(shí)減少了Conv1 模塊的參數(shù)；對下采樣進(jìn)行微調(diào)，有效避免了特征提取過程中的信息丟失，進(jìn)而增強(qiáng)了模型的表征能力。

3）針對光伏板積灰分布不均、模型關(guān)注區(qū)域存在偏差的問題，融合坐標(biāo)注意力（Coordinate Attention，CA）機(jī)制［12］，增強(qiáng)模型對積灰區(qū)域的關(guān)注。采用監(jiān)督對比學(xué)習(xí)損失函數(shù)，有效提高了光伏板積灰程度識別模型的準(zhǔn)確率。

1 相關(guān)算法

1.1 ResNeXt

ResNet 通過堆疊殘差結(jié)構(gòu)，有效解決了網(wǎng)絡(luò)過深導(dǎo)致的“退化”問題［13］。次代殘差網(wǎng)絡(luò)（NeXt Residual Network，ResNeXt）［14］與ResNet 相比，通過平行堆疊拓?fù)浣Y(jié)構(gòu)替代原始三層卷積的block，在不增加參數(shù)量級的情況下，提高了模型準(zhǔn)確率。ResNeXt 與ResNet 殘差結(jié)構(gòu)對比如圖1 所示。圖1（b）中的group為平行拓?fù)浣Y(jié)構(gòu)堆疊數(shù)量。

圖1 ResNet與ResNeXt殘差結(jié)構(gòu)對比Fig.1 Residual structure comparison of ResNet and ResNeXt

1.2 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

較大卷積核進(jìn)行卷積分解，由小卷積核替代，可以加深網(wǎng)絡(luò)層數(shù)，有效提高網(wǎng)絡(luò)精度［15］；同時(shí)，卷積分解后，相同感受野情況下，參數(shù)更少，計(jì)算復(fù)雜度更低。針對ResNeXt 的Conv1模塊中的大卷積核，為保持輸出特征圖大小相同，采用3組3×3卷積的級聯(lián)替換7×7卷積，如圖2所示。

圖2 Conv1模塊改進(jìn)Fig.2 Conv1 module improvement

ResNeXt 的基礎(chǔ)block 依次為1×1 卷積、3×3 卷積、1×1 卷積；設(shè)置首個1×1 卷積的步長為2，實(shí)現(xiàn)下采樣，如圖3（a）所示。

圖3 下采樣改進(jìn)Fig.3 Down-sampling improvement

事實(shí)上，在第一個卷積進(jìn)行下采樣時(shí)，存在信息丟失的問題。假設(shè)5×5 的特征圖經(jīng)過步長為2、大小為1×1 卷積，將丟失3/5 的信息，如圖4 所示。淺灰色部分為參與卷積運(yùn)算的信息，白色均不參與。針對1×1 卷積下采樣造成信息丟失的問題，對下采樣進(jìn)行微調(diào)，如圖3（b）所示，在3×3 卷積設(shè)置步長為2 進(jìn)行下采樣，防止信息丟失。

圖4 1×1卷積下采樣Fig.4 1×1 convolutional down-sampling

1.3 CA機(jī)制

在圖像特征提取中，注意力機(jī)制可以增強(qiáng)特征選擇?；谖恢玫淖⒁饬C(jī)制有兩種作用方式：一種是通過大尺度核卷積，如SE（Squeeze Excitation）［16］和CBAM（Convolutional Block Attention Module）［17］等；另一種是分解特征圖像，如坐標(biāo)注意力（CA）［12］。

與大尺度核卷積操作獲得空間信息的方式相比，分解特征圖像更能充分利用捕獲到的位置信息，準(zhǔn)確捕獲感興趣的區(qū)域，且有效捕捉通道間的關(guān)系。CA 機(jī)制模塊整體流程如圖5 所示，通過二維全局池操作將特征圖像分解為兩個一維編碼，有效地捕獲位置信息和通道關(guān)系，分析出目標(biāo)的具體位置，輸出相關(guān)特征值。

