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(shí)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(gè)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(gè)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(shí)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(gè)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(shí)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(shí)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(shí)別算法，通過自動(dòng)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(shí)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(shí)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(shí)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(shí)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(shí)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(shí)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(jí)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(jí)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(gè)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(gè)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。基于位置的注意力機(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(gè)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(gè)方向?qū)γ總€(gè)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(gè)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(gè)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(gè)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(gè)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(gè)輸入樣本x隨機(jī)生成兩個(gè)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(gè)1×1 卷積變換、兩個(gè)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(gè)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(gè)等級(jí)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(gè)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(gè)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(gè)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(tái)，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(jí)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(shí)別精度提升了1.2 個(gè)百分點(diǎn)，有效提高識(shí)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(gè)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(gè)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(gè)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(shí)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(gè)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(shí)別性能進(jìn)行驗(yàn)證。該方法通過熱力圖，可視化模型識(shí)別圖像類別的依據(jù)，可清晰地說明類激活圖與識(shí)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(shí)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(gè)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(shí)別準(zhǔn)確率提高了2.1 個(gè)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(shí)別中優(yōu)于常用的深度學(xué)習(xí)算法和傳統(tǒng)識(shí)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(shí)別準(zhǔn)確率提升了7.2 個(gè)百分點(diǎn)，與Inception-ResNetV2、InceptionV3、MobileNetV3、ResNet50 相比，分別提升了4.8 個(gè)百分點(diǎn)、6.5 個(gè)百分點(diǎn)、6.8 個(gè)百分點(diǎn)和8.9 個(gè)百分點(diǎn)。在光伏板積灰程度識(shí)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(gè)個(gè)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(shí)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(shí)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(shí)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(shí)別準(zhǔn)確率。