摘 要：利用無(wú)人機(jī)對(duì)光伏組件進(jìn)行故障巡檢通常從可見光和紅外光兩種場(chǎng)景分別處理和檢測(cè)。該文提出基于殘差神經(jīng)網(wǎng)絡(luò)ResNet50和改進(jìn)的YOLOv5故障檢測(cè)方法，實(shí)現(xiàn)對(duì)兩種影像圖像高精度自動(dòng)分類和故障檢測(cè)。針對(duì)紅外數(shù)據(jù)進(jìn)行色度變換去除太陽(yáng)反光而保留熱斑，針對(duì)可見光數(shù)據(jù)采用銳化的方式凸顯異物、裂痕等小目標(biāo)，使用不同的YOLOv5目標(biāo)檢測(cè)算法實(shí)現(xiàn)可見光下小型異物故障和紅外光下熱斑故障的快速檢測(cè)和定位。

關(guān)鍵詞：光伏組件；深度學(xué)習(xí)；目標(biāo)檢測(cè)；ResNet50；YOLOv5

中圖分類號(hào)：TP391；TP18 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏組件在長(zhǎng)期使用過程中會(huì)產(chǎn)生異物遮擋、裂痕、熱斑等故障，不僅會(huì)影響組件發(fā)電的穩(wěn)定性，還會(huì)造成嚴(yán)重的安全隱患。研究結(jié)果顯示，由于光伏組件遭異物遮擋，會(huì)使發(fā)電量減少20%～30%。若不及時(shí)清理異物，遮擋部分將會(huì)發(fā)熱，導(dǎo)致“熱斑”現(xiàn)象［1］，繼而造成整個(gè)太陽(yáng)電池模塊失效，甚至帶來(lái)火災(zāi)隱患。因此，光伏組件的運(yùn)行狀況監(jiān)測(cè)和異物、熱斑故障檢測(cè)顯得尤為重要。

圍繞光伏組件故障檢測(cè)問題，國(guó)內(nèi)外相關(guān)學(xué)者進(jìn)行相應(yīng)的研究。當(dāng)前光伏組件故障檢測(cè)主要有4 類研究方法：1）基于物理特性進(jìn)行故障診斷的方法，通過紅外熱成像［2］、通電［3］、超聲波檢測(cè)［4］等技術(shù)，分析光伏組件的物理特性，從機(jī)理角度實(shí)現(xiàn)故障的診斷；2）基于能量損失的故障診斷方法［5-10］，通過監(jiān)測(cè)影像溫度和輻照度等因素，擬合健康狀況下組件的電流、電壓、功率等，將擬合值和實(shí)際值的差值作為故障診斷的依據(jù)；3）基于I-V 曲線的故障診斷方法，高偉等［11］通過將不同狀態(tài)下的電流、電壓輸入半監(jiān)督極限學(xué)習(xí)機(jī)（semisupervisedextreme learning machine，SSELM）算法中，有效檢測(cè)多種故障；4）基于計(jì)算機(jī)視覺的光伏故障檢測(cè)方法，郭寶柱［12］基于Otsu 法和最大散度閾值法的識(shí)別方法提出一種自適應(yīng)最大散度閾值差法來(lái)識(shí)別紅外圖像。Tsanakas 等［13-14］基于邊緣檢測(cè)，使用Canny 邊緣檢測(cè)算法作為診斷模塊進(jìn)行光伏組件故障識(shí)別。賴菲等［15］利用卷積神經(jīng)網(wǎng)絡(luò)（convolutionneural network，CNN）對(duì)光伏組件圖像故障進(jìn)行自動(dòng)識(shí)別判斷，找出故障組件的精確位置并確定故障的類型。

對(duì)于可見光和紅外光兩種影像（場(chǎng)景）故障的檢測(cè)，可見光數(shù)據(jù)可對(duì)光伏組件表面異物等故障進(jìn)行檢測(cè)，而紅外光下故障可對(duì)肉眼不可見的熱斑故障進(jìn)行檢測(cè)。本文預(yù)研發(fā)現(xiàn)使用單一模型存在較多的漏檢誤檢現(xiàn)象。尤其是紅外光下的熱斑圖像易與太陽(yáng)反光混淆，導(dǎo)致“虛警”現(xiàn)象的出現(xiàn)［16］。為解決這一問題，本文分為2 步來(lái)實(shí)現(xiàn)，首先，采用ResNet50網(wǎng)絡(luò)自動(dòng)識(shí)別可見光和紅外光2 個(gè)影像的圖像數(shù)據(jù)；其次，基于改進(jìn)的YOLOv5 算法分別為兩種影像訓(xùn)練目標(biāo)檢測(cè)模型，以提高檢測(cè)精度。