圖5 CA機(jī)制模塊Fig.5 CA mechanism module

CA 機(jī)制結(jié)構(gòu)通過二維編碼獲得精確的位置信息，包含了坐標(biāo)信息嵌入和坐標(biāo)注意力生成2 步操作，能有效增強(qiáng)深度網(wǎng)絡(luò)的性能。CA 機(jī)制的處理過程中首先分別沿水平和垂直兩個方向?qū)γ總€通道進(jìn)行編碼，計(jì)算過程為：

其中：xc為第c通道的特征圖。得到一對大小為c×1×w和c×h×1 的方向感知特征圖，具體為：

其中：zh為高度為h所有通道的輸出，zw為寬度為w所有通道的輸出，[zh，zw]為沿空間維度繼續(xù)結(jié)合操作，δ為非線性激活函數(shù)，f為對空間信息在水平方向和垂直方向進(jìn)行編碼的中間特征映射。然后沿著水平和垂直兩個維度分解為f h和f w，并使用1×1 卷積變換函數(shù)Fh和Fw分別將f h和f w變換為具有相同通道數(shù)的張量，計(jì)算過程為：

其中：σ為Sigmoid 激活函數(shù)。最后對輸出的gh和gw進(jìn)行擴(kuò)展，作為垂直、水平注意力的維度權(quán)重，輸出的特征圖像為：

其中：和是將gh和gw擴(kuò)展，作為垂直、水平注意力的維度權(quán)重；xc為第c通道的特征圖；yc(i，j)為輸出的注意力加權(quán)后的圖像。

1.4 監(jiān)督對比學(xué)習(xí)損失函數(shù)

隨著對比學(xué)習(xí)的應(yīng)用發(fā)展，自監(jiān)督的表征學(xué)習(xí)也得到了顯著發(fā)展。在自監(jiān)督學(xué)習(xí)過程中，正樣本圖像通常是一個錨節(jié)點(diǎn)的數(shù)據(jù)增強(qiáng)，負(fù)樣本圖像通常從最小批次的訓(xùn)練中選取，標(biāo)簽在這過程中是不可用的。

與自監(jiān)督的方法相反，監(jiān)督的方法可以使用標(biāo)記數(shù)據(jù)從現(xiàn)有的同類示例中生成正樣本圖像，與通常僅僅增加錨節(jié)點(diǎn)所能達(dá)到的效果相比，提供了更多的預(yù)訓(xùn)練可變性。為彌補(bǔ)自監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)之間的差距，使對比學(xué)習(xí)能夠應(yīng)用于監(jiān)督環(huán) 境，Khosla 等［18］提出了 監(jiān)督對 比（Supervised Contrastive，SupCon）學(xué)習(xí)損失函數(shù)，訓(xùn)練過程如圖6 所示。

圖6 監(jiān)督對比學(xué)習(xí)損失函數(shù)Fig.6 SupCon learning loss function

為簡化正樣本圖像選擇的過程，SupCon 利用標(biāo)記數(shù)據(jù)將來自同一類別的所有樣本作為正的樣本集與來自同一個批次剩余樣本的負(fù)的樣本集進(jìn)行對比學(xué)習(xí)。監(jiān)督對比學(xué)習(xí)損失函數(shù)由3 個主要結(jié)構(gòu)組成：數(shù)據(jù)增廣模塊、編碼器模塊和映射模塊。數(shù)據(jù)增廣模塊Aug（·）是對每個輸入樣本x隨機(jī)生成兩個增廣樣本；編碼器模塊Enc（·）是將x和映射為表征向量r=Enc（x）∈RDE，并將r歸一化到RDE（DE=2 048）的單位球面上；映射模塊Proj（·）是將r映射為向量Z=Proj（r）∈RDP（DP=128）。監(jiān)督對比學(xué)習(xí)損失函數(shù)的表達(dá)式為：

1.5 整體網(wǎng)絡(luò)結(jié)構(gòu)

本文改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖7 所示，由注意力（Attention）模塊、Conv1、Conv2、Conv3、Conv4、Conv5 模塊、全連接層以及Softmax 構(gòu)成。

圖7 改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Improved overall network structure

注意力模塊由平均池化、單個1×1 卷積變換、兩個1×1 卷積變換及Sigmoid 模塊組成，輸出結(jié)果作為Attention weights進(jìn)行加權(quán)。

