收稿日期：2021-12-01

基金項(xiàng)目：國(guó)家自然科學(xué)基金（12172210；61502297）

通信作者：李 峰（1978—），男，博士、講師、碩士生導(dǎo)師，主要從事高電壓及其絕緣、液體與氣體放電等方面的研究。lifeng@shiep.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2021-1470 文章編號(hào)：0254-0096（2023）04-0420-06

摘 要：光伏組件在運(yùn)行過程中可能出現(xiàn)“熱斑效應(yīng)”，為及時(shí)檢測(cè)熱斑，提出一種基于SSD改進(jìn)的熱斑缺陷檢測(cè)方法。將SSD骨干神經(jīng)網(wǎng)絡(luò)更換為ResNet 101，并提出一種新型注意力網(wǎng)絡(luò)，該網(wǎng)絡(luò)能學(xué)習(xí)同一通道特征圖區(qū)域間關(guān)系。實(shí)驗(yàn)表明：改進(jìn)后的SSD 300模型average precision 50（AP50）由96.3%提升至97.7%。針對(duì)熱斑缺陷紅外圖像稀少的問題，提出一種新型圖像增強(qiáng)方法，擴(kuò)充熱斑紅外圖像數(shù)據(jù)集，改進(jìn)SSD 300模型AP50進(jìn)一步提升至97.9%，且檢測(cè)速率仍達(dá)到23.6 FPS，該方法基本滿足實(shí)際應(yīng)用需求。

關(guān)鍵詞：光伏組件；深度學(xué)習(xí)；目標(biāo)檢測(cè)；紅外圖像；SSD；熱斑

中圖分類號(hào)：TK514 """"""" """"" 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏組件在陰影、裂痕、環(huán)境垃圾等因素的作用下，局部電阻增大，產(chǎn)生溫度差異，這就是“熱斑效應(yīng)”。嚴(yán)重情況下，熱斑會(huì)導(dǎo)致火災(zāi)等問題出現(xiàn)。

為及時(shí)檢測(cè)出熱斑，國(guó)內(nèi)外學(xué)者進(jìn)行了深入研究，這些研究大致分為基于電氣與計(jì)算機(jī)視覺兩類。劉恒等［1］提出構(gòu)建反偏模型并分析常見各類故障的I-V特征，實(shí)現(xiàn)基于I-V特性診斷包括熱斑在內(nèi)常見故障的方法；云平等［2］提出對(duì)I-V曲線特定區(qū)間內(nèi)擬合，確定熱斑的特征參數(shù)，從而判定熱斑是否發(fā)生；蔣琳等［3］提出基于灰度直方圖的B樣條最小二乘法減輕噪聲帶來的干擾，并通過Canny算子實(shí)現(xiàn)熱斑檢測(cè)；王阿勇等［4］提出將光伏組件紅外圖像進(jìn)行拼接，并根據(jù)紅外圖像呈現(xiàn)周期性的特點(diǎn)進(jìn)行在線檢測(cè)。相較于傳統(tǒng)計(jì)算機(jī)視覺方法，深度學(xué)習(xí)具有檢測(cè)性能好、魯棒性強(qiáng)的優(yōu)點(diǎn)，已有學(xué)者開始基于深度學(xué)習(xí)的熱斑診斷研究，位碩權(quán)［5］使用無人機(jī)對(duì)光伏陣列采集紅外圖像，提出通過Faster RCNN（faster region with convolutional neural networks）［6］檢測(cè)熱斑缺陷故障。