1 可見光與紅外光圖像場(chǎng)景分類模型

本文利用OpenCV 從無(wú)人機(jī)巡檢拍攝的紅外光和可見光兩段視頻中抽取圖片，為提高模型的準(zhǔn)確性和泛化能力，對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng)操作，包括圖像擾動(dòng)、亮度改變、對(duì)比度調(diào)整、隨機(jī)縮放和隨機(jī)裁剪等。

同時(shí)，為實(shí)現(xiàn)光伏組件故障的雙影像檢測(cè)，本文針對(duì)可見光和紅外光兩種不同影像，設(shè)計(jì)不同的解決方案，針對(duì)可見光圖像中的故障，采用銳化處理，以突出小目標(biāo)的邊緣特征；針對(duì)紅外光圖像中的故障，將圖像映射到色相、飽和度、明度（hue saturation value，HSV）色彩空間中，并對(duì)其色度進(jìn)行調(diào)整變換，以消除太陽(yáng)反光產(chǎn)生的噪聲，有效減小誤判的可能性。同時(shí)為其分別創(chuàng)建相應(yīng)的光伏組件故障的目標(biāo)檢測(cè)模型。為提高模型的自動(dòng)化能力，在進(jìn)行故障檢測(cè)前，本文選用分類性能好、穩(wěn)定性高的ResNet50 網(wǎng)絡(luò)實(shí)現(xiàn)圖像數(shù)據(jù)類別的自動(dòng)化分類。

在使用深度神經(jīng)網(wǎng)絡(luò)時(shí)，通常會(huì)面臨隨著網(wǎng)絡(luò)結(jié)構(gòu)加深，特征提取過多而導(dǎo)致模型準(zhǔn)確率下降的問題。為解決這一問題，標(biāo)準(zhǔn)的殘差神經(jīng)網(wǎng)絡(luò)（ ResNet）［17］通過在卷積層中添加非線性的直連邊，使前幾層數(shù)據(jù)能跨過多層卷積作為特征參與后續(xù)模型的訓(xùn)練。因此，即使在網(wǎng)絡(luò)層數(shù)增加的同時(shí)，也能防止圖像特征的過度提取。ResNet 的殘差單元結(jié)構(gòu)如圖1 所示。

本文采用ResNet50 神經(jīng)網(wǎng)絡(luò)對(duì)可見光數(shù)據(jù)和紅外光數(shù)據(jù)進(jìn)行分類，給予兩種影像數(shù)據(jù)不同的標(biāo)簽，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使用遷移學(xué)習(xí)的方法基于Imagenet 數(shù)據(jù)庫(kù)的訓(xùn)練權(quán)重作為ResNet50 神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練權(quán)重提高模型初始性能，訓(xùn)練過程中使用Adam（自適應(yīng)矩估計(jì)優(yōu)化器）和交叉熵?fù)p失函數(shù)優(yōu)化網(wǎng)絡(luò)參數(shù)，并添加Dropout 加快模型的訓(xùn)練速度，增強(qiáng)泛化能力。

2 數(shù)據(jù)預(yù)處理方法

2.1 紅外光數(shù)據(jù)預(yù)處理

在紅外光圖像中存在一個(gè)挑戰(zhàn)性問題：光伏組件表面太陽(yáng)反光導(dǎo)致高亮噪聲影響面積廣泛，使得圖像邊緣模糊，且噪聲與熱斑的對(duì)比度較低。因此，模型易將噪聲誤識(shí)別成熱斑，造成“虛警”現(xiàn)象（圖2）。