對原始ResNeXt 的Conv1 模塊中大卷積核進(jìn)行分解，采用3 組3×3 卷積的串聯(lián)替代原始7×7 卷積；Conv2、Conv3、Conv4、Conv5 均由1×1 卷積、3×3 卷積、1×1 卷積組成，且平行拓?fù)浣Y(jié)構(gòu)數(shù)量為32。其中：Conv2 模塊堆疊3 次，Conv3 模塊堆疊4 次，Conv4 模塊堆疊6 次，Conv5 模塊堆疊3 次。對原始ResNeXt 結(jié)構(gòu)中的下采樣進(jìn)行微調(diào)，原始下采樣在Conv2、Conv3、Conv4、Conv5 模塊中的首個1×1 卷積進(jìn)行，調(diào)整至Conv2、Conv3、Conv4、Conv5 模塊中的3×3 卷積進(jìn)行下采樣。網(wǎng)絡(luò)層參數(shù)設(shè)置如表1 所示。

表1 網(wǎng)絡(luò)參數(shù)設(shè)置Tab.1 Network parameter setting

表1 中，Attention 模塊的平均池化采用自適應(yīng)平均池化（Adaptive Average Pooling）。與常用平均池化不同，表1 中參數(shù)為池化后的輸出大??；same 表示通過補(bǔ)零操作使輸出尺寸與輸入尺寸一致，stride 為卷積步長。

2 實(shí)驗(yàn)過程

2.1 積灰程度定量分析

針對光伏板積灰程度定量問題，參考文獻(xiàn)［19］，根據(jù)光伏板傳感器采集的功率、溫度數(shù)據(jù)計(jì)算發(fā)電效率損失率。積灰程度與光伏板額定溫度下發(fā)電效率損失率關(guān)系如下：

式（8）中：α為光伏板額定溫度的發(fā)電效率，αd為積灰狀態(tài)額定溫度的發(fā)電效率，αp為不同積灰程度下的發(fā)電效率損失率。式（9）中：Pmax為額定溫度、輻照度下的最大輸出功率；Tb為光伏板實(shí)時(shí)溫度，Ts為額定溫度；R為光伏板功率溫度系數(shù)；Ai為光伏板面積；Fn為輻照度。

根據(jù)發(fā)電效率損失率均值，劃分4 個等級的光伏板積灰程度，如圖8 所示。

圖8 光伏板積灰程度分類Fig.8 Classification of dust accumulation degree of photovoltaic panel

圖8 中，發(fā)電效率損失率αp≤8 為干凈，8＜αp≤12 為輕度積灰，12＜αp≤16 為中度積灰，αp＞16 為重度積灰。

2.2 數(shù)據(jù)制備及增廣

實(shí)驗(yàn)數(shù)據(jù)來源于寧夏中科嘉業(yè)新能源研究院，采集2021年3—7 月光伏板不同程度積灰圖像，采集手段包括電站攝像頭拍攝和運(yùn)維人員人工拍攝。采集多個電站數(shù)據(jù)，過濾因模糊、過暗等因素形成的無效圖像；同時(shí)，為保證樣本分布均衡，根據(jù)積灰程度定量分析結(jié)果，篩選出4 類共計(jì)800 幅圖像，保持每個類別樣本數(shù)相同。

由于實(shí)驗(yàn)數(shù)據(jù)較少，為防止過擬合現(xiàn)象，采用隨機(jī)縮放、隨機(jī)旋轉(zhuǎn)、隨機(jī)裁剪、平移變換、增強(qiáng)或減弱對比度、高斯噪聲進(jìn)行圖像增廣，如圖9 所示。

圖9 圖像增廣Fig.9 Image augmentation

經(jīng)圖像增廣后，光伏板積灰數(shù)據(jù)集共計(jì)22 400 幅，每個類別5 600 幅，可有效防止過擬合現(xiàn)象發(fā)生。

2.3 訓(xùn)練參數(shù)設(shè)置

訓(xùn)練集和測試集按照8∶2 劃分，實(shí)驗(yàn)采用Ubuntu 操作系統(tǒng)，Intel i5-6600 處理器，16 GB 內(nèi) 存，GPU 為NVIDIA RTX2080 平臺，程序基于PyTorch1.8.0 環(huán)境采用Python 語言編寫。采用隨機(jī)梯度下降法，實(shí)驗(yàn)中batch size 設(shè)置為16，表示每次迭代輸入到模型的樣本數(shù)量為16；學(xué)習(xí)率初始化為0.01，最小學(xué)習(xí)率為0.000 1，最大迭代次數(shù)為800，學(xué)習(xí)率更新策略為預(yù)熱階段（warm-up）采用一維線性插值法，預(yù)熱階段后采用余弦退火算法［20］，學(xué)習(xí)率更新的偽代碼如算法1所示。