現(xiàn)階段基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法主要分為RetinaNet［7］、SSD（single shot multibox detector）［8］等基于錨框的算法，以及CornerNet［9］等通過像素直接獲取檢測(cè)框的算法。此類目標(biāo)檢測(cè)算法皆依托大量訓(xùn)練數(shù)據(jù)擬合，而熱斑紅外圖像相對(duì)稀缺，且暫無相關(guān)開源數(shù)據(jù)集。為解決這一問題，本文提出一種新型的數(shù)據(jù)增強(qiáng)方法，實(shí)驗(yàn)表明：該方法能提高各類熱斑檢測(cè)模型的精度與魯棒性。同時(shí)，基于SSD目標(biāo)檢測(cè)模型，將VGG-16（visual geometry group-16）［10］更換為殘差網(wǎng)絡(luò)ResNet（residual network）101［11］，并提出一種新型注意力網(wǎng)絡(luò)，該網(wǎng)絡(luò)能學(xué)習(xí)同一特征圖內(nèi)區(qū)塊間關(guān)系，進(jìn)一步提升熱斑缺陷檢測(cè)精度。

1 相關(guān)工作介紹

1.1 智能熱斑診斷研究現(xiàn)狀

基于視覺的熱斑診斷方法僅需使用紅外相機(jī)采集圖像，結(jié)合相關(guān)計(jì)算設(shè)備進(jìn)行檢測(cè)，有成本低廉的優(yōu)點(diǎn)，加之深度學(xué)習(xí)的目標(biāo)檢測(cè)算法有較為優(yōu)秀的檢測(cè)精度與魯棒性，有較多學(xué)者開始關(guān)注智能熱斑診斷方法的研究。

Faster RCNN是一種二階段目標(biāo)檢測(cè)算法，該算法對(duì)小目標(biāo)有著優(yōu)秀的檢測(cè)性能，現(xiàn)階段的智能熱斑診斷方法也主要圍繞Faster RCNN展開。如郭夢(mèng)浩等［12］改進(jìn)Faster RCNN錨框選取方案與特征提取網(wǎng)絡(luò)模型，實(shí)現(xiàn)了相對(duì)高效與準(zhǔn)確的熱斑檢測(cè)方法；王道累等［13］使用CycleGAN（cycle-consistent generative adversarial networks）進(jìn)行數(shù)據(jù)增強(qiáng)，并提出一種改進(jìn)的特征金字塔FPN（feature pyramid networks）添加進(jìn)Faster RCNN，使得熱斑診斷的檢測(cè)精度進(jìn)一步提升。此類方法都有相同的缺陷，即Faster RCNN的檢測(cè)速率較低，難以為大型光伏電站提供實(shí)時(shí)檢測(cè)。

SSD是一種常用的單階段目標(biāo)檢測(cè)算法，模型結(jié)構(gòu)如圖1所示，該方法不僅有著單階段檢測(cè)器優(yōu)秀的檢測(cè)速率，同時(shí)具備良好的檢測(cè)精度。該算法主要由骨干卷積層、額外卷積層進(jìn)行特征提取，并使用檢測(cè)頭實(shí)現(xiàn)目標(biāo)定位與分類。

目前基于SSD的熱斑診斷研究相對(duì)較少。文獻(xiàn)［5］提出改進(jìn)SSD的熱斑檢測(cè)算法，該方法調(diào)整了錨框的設(shè)置，并添加特征融合網(wǎng)絡(luò)，提升了SSD對(duì)熱斑檢測(cè)的精度。基于SSD的熱斑診斷模型可幫助大型光伏電站快速檢測(cè)熱斑故障，具有實(shí)際意義。為彌補(bǔ)相關(guān)研究的不足，本文結(jié)合熱斑智能診斷面臨的問題，研究相關(guān)解決方案，提出一種基于SSD改進(jìn)的熱斑診斷模型以實(shí)現(xiàn)光伏組件的快速檢測(cè)，并提出一種基于灰度圖像的混合訓(xùn)練方法解決訓(xùn)練數(shù)據(jù)不足的問題。

1.2 注意力神經(jīng)網(wǎng)絡(luò)