將不同預(yù)處理手段對(duì)比研究發(fā)現(xiàn)，色調(diào)變化策略可有效解決此問題。在紅色、綠色、藍(lán)色（red green blue，RGB）色彩空間中每個(gè)像素的顏色由3 個(gè)分量（紅、綠、藍(lán)）組成，直接對(duì)某些顏色通道的改變會(huì)同時(shí)改變?cè)肼暫蜔岚咴诩t外影像中的表現(xiàn)形式，甚至?xí)p小對(duì)比度。而HSV 色彩空間更接近于人類感知的顏色空間，其允許通過色調(diào)、飽和度和明度來(lái)表示顏色。HSV 色彩空間在本場(chǎng)景應(yīng)用的優(yōu)勢(shì)在于能獨(dú)立表達(dá)圖像的明度信息，有利于檢測(cè)熱斑等高亮區(qū)域，并可方便地過濾掉對(duì)識(shí)別結(jié)果有干擾的顏色。

本文通過對(duì)圖像的色調(diào)進(jìn)行改變，將RGB 色彩空間轉(zhuǎn)換為HSV 色彩空間，將整張圖片的色調(diào)設(shè)置為同一值，保留圖像中的飽和度和明度，利用反射輻射與熱板的飽和度和明度差異進(jìn)行目標(biāo)檢測(cè)（圖3），從而提高噪聲與熱斑的對(duì)比度，有效地去除環(huán)境因素產(chǎn)生的高亮噪聲。此方法不僅能很好地保留圖像的有價(jià)值特征，還有效解決了噪聲問題，檢測(cè)效果得到明顯提高。

2.2 可見光數(shù)據(jù)預(yù)處理

在可見光影像下，由于無(wú)人機(jī)拍攝高度較高，異物目標(biāo)的體積較小，通常圖像特征表現(xiàn)得較為隱蔽，模型極易出現(xiàn)漏檢現(xiàn)象。為突出小目標(biāo)特征，本文采用銳化方式來(lái)凸顯異物故障目標(biāo)，銳化處理可加強(qiáng)圖像邊緣細(xì)節(jié)，更加明顯地顯示出異物故障。銳化處理前后效果如圖4 所示。

3 基于YOLOv5 的可見光異物故障和紅外光熱斑故障檢測(cè)模型

3.1 YOLOv5 目標(biāo)檢測(cè)模型

3.1.1 標(biāo)準(zhǔn)化YOLOv5 模型

近年來(lái)，YOLO 系列算法由于其高效的性能和較快的檢測(cè)速度，在工業(yè)界得到廣泛應(yīng)用。本文采用添加小目標(biāo)檢測(cè)層的YOLOv5 算法進(jìn)行光伏組件故障檢測(cè)。

YOLOv5 算法的網(wǎng)絡(luò)結(jié)構(gòu)分為輸入端、Backbone、Neck、Prediction 4 個(gè)部分［18］，其中各組件的組成及作用如下：CBL由卷積層、批標(biāo)準(zhǔn)化以及Leaky ReLU 激活函數(shù)構(gòu)成；Resunit借鑒ResNet 網(wǎng)絡(luò)的殘差結(jié)構(gòu)，以保證網(wǎng)絡(luò)深度的同時(shí)不造成特征失真；CSPX 結(jié)合CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)和多個(gè)Resunit 模塊；SPP 采用不同尺度的最大池化方式進(jìn)行融合；Concat 是進(jìn)行張量拼接擴(kuò)充維度；Add 則是張量相加，不增加維度［6］。圖5展示了YOLOv5 算法的網(wǎng)絡(luò)結(jié)構(gòu)。

在Backbone 中，有2 項(xiàng)關(guān)鍵的結(jié)構(gòu)創(chuàng)新：Focus 和CSP。Focus 結(jié)構(gòu)通過將輸入圖像的特征圖切片并對(duì)切片后的特征圖進(jìn)行通道拼接和卷積。YOLOv5 中的兩種CSP 結(jié)構(gòu)分別是CSP1_x 和CSP2_x，CSP1_x 用于Backbone 主干網(wǎng)絡(luò)，CSP2_x結(jié)構(gòu)應(yīng)用于Neck 部分。Neck 部分通過融合特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）結(jié)構(gòu)和路徑聚合網(wǎng)絡(luò)（pathaggregation network，PAN）結(jié)構(gòu)，從而提升模型對(duì)圖像更深層特征的學(xué)習(xí)能力。FPN 將圖像的深層特征信息通過上采樣的方式融合并得到預(yù)測(cè)的特征圖，并在其后面添加一個(gè)自底向上的特征金字塔，其中包含2 個(gè)PAN 結(jié)構(gòu)，使得FPN 層能自頂向下傳遞圖像特征信息，而特征金字塔則將強(qiáng)定位特征從底層向上傳達(dá)，從而融合不同檢測(cè)層學(xué)到的圖像特征。