算法1 學(xué)習(xí)率更新算法。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 分解卷積和微調(diào)下采樣對模型性能影響

為驗(yàn)證網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)對模型性能的影響，分別設(shè)置分解卷積和微調(diào)下采樣的對照實(shí)驗(yàn)，分解卷積實(shí)驗(yàn)結(jié)果如表2 所示，微調(diào)下采樣實(shí)驗(yàn)結(jié)果如表3 所示。

表2 中，原始Conv1 為7×7 卷積，借鑒Inception 系列設(shè)計(jì)思路，采用3 組3×3 卷積的級聯(lián)替換7×7 卷積。與原始Conv1相比，分解卷積Conv1 參數(shù)減少81%，識別精度提升了1.2 個百分點(diǎn)，有效提高識別準(zhǔn)確率的同時(shí)降低了計(jì)算復(fù)雜度。

表2 分解卷積的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of decomposition convolution

表3 中，原始ResNeXt 在首個1×1 卷積進(jìn)行下采樣，對下采樣進(jìn)行微調(diào)，將原始首個1×1 卷積時(shí)下采樣調(diào)整為3×3 卷積時(shí)下采樣，有效避免特征提取過程中的信息丟失問題。與原始ResNeXt 相比，下采樣微調(diào)ResNeXt 的準(zhǔn)確率提高了1.6 個百分點(diǎn)。

表3 下采樣微調(diào)實(shí)驗(yàn)結(jié)果Tab.3 Experimental results of down-sampling fine-tuning

3.2 注意力機(jī)制對模型性能影響

為驗(yàn)證注意力機(jī)制對模型的影響，在網(wǎng)絡(luò)結(jié)構(gòu)的不同位置嵌入注意力模塊，如圖10 所示。

圖10 不同位置嵌入注意力模塊Fig.10 Attention modules embedded in different positions

圖10 中，（a）為原始模型結(jié)構(gòu)，（b）～（f）分別為不同位置嵌入注意力模塊，實(shí)驗(yàn)結(jié)果如表4。

表4 中，針對不同位置嵌入注意力模塊，模型識別準(zhǔn)確率有不同程度提升，其中，ResNeXt-CA（b）模型效果最佳，與原始ResNeXt 相比，ResNeXt-CA（b）的準(zhǔn)確率提升了2.3 個百分點(diǎn)。

表4 不同位置嵌入CA注意力模塊的實(shí)驗(yàn)結(jié)果Tab.4 Experimental results of embedding CA attention module in different positions

為進(jìn)一步探究CA 機(jī)制對模型性能的影響，采用類激活可視化（Gradient-Class Activation Map，Grad-CAM）［21-22］的方法對模型的識別性能進(jìn)行驗(yàn)證。該方法通過熱力圖，可視化模型識別圖像類別的依據(jù)，可清晰地說明類激活圖與識別分類的映射關(guān)系。

不同位置嵌入CA 機(jī)制的熱圖對比如圖11 所示，其中，熱圖中高亮的區(qū)域?yàn)轭A(yù)測類別的相關(guān)區(qū)域。

圖11 中，在光伏板積灰分布不均的場景下，原始ResNeXt 模型對積灰區(qū)域的關(guān)注存在偏差。針對這一問題，融合CA 后，關(guān)注偏差問題得到改善；同時(shí)，不同位置嵌入CA，對積灰區(qū)域的關(guān)注表現(xiàn)存在差異，其中，ResNeXt-CA（b）相較于其他模型對積灰區(qū)域更關(guān)注，進(jìn)而模型對圖像的識別更精準(zhǔn)。

圖11 不同位置嵌入CA注意力熱圖Fig.11 Heat maps of CA attention embedded in different positions