SENet（squeeze-and-excitation networks）［14］是一種注意力神經(jīng)網(wǎng)絡(luò)，能作為插件應(yīng)用于SSD模型以提高熱斑診斷的精度，該方法提出的Squeeze-and-Excitation模塊如圖2所示，該模塊通過Squeeze與Excitation操作，實(shí)現(xiàn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)中不同通道重要性的學(xué)習(xí)，自適應(yīng)地為特征圖的不同通道賦予權(quán)重。其中Squeeze操作通過全局平均池化將特征圖信息在通道尺度進(jìn)行聚合與壓縮，而Excitation操作則使用全連接神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)通道間的關(guān)系，通過點(diǎn)積為不同層的特征圖像素賦予權(quán)值。

張士峰等［15］提出，同一特征圖內(nèi)部各區(qū)域像素對(duì)信息傳遞影響往往不同，且以一定規(guī)律分布，啟發(fā)于此，基于SENet的注意力機(jī)制，提出一種改進(jìn)注意力模塊，不同于SENet專注于通道間關(guān)系的學(xué)習(xí)，在同一通道內(nèi)，不同區(qū)域間的像素所包含的信息的重要程度也不盡相同，因此所提注意力模塊可對(duì)同一特征圖區(qū)塊間關(guān)系進(jìn)行學(xué)習(xí)，提升熱斑檢測(cè)精度。

2 改進(jìn)的熱斑缺陷檢測(cè)模型

現(xiàn)階段，基于深度學(xué)習(xí)的熱斑缺陷檢測(cè)方法研究面臨的主要問題之一是難以獲取大量熱斑圖像構(gòu)建數(shù)據(jù)集。針對(duì)此問題，提出一種新型數(shù)據(jù)增強(qiáng)方法（2.1節(jié)），一定程度上彌補(bǔ)了熱斑數(shù)據(jù)集不足的問題，同時(shí)，提出一種新型的注意力模塊（2.2節(jié)），對(duì)SSD模型進(jìn)行改進(jìn)，進(jìn)一步提升熱斑缺陷檢測(cè)的精度。

2.1 灰度圖像數(shù)據(jù)增強(qiáng)

熱斑紅外圖像數(shù)據(jù)相對(duì)較難獲取，且目前暫未有開源熱斑數(shù)據(jù)集，如何有效擴(kuò)充現(xiàn)有的小規(guī)模熱斑數(shù)據(jù)集是一個(gè)亟待解決的難點(diǎn)。紅外圖像是由紅外熱像儀探測(cè)紅外輻射，經(jīng)由光電轉(zhuǎn)換、圖像校正、偽彩色處理后生成的圖像。紅外圖像能反映溫度信息變化，而目標(biāo)檢測(cè)模型可從中學(xué)習(xí)規(guī)律，在光伏組件表面找出溫度異常的熱斑缺陷。本文認(rèn)為，將偽彩色圖像重新轉(zhuǎn)換為灰度圖像，雖會(huì)丟失部分信息，但仍可輔助神經(jīng)網(wǎng)絡(luò)訓(xùn)練，提升熱斑缺陷檢測(cè)準(zhǔn)度。

基于以上觀點(diǎn)，提出一種新型數(shù)據(jù)增強(qiáng)方法，如圖3所示，將紅外圖像重新轉(zhuǎn)換為灰度圖像，混合后構(gòu)建為新的訓(xùn)練數(shù)據(jù)集，并使用紅外圖像進(jìn)行檢測(cè)，從而提升熱斑缺陷檢測(cè)模型的魯棒性與性能。同時(shí)通過設(shè)置不同訓(xùn)練方案，測(cè)試熱斑檢測(cè)模型精度，探究灰度圖像的影響，消融實(shí)驗(yàn)結(jié)果見3.4節(jié)。實(shí)驗(yàn)結(jié)果表明，該數(shù)據(jù)增強(qiáng)方法能在一定程度彌補(bǔ)熱斑數(shù)據(jù)不足的問題，提高模型魯棒性，并輕微提升各類熱斑缺陷檢測(cè)模型檢測(cè)精度。