在YOLOv5 網(wǎng)絡(luò)中，并不采用原始的IoU 作為損失函數(shù)，而是采用平衡預(yù)測(cè)框和目標(biāo)框的重疊面積、中心點(diǎn)距離、長(zhǎng)寬比的GIoU_loss 作為損失函數(shù)［19］。

3.1.2 YOLOv5 算法改進(jìn)

對(duì)于標(biāo)準(zhǔn)版的YOLOv5 網(wǎng)絡(luò)，其只具有3 個(gè)檢測(cè)層，且在網(wǎng)絡(luò)結(jié)構(gòu)中初始化了3 組錨框值（anchor）。在網(wǎng)絡(luò)訓(xùn)練階段，初始化錨框是非常重要的，因?yàn)榫W(wǎng)絡(luò)會(huì)根據(jù)錨框與Ground Truth 的差距來(lái)進(jìn)行反向更新。然而，由于可見光異物故障和可見光熱斑故障目標(biāo)非常小，若采用原始3 組錨框值，極易出現(xiàn)小目標(biāo)故障的漏檢現(xiàn)象。因此，本文在原始網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上增加一個(gè)小目標(biāo)層［20］，并再添加一組錨框值（表1），以盡可能將所有尺寸故障檢出，降低模型的漏檢率。

3.2 故障檢測(cè)模型評(píng)價(jià)與搭建

YOLOv5 目前有5 個(gè)不同版本，其特點(diǎn)在于參數(shù)量和結(jié)構(gòu)有所不同，因此數(shù)據(jù)集的最優(yōu)適配模型也不相同。為選擇最適合的模型，通過常用的目標(biāo)檢測(cè)指標(biāo)如 IoU（ 交并比）、精度 （Precision）、召回率 （Recall） 和 mAP@0.5∶0.95 等來(lái)比較不同版本模型的性能［21］。

IoU 是衡量錨框和預(yù)測(cè)框差異的指標(biāo)，其計(jì)算方法為將錨框和預(yù)測(cè)框的交集除以二者的并集。精度（ Precision）是預(yù)測(cè)為正樣本中實(shí)際為正樣本的比例，其計(jì)算方式如式（1）所示。召回率（Recall）則是實(shí)際正樣本中被預(yù)測(cè)為正樣本的比例，其計(jì)算方式如式（2）所示。其中T+ 表示正樣本被預(yù)測(cè)為正樣本，F(xiàn)+ 表示負(fù)樣本被預(yù)測(cè)為正樣本，F(xiàn)- 則表示正樣本被預(yù)測(cè)為負(fù)樣本。以精度（Precision）為縱坐標(biāo)，以召回率（Recall）為橫坐標(biāo)可畫出P-R 曲線，mAP 即為P-R 曲線與坐標(biāo)軸圍成的面積。mAP@0.5：0.95 是指IoU 取值從50%～95%，步長(zhǎng)為5%，在這些IoU 下mAP 的均值。

Π = T+／T+ + F+ （1）

ρ = T+／T+ + F? （2）

4 實(shí)驗(yàn)分析

本次實(shí)驗(yàn)運(yùn)行的環(huán)境為64 位的Windows 10 系統(tǒng)，配備了16GB 內(nèi)存，2.30 GHz 的Intel 11800H CPU 以及NvidiaRTX 3060 Laptop GPU，實(shí)驗(yàn)代碼采用Python 語(yǔ)言編寫，基于強(qiáng)大的Pytorch 和Tensorflow 框架實(shí)現(xiàn)。

4.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于某發(fā)電廠廠房屋頂平鋪式光伏組件，借助搭載熱紅外成像相機(jī)和可見光成像相機(jī)的無(wú)人機(jī)按照設(shè)定的路線和飛行高度進(jìn)行巡航，拍攝兩種光伏組件視頻數(shù)據(jù)，記錄兩種狀況下光伏組件表面的情況，數(shù)據(jù)情況如圖6 所示。本次實(shí)驗(yàn)數(shù)據(jù)共涵蓋1006 張紅外光光伏組件故障圖像和2482 張可見光光伏組件故障圖像，紅外光數(shù)據(jù)的尺寸為680×512，可見光數(shù)據(jù)的尺寸為3840×2160。所有數(shù)據(jù)按照8∶2 的比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，并分別利用訓(xùn)練集訓(xùn)練紅外光下和可見光下目標(biāo)檢測(cè)模型。