為驗(yàn)證本文采用的CA 機(jī)制優(yōu)于傳統(tǒng)注意力機(jī)制，設(shè)置對照實(shí)驗(yàn)，分別與SE 注意力［16］和CBAM［17］注意力對比，實(shí)驗(yàn)結(jié)果如表5 所示。

表5 中，針對嵌入不同注意力機(jī)制，模型準(zhǔn)確率有不同程度提升，其中，本文采用的ResNeXt-CA（b）效果最佳，與ResNeXt-CBAM 相比，準(zhǔn)確率提升了0.7 個百分點(diǎn)，達(dá)85.8%。

表5 不同注意力機(jī)制的實(shí)驗(yàn)結(jié)果 單位：%Tab.5 Experimental results of different attention mechanisms unit：%

3.3 監(jiān)督對比學(xué)習(xí)損失函數(shù)對模型性能影響

為驗(yàn)證監(jiān)督對比學(xué)習(xí)損失函數(shù)對模型的影響，設(shè)置對照實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表6 所示，與采用交叉熵?fù)p失函數(shù)的ResNeXt 模型相比，采用SupCon 損失函數(shù)的ResNeXt 模型識別準(zhǔn)確率提高了2.1 個百分點(diǎn)。

表6 SupCon學(xué)習(xí)損失函數(shù)的實(shí)驗(yàn)結(jié)果 單位：%Tab.6 Experimental results of SupCon learning loss function unit：%

3.4 不同網(wǎng)絡(luò)模型對比分析

為驗(yàn)證改進(jìn)后的ResNeXt50 模型，在光伏板積灰程度識別中優(yōu)于常用的深度學(xué)習(xí)算法和傳統(tǒng)識別算法，設(shè)置多組對照實(shí)驗(yàn)，分別與隨機(jī)森林、K近鄰（K-Nearest Neighbors，KNN）、支持向量機(jī)（Support Vector Machine，SVM）、ResNeXt50［14］、ResNet50［13］、MobileNetV3［23］、InceptionV3［15］和Inception-ResNetV2［24］進(jìn)行對比，實(shí)驗(yàn)結(jié)果如表7 所示。

表7 中，與原始ResNeXt50 相比，改進(jìn)后的ResNeXt50 識別準(zhǔn)確率提升了7.2 個百分點(diǎn)，與Inception-ResNetV2、InceptionV3、MobileNetV3、ResNet50 相比，分別提升了4.8 個百分點(diǎn)、6.5 個百分點(diǎn)、6.8 個百分點(diǎn)和8.9 個百分點(diǎn)。在光伏板積灰程度識別中，優(yōu)于大部分主流模型，基本滿足光伏電站智能運(yùn)維的需求。

表7 不同模型的實(shí)驗(yàn)結(jié)果 單位：%Tab.7 Experimental results of different models unit：%

3.5 模型消耗對比

相較于原始ResNeXt50，改進(jìn)后的ResNeXt50 模型參數(shù)量增加0.5 MB，單張圖像的推理時(shí)間增加0.2 ms，模型訓(xùn)練時(shí)間增加1.3 min。兩個個模型的消耗對比如表8 所示。

表8 模型消耗對比Tab.8 Comparison of model consumption

4 結(jié)語

針對光伏板積灰程度識別準(zhǔn)確率較低的問題，本文在ResNeXt50 的基礎(chǔ)上進(jìn)行改進(jìn)，通過分解卷積和微調(diào)下采樣增強(qiáng)模型表征能力；同時(shí)，針對光伏板積灰分布不均，模型關(guān)注區(qū)域存在偏差，融合CA 機(jī)制，增強(qiáng)模型對積灰區(qū)域的關(guān)注表示；最后采用監(jiān)督對比學(xué)習(xí)損失函數(shù)，提升了識別的準(zhǔn)確性。

目前，受現(xiàn)場環(huán)境影響，采集的部分光伏板積灰圖像質(zhì)量較差，進(jìn)而導(dǎo)致識別精度降低，后續(xù)研究將通過去噪、去霧等圖像處理技術(shù)提高采集圖像的質(zhì)量，提升模型在復(fù)雜環(huán)境下的識別準(zhǔn)確率。