2.2 改進(jìn)的注意力網(wǎng)絡(luò)

SENet是基于注意力機(jī)制實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)，能在少量計(jì)算開銷下，自適應(yīng)地學(xué)習(xí)通道間關(guān)系，根據(jù)各通道重要性賦予權(quán)重，提高目標(biāo)檢測(cè)的精度。本文基于SENet提出一種改進(jìn)的注意力神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能學(xué)習(xí)區(qū)塊間關(guān)系，提高檢測(cè)模型對(duì)信息的利用，進(jìn)一步降低熱斑的誤檢、漏檢。改進(jìn)注意力網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，在SENet的基礎(chǔ)上，額外提出使用超參數(shù)分割因子[d]（默認(rèn)[d=3]）將各個(gè)特征圖進(jìn)行等分，通過平均池化獲取特征圖多個(gè)區(qū)塊信息，隨后通過全連接神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)各區(qū)塊間關(guān)系，自適應(yīng)地為不同區(qū)塊賦予不同權(quán)重，當(dāng)分割因子為1時(shí)，此時(shí)該注意力網(wǎng)絡(luò)退化為SENet。實(shí)驗(yàn)表明，改進(jìn)后的注意力網(wǎng)絡(luò)能進(jìn)一步提高基于SSD改進(jìn)的熱斑缺陷檢測(cè)模型精度，消融實(shí)驗(yàn)結(jié)果見3.5.2節(jié)。

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)集構(gòu)成

本研究所采用的熱斑數(shù)據(jù)集采集自我校自有光伏發(fā)電系統(tǒng)，采集工具為福祿克TIS60紅外熱像儀，實(shí)驗(yàn)數(shù)據(jù)由真實(shí)熱斑、人工模擬、合成圖像3部分構(gòu)成，共計(jì)517張，并按7∶2∶1劃分為訓(xùn)練、校驗(yàn)、測(cè)試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集經(jīng)過常規(guī)數(shù)據(jù)增強(qiáng)方法，如隨機(jī)裁剪等方式擴(kuò)充至1000張。訓(xùn)練改進(jìn)SSD熱斑缺陷檢測(cè)模型時(shí)，額外挑選部分偽彩色的紅外圖像轉(zhuǎn)換為灰度圖像，該數(shù)據(jù)集進(jìn)一步擴(kuò)充至1500張。

3.2 網(wǎng)絡(luò)訓(xùn)練

改進(jìn)SSD選用ResNet 101作為骨干網(wǎng)絡(luò)，并加載ResNet預(yù)訓(xùn)練權(quán)重，采用隨機(jī)梯度下降優(yōu)化方式，學(xué)習(xí)率設(shè)置為0.002，動(dòng)量0.9，權(quán)重衰減為0.0005，本次實(shí)驗(yàn)顯卡為特斯拉P100，單批訓(xùn)練樣本數(shù)量為24，進(jìn)行500次迭代的熱身訓(xùn)練，隨后訓(xùn)練共計(jì)40輪，采用余弦退火策略調(diào)整學(xué)習(xí)率。

3.3 對(duì)比實(shí)驗(yàn)結(jié)果與分析

本文使用了目前常見的幾種目標(biāo)檢測(cè)算法進(jìn)行對(duì)照：FPN Faster RCNN，YOLO v3。實(shí)驗(yàn)結(jié)果如表1所示，SSD 300在加入改進(jìn)注意力模塊并進(jìn)行混合訓(xùn)練后AP50由96.3%提升至97.9%，SSD 512的AP50由96.7%提升至98.0%。相較于FPN Faster RCNN的97.5%與YOLO v3的94.5%，改進(jìn)SSD模型有相對(duì)明顯的優(yōu)勢(shì)。值得注意的是，SSD 512相較于SSD 300并未產(chǎn)生明顯精度上的優(yōu)勢(shì)，這是由于實(shí)際生產(chǎn)過程中，小型熱斑對(duì)光伏組件影響有限，本數(shù)據(jù)集設(shè)置待檢熱斑以中等尺度與大尺度目標(biāo)為主，故SSD 512相較于SSD 300在小目標(biāo)檢測(cè)的優(yōu)勢(shì)未能很好體現(xiàn)。