4.2 紅外和可見光場(chǎng)景分類模型結(jié)果

本次實(shí)驗(yàn)中整合了1006 張紅外光數(shù)據(jù)和2482 張可見光數(shù)據(jù)，得到訓(xùn)練數(shù)據(jù)集。為統(tǒng)一數(shù)據(jù)的尺寸，對(duì)所有圖片進(jìn)行拉伸處理，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。

本文基于Tensorflow 構(gòu)建ResNet50 神經(jīng)網(wǎng)絡(luò)，并對(duì)其進(jìn)行訓(xùn)練。在訓(xùn)練過程中，通過回調(diào)函數(shù)來(lái)控制模型的訓(xùn)練：如果模型在連續(xù)5 次測(cè)試后對(duì)測(cè)試集的準(zhǔn)確率無(wú)提高，將學(xué)習(xí)率減半；如果模型在連續(xù)15 次測(cè)試后仍未提高準(zhǔn)確率，將提前終止模型的訓(xùn)練，以防止過擬合，并節(jié)約訓(xùn)練時(shí)間。最終ResNet50 模型對(duì)可見光圖像和紅外光圖像的分類準(zhǔn)確率達(dá)到100%。

4.3 紅外光熱斑故障檢測(cè)結(jié)果

對(duì)于紅外光熱斑故障檢測(cè)模型，本文驗(yàn)證不同圖像預(yù)處理方法對(duì)模型檢測(cè)效果的影響，如表2 所示。研究結(jié)果顯示，在圖像預(yù)處理方面，色調(diào)變化方法優(yōu)于灰度處理等其他方法，在提高檢測(cè)精度、縮短訓(xùn)練時(shí)間、降低噪聲干擾等方面，具有更好的效果。

同時(shí)，本文還對(duì)比不同版本的YOLOv5 模型，評(píng)估它們的mAP@0.5：0.95 值等指標(biāo)。根據(jù)表3 結(jié)果可知，YOLOv5l 模型在有限的訓(xùn)練次數(shù)內(nèi)能取得較高的精度和召回率，訓(xùn)練時(shí)間也較短。因此，選取YOLOv5l 模型進(jìn)行紅外光熱斑故障的檢測(cè)，故障檢測(cè)效果如圖 7所示（ 圖像文本框標(biāo)注數(shù)值為 IoU 值）。

4.4 可見光異物故障小目標(biāo)檢測(cè)結(jié)果

對(duì)于可見光異物故障檢測(cè)，本文針對(duì)數(shù)據(jù)分辨率較大（3840×2160）的問題，通過將原始圖像拆分為多張較小的圖片進(jìn)行訓(xùn)練。通過對(duì)不同輸入尺寸的評(píng)估，發(fā)現(xiàn)當(dāng)輸入尺寸為1280 時(shí)，目標(biāo)檢測(cè)模型的精度、召回率以及mAP@0.5：0.95值均較高，如表4 所示。因此，本文使用1280 作為可見光圖片的輸入尺寸。

當(dāng)圖片輸入尺寸為640×640 時(shí)，對(duì)比不同版本YOLOv5模型檢測(cè)可見光異物故障的mAP@0.5∶0.95 值等指標(biāo)，如表5 所示，顯示YOLOv5l 模型可較少的訓(xùn)練次數(shù)達(dá)到較高的精度、召回率及mAP@0.5：0.95 值。

可見光影像下異物故障目標(biāo)較小，改進(jìn)YOLOv5l 模型的檢測(cè)層，加入小目標(biāo)檢測(cè)層以檢測(cè)小目標(biāo)故障，進(jìn)一步提升檢測(cè)的精確性，如表6（圖片輸入尺寸為1280×1280）所示。最終可見光異物裂痕故障的檢測(cè)效果如圖8 所示（圖像中結(jié)果文本框標(biāo)注數(shù)值為IoU 值）。