檢測(cè)結(jié)果可視化對(duì)比見圖5，其中圖5a和圖5c為SSD 300的熱斑檢測(cè)結(jié)果，圖5b和圖5d為改進(jìn)SSD 300的結(jié)果。改進(jìn)后的熱斑檢測(cè)模型能有效避免熱斑誤檢的發(fā)生，提升檢測(cè)精度。

實(shí)驗(yàn)結(jié)果表明，本文所提的數(shù)據(jù)增強(qiáng)方法與注意力模塊能有效改善熱斑缺陷性能，且改進(jìn)后的SSD模型兼具良好的實(shí)時(shí)檢測(cè)速率與優(yōu)異的平均精度，基本滿足實(shí)際應(yīng)用的需求。

3.4 混合訓(xùn)練消融實(shí)驗(yàn)

為分析灰度圖像數(shù)據(jù)增強(qiáng)的影響，設(shè)置如下兩種訓(xùn)練方案：

1） 僅使用紅外圖像進(jìn)行訓(xùn)練與檢測(cè)。

2） 紅外圖像與灰度圖像混合訓(xùn)練，使用紅外圖像檢測(cè)。

實(shí)驗(yàn)結(jié)果見表3，通過灰度圖像數(shù)據(jù)增強(qiáng)，SSD檢測(cè)器對(duì)熱斑缺陷檢測(cè)精度有一定提升，相較于訓(xùn)練方案1，方案2中SSD 300的AP50由96.3%提升至96.5%，SSD 512的AP50由96.7%提升至97.2%，且該訓(xùn)練方案對(duì)其余各類目標(biāo)檢測(cè)算法均有提升效果，如FPN Faster RCNN的AP50提升了0.3%，YOLO v3 320的AP50提升了1%。除以上訓(xùn)練方案，在混合訓(xùn)練的基礎(chǔ)上，額外測(cè)試了使用灰度圖像進(jìn)行檢測(cè)的影響，結(jié)果表明各類模型均出現(xiàn)了不同程度的精度下降。本文認(rèn)為，相較于紅外圖像，灰度圖像丟失了部分信息，因而出現(xiàn)了上述情況，但灰度圖像作為訓(xùn)練數(shù)據(jù)補(bǔ)充，仍可增加熱斑缺陷檢測(cè)模型魯棒性，一定程度上緩解熱斑數(shù)據(jù)集不足的情況，提升檢測(cè)精度。

3.5 網(wǎng)絡(luò)改進(jìn)消融實(shí)驗(yàn)

本研究分別設(shè)置了消融實(shí)驗(yàn)，探究骨干神經(jīng)網(wǎng)絡(luò)與注意力網(wǎng)絡(luò)對(duì)SSD的影響。

3.5.1 骨干神經(jīng)網(wǎng)絡(luò)

分別使用ResNet 101與VGG-16作為SSD的骨干神經(jīng)網(wǎng)絡(luò)，在輸入分辨率為300與512的情況下進(jìn)行模型訓(xùn)練，SSD 300采用單批訓(xùn)練，樣本數(shù)量為24，訓(xùn)練輪次40輪，SSD 512采用單批訓(xùn)練，樣本數(shù)量為8，訓(xùn)練輪次60輪。