5 結(jié) 論

針對(duì)目前光伏組件故障種類多、故障危害大，以及故障檢測(cè)過程受環(huán)境影響大而導(dǎo)致的故障檢出率低等問題，本文在對(duì)光伏組件故障進(jìn)行詳細(xì)分析后，提出一種可自動(dòng)識(shí)別可見光與紅外光雙影像場(chǎng)景的光伏故障檢測(cè)方法，將可見光異物故障檢測(cè)模型和紅外光熱斑故障檢測(cè)模型有機(jī)結(jié)合在一起。通過對(duì)該方法的實(shí)現(xiàn)和對(duì)比實(shí)驗(yàn)的驗(yàn)證，得到以下主要結(jié)論：

1） 針對(duì)當(dāng)前光伏組件故障需分影像單獨(dú)進(jìn)行檢測(cè)的問題，本文提出一種雙影像故障檢測(cè)方案，可實(shí)現(xiàn)可見光下異物和紅外光下熱斑故障的檢測(cè)。

2） 對(duì)紅外光數(shù)據(jù)采用色調(diào)變化預(yù)處理方法，有效消除了太陽(yáng)反光噪聲對(duì)熱斑檢測(cè)的影響；對(duì)可見光數(shù)據(jù)采用銳化處理方法，有效增強(qiáng)異物小目標(biāo)的特征。

3） 使用ResNet50 神經(jīng)網(wǎng)絡(luò)解決紅外光數(shù)據(jù)和可見光數(shù)據(jù)的分類問題，自動(dòng)識(shí)別并輸入到對(duì)應(yīng)的模型。

4） 針對(duì)小目標(biāo)故障的漏檢現(xiàn)象，改進(jìn)YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)，添加小目標(biāo)檢測(cè)層，進(jìn)一步降低模型故障漏檢率，實(shí)現(xiàn)可見光和紅外光兩種影像下光伏故障的實(shí)時(shí)檢測(cè)和定位，時(shí)效性高、準(zhǔn)確率高、可行性強(qiáng)。

［參考文獻(xiàn)］

［1］ 蔣琳， 蘇建徽， 李欣， 等. 基于可見光和紅外熱圖像融合的光伏陣列熱斑檢測(cè)方法［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（1）： 393-397.

JIANG L， SU J H， LI X， et al. Hot spot detection ofphotovoltaic array based on fusion of visible and infraredthermal images［J］. Acta energiae solaris sinica， 2022， 43（1）： 393-397.

［2］ KAPLANI E. Detection of degradation effects in field-agedc-Si solar cells through IR thermography and digital imageprocessing［J］. International journal of photoenergy， 2012，2012： 396792.

［3］ HAUNSCHILD J， REIS I E， GEILKER J， et al. Detectingefficiency-limiting defects in Czochralski-grown siliconwafers in solar cell production using photoluminescenceimaging［J］. Physica status solidi （RRL）-Rapid ResearchLetters， 2011， 5（5/6）： 199-201.

［4］ CHAKRAPANI S K， PADIYAR M J，BALASUBRAMANIAM K. Crack detection in full size czsiliconwafers using lamb wave air coupled ultrasonictesting （LAC-UT）［J］. Journal of nondestructive evaluation，2012， 31（1）： 46-55.

［5］ HARROU F， TAGHEZOUIT B， SUN Y. Improved KNNbasedmonitoring schemes for detecting faults in PVsystems［J］. IEEE journal of photovoltaics， 2019， 9（3）：811-821.

［6］ DHIMISH M， HOLMES V， MEHRDADI B， et al.Simultaneous fault detection algorithm for grid-connectedphotovoltaic plants［J］. IET renewable power generation，2017， 11（12）： 1565-1575.

［7］ EL-DABAH M A， EL-SEHIEMY R A， HASANIEN H M，et al. Photovoltaic model parameters identification usingNorthern Goshawk Optimization algorithm［J］. Energy， 2023，262： 125522.

［8］ DHIMISH M， HOLMES V， MEHRDADI B， et al.Photovoltaic fault detection algorithm based on theoreticalcurves modelling and fuzzy classification system ［J］.Energy， 2017， 140： 276-290.

［9］ CHOUDER A， SILVESTRE S. Automatic supervision andfault detection of PV systems based on power lossesanalysis［J］. Energy conversion and management， 2010，51（10）： 1929-1937.

［10］ DAVARIFAR M， RABHI A， EL-HAJJAJI A， et al. Realtimemodel base fault diagnosis of PV panels usingstatistical signal processing ［C］//2013 InternationalConference on Renewable Energy Research andApplications（ ICRERA）. Madrid， Spain， 2013： 599-604.