實(shí)驗(yàn)結(jié)果如表4所示，與DSSD［16］實(shí)驗(yàn)結(jié)果類似，采用ResNet 101作為骨干神經(jīng)網(wǎng)絡(luò)能輕微提升精度。SSD 300的AP50由96.3%提升至96.7%，SSD 512的AP50由96.7%提升至97.2%。為保持與ResNet 101網(wǎng)絡(luò)模型輸出一致，部分檢測(cè)頭的卷積操作計(jì)算開銷增大，熱斑缺陷檢測(cè)模型檢測(cè)速率產(chǎn)生一定程度下滑，SSD 300檢測(cè)速率下降14.6幀/s，SSD 512的檢測(cè)速率下降4.4幀/s。

3.5.2 改進(jìn)注意力網(wǎng)絡(luò)

在3.3節(jié)中已論述SSD 512在當(dāng)前數(shù)據(jù)集相較于SSD 300未有明顯精度優(yōu)勢(shì)，本小節(jié)將著重探討改進(jìn)注意力網(wǎng)絡(luò)對(duì)SSD 300產(chǎn)生的影響，實(shí)驗(yàn)結(jié)果如表5所示。當(dāng)分割因子d逐漸增大，檢測(cè)準(zhǔn)確度隨之上升，AP50由97.1%分別提升至97.3%以及97.7%，但產(chǎn)生的計(jì)算開銷也隨之快速增長(zhǎng)，檢測(cè)速率分別由24.2下降至24.1以及23.6幀/s。分割因子為4時(shí)，AP50提升至98.0%，檢測(cè)速率進(jìn)一步下降至19.1幀/s，此時(shí)已無法在P100上單卡訓(xùn)練，訓(xùn)練實(shí)驗(yàn)結(jié)果表明，分割因子需在檢測(cè)準(zhǔn)度與檢測(cè)速率之間進(jìn)行權(quán)衡，選擇合適的分割因子。

4 結(jié) 論

針對(duì)光伏組件熱斑缺陷檢測(cè)紅外圖像數(shù)據(jù)稀少的問題，本文提出將偽彩色的紅外圖像重新轉(zhuǎn)換為灰度圖像進(jìn)行數(shù)據(jù)增強(qiáng)。實(shí)驗(yàn)表明：該方法具有通用性，SSD 300、FPN Faster RCNN、YOLO v3的AP50分別提升0.2%、0.3%、1.0%，一定程度上緩解了數(shù)據(jù)集不足的問題。同時(shí)，提出一種新型注意力模塊，該模塊可學(xué)習(xí)同一特征圖內(nèi)部不同區(qū)塊間關(guān)系，SSD 300的AP50由96.3%提升至97.7%，同時(shí)SSD 300檢測(cè)速率仍然有23.6幀/s，基本接近實(shí)際應(yīng)用的需要。下一步研究將主要關(guān)注于真實(shí)環(huán)境中光伏組件紅外圖像噪聲對(duì)檢測(cè)的影響以及如何消除噪聲影響。

［參考文獻(xiàn)］

［1］"""" 劉恒， 張志祥， 馬銘遙， 等. 基于I-V特性分析的晶硅光伏組件故障診斷［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（6）： 130-137.

LIU H， ZHANG Z X， MA M Y， et al. Fault diagnosis of crystalline"" silicon"" photovoltaic"" module"" based" on" I-V characteristic analysis［J］. Acta energiae solaris sinica， 2021， 42（6）： 130-137.

［2］"""" 云平， 劉恒， 張志祥. 基于I-V曲線的光伏組件熱斑測(cè)試與分析［J］. 太陽(yáng)能， 2019（10）： 33-39.

YUN P， LIU H， ZHANG Z X. Test and analysis of hot spot on PV modules based on I-V curve［J］. Solar energy， 2019（10）： 33-39.

［3］"""" 蔣琳， 蘇建徽， 施永， 等. 基于紅外熱圖像處理的光伏陣列熱斑檢測(cè)方法［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（8）： 180-184.

JIANG L， SU J H， SHI Y， et al. Hot spots detection of operating PV arrays through IR thermal image［J］. Acta energiae solaris sinica， 2020， 41（8）： 180-184.

［4］"""" 王阿勇， 楊靜. 太陽(yáng)能組件熱斑檢測(cè)中的動(dòng)態(tài)模板匹配方法研究［J］. 西安理工大學(xué)學(xué)報(bào)， 2012， 28（4）： 474-477.

WANG A Y， YANG J. Research on the dynamic template matching method in solar energy component hot spot detection［J］. Journal of Xi’an University of Technology， 2012， 28（4）： 474-477.

［5］"""" 位碩權(quán). 基于紅外圖像的光伏組件熱斑智能檢測(cè)［D］. 杭州： 浙江大學(xué)， 2020.

WEI S Q. Intelligent detection of hotspots of photovoltaic modules""" based"" on""" infrared""" images［D］."" Hangzhou： Zhejiang University， 2020.

［6］"""" REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time" object" detection" with" region" proposal networks［J］. IEEE transactions on pattern analysis and machine intelligence， 2017， 39（6）： 1137-1149.

［7］"""" LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense" object" detection［J］. IEEE" transactions" on" pattern analysis amp; machine intelligence， 2017， 42（2）： 318-327.

［8］"""" LIU W， AMGUELOV D， ERHAN D， et al. SSD： single shot multibox detector［C］//Computer Vision and Pattern Recognition 2015， Boston， MA， USA， 2015.

［9］"""" LAW H， DENG J. CornerNet： detecting objects as paired keypoints［C］//Computer Vision and Pattern Recognition 2018， Salt Lake City， UT， USA， 2018.

［11］""" HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning" for" image" recognition［C］//Proceedings" of" the IEEE Conference on Computer Vision and Pattern Recognition， Las Vegas， NV， USA， 2016： 770-778.

［12］""" 郭夢(mèng)浩， 徐紅偉. 基于 Faster RCNN 的紅外熱圖像熱斑缺陷檢測(cè)研究［J］. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2019， 28（11）： 265-270.

GUO M H， XU H W. Hot spot defect detection based on infrared thermal image and Faster RCNN［J］. Computer systems amp; applications， 2019， 28（11）： 265-270.

［13］""" 王道累， 李超， 李明山， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的光伏組件熱斑檢測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（1）： 412-417.

WANG D L， LI C， LI M S， et al. Solar photovoltaic modules hot spot detection based on deep convolutional neural networks［J］. Acta energiae solaris sinica， 2022， 43（1）： 412-417.

［14］""" HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Salt Lake City， UT， USA， 2018： 7132-7141.

［15］""" ZHANG S F， ZHU X Y， LEI Z， et al. S3FD： single shot scale-invariant face detector［C］//International Conference on Computer Vision， Venice， Italy， 2017： 192-201.

［16］""" FU C Y， LIU W， RANGA A， et al. DSSD：deconvolutional single shot detector［EB/OL］. https：//arxiv.org/abs/1701.06659.

METHOD OF HOTSPOT DETECTION OF PHOTOVOLTAIC PANELS MODULES ON IMPROVED SSD

Wang Daolei，Li Mingshan，Yao Yong，Li Chao，Zhu Rui，Li Feng

（College of Energy and Mechanical Engineering， Shanghai University of Electric Power， Shanghai 200090， China）

Abstract：Hot spot problem may occur during the operation of photovoltaic panels. In order to detect hotspot， an improved hotspot detection method based on Single Shot Multibox Detector（SSD） is proposed. SSD’s backbone is replaced by ResNet 101， and a new attention network is proposed that can learn the relationships among regions of the same channel feature map. The experimental results show that the improved SSD 300 model’s average precision 50 （AP50） increases from 96.3% to 97.7%. To conquer the shortage of hotspot infrared images， a new method of data augmentation is proposed. After using that method， the improved SSD 300’s AP50 furtherly increases to 97.9%， and detection speed reaches 23.6 FPS， the improved model basically meets the requirements of practical application.

Keywords：PV modules； deep learning； object detection； infrared images； SSD； hotspot