［11］ 高偉， 黃俊銘. 基于SSELM的光伏組件故障智能診斷方法［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（12）： 465-470.

GAO W， HUANG J M. Intelligent fault diagnosis methodof photovoltaic module via SSELM［J］. Acta energiaesolaris sinica， 2021， 42（12）： 465-470.

［12］ 郭寶柱. 光伏陣列熱斑的紅外圖像處理的研究［D］. 天津： 天津理工大學(xué)， 2016.

GUO B Z. Research on infrared image processing ofphotovoltaic array of hot spot［D］. Tianjin： TianjinUniversity of Technology， 2016.

［13］ TSANAKAS J A， CHRYSOSTOMOU D， BOTSARIS P N，et al. Fault diagnosis of photovoltaic modules throughimage processing and Canny edge detection on fieldthermographic measurements［J］. International journal ofsustainable energy， 2015， 34（6）： 351-372.

［14］ TSANAKAS J A， BOTSARIS P N. On the detection of hotspots in operating photovoltaic arrays through thermalimage analysis and a simulation model［J］. Materialsevaluation， 2013， 71（4）： 457-465.

［15］ 賴菲， 陳亞鵬， 單正濤， 等. 深度學(xué)習(xí)算法在光伏電站無(wú)人機(jī)智能運(yùn)維中應(yīng)用［J］. 熱力發(fā)電， 2019， 48（9）：139-144.

LAI F， CHEN Y P， SHAN Z T， et al. Application of deeplearning algorithm in intelligent operation and maintenanceof UAVs in photovoltaic power plants［J］. Thermal powergeneration， 2019， 48（9）： 139-144.

［16］ 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 ofoperating PV arrays through IR thermal image［J］. Actaenergiae solaris sinica， 2020， 41（8）： 180-184.

［17］ 謝祥穎， 劉虎， 王棟， 等. 基于深度殘差網(wǎng)絡(luò)的光伏故障診斷模型研究［J］. 計(jì)算機(jī)工程與科學(xué)， 2021， 43（12）： 2223-2230.

XIE X Y， LIU H， WANG D， et al. A fault diagnosismodel of distributed photovoltaic power stations based ondeep residual network［J］. Computer engineering amp;science， 2021， 43（12）： 2223-2230.

［18］ 宋譜怡， 陳紅， 茍浩波. 改進(jìn)YOLOv5s的無(wú)人機(jī)目標(biāo)檢測(cè)算法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2023， 59（1）： 108-116.

SONG P Y， CHEN H， GOU H B. Improving UAV objectdetection algorithm for YOLOv5s［J］. Computer engineeringand applications， 2023， 59（1）： 108-116.

［19］ 孫建波， 王麗杰， 麻吉輝， 等. 基于改進(jìn)YOLO v5s算法的光伏組件故障檢測(cè)［J］. 紅外技術(shù)， 2023， 45（2）： 202-208.

SUN J B， WANG L J， MA J H， et al. Photovoltaic modulefault detection based on improved YOLOv5s algorithm［J］.Infrared technology， 2023， 45（2）： 202-208.

［20］ 陳志琳， 齊華， 王相超. 基于改進(jìn)YOLOv5算法的口罩佩戴檢測(cè)研究［J］. 電子設(shè)計(jì)工程， 2022， 30（22）： 67-72.

CHEN Z L， QI H， WANG X C. Research on mask wearingdetection based on improved YOLOv5 algorithm［J］.Electronic design engineering， 2022， 30（22）： 67-72.

［21］ 王一旭， 肖小玲， 王鵬飛， 等. 改進(jìn)YOLOv5s的小目標(biāo)煙霧火焰檢測(cè)算法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2023， 59（1）： 72-81.

WANG Y X， XIAO X L， WANG P F， et al. ImprovedYOLOv5s small target smoke and fire detection algorithm［J］. Computer engineering and applications， 2023， 59（1）： 72-81.

基金項(xiàng)目：國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（202310451208）；山東省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目（S202210451041）；山東省高等學(xué)校教學(xué)研究與改革面上項(xiàng)目（M2018X066）；魯東大學(xué)“專創(chuàng)融合”課程建設(shè)重點(diǎn)項(xiàng)目（2021Z08）