摘 要：針對傳統(tǒng)紅外熱斑故障檢測算法由于特征表達能力不佳造成算法易受復(fù)雜背景干擾以及對密集目標、小目標故障檢測精度低的問題，提出一種基于高階空間交互的光伏組件熱斑故障檢測網(wǎng)絡(luò)。首先，設(shè)計高階空間交互模塊，并將其引入YOLOv5主干網(wǎng)絡(luò)進行全局交互建模，提升網(wǎng)絡(luò)對密集目標的檢測精度；其次，為突出復(fù)雜背景下故障目標的關(guān)鍵特征，設(shè)計基于協(xié)同注意力的特征提取模塊重構(gòu)頸部網(wǎng)絡(luò)；然后，在頸部網(wǎng)絡(luò)設(shè)計多尺度特征增強融合模塊以提高檢測網(wǎng)絡(luò)對不同尺度特征的充分利用；最后，設(shè)計自適應(yīng)特征融合檢測頭以提高模型對小目標的感知能力。實驗結(jié)果表明，相較于7種經(jīng)典檢測算法，所提出的算法檢測精度最高，精度可達84.3%。

關(guān)鍵詞：光伏組件；故障檢測；深度學(xué)習(xí)；熱斑效應(yīng)；高階空間交互；特征融合

中圖分類號：TK514" " " " " " " " " " " " "文獻標志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0574

文章編號：0254-0096（2024）08-0358-09

西安科技大學(xué)電氣與控制工程學(xué)院，西安 710054

0 引 言

光伏發(fā)電由于安裝便捷、綠色低碳、發(fā)電效率高等優(yōu)勢得到迅速發(fā)展［1］。然而，光伏組件由于“熱斑效應(yīng)”［2］造成的熱斑故障輕則損壞單體電池片，重則燒毀整個光伏組件，對光伏系統(tǒng)的安全運行影響極大［3-4］。

熱斑檢測方法主要包括電氣檢測法和圖像分析法。電氣檢測法需在光伏組件周圍建立外圍電路，因此會增加額外成本［5-7］。而圖像分析法通過無人機搭載紅外熱成像設(shè)備可快速完成大規(guī)模光伏組件熱斑故障檢測，具有成本低、效率高、無接觸等優(yōu)點［8］。面對海量巡檢數(shù)據(jù)，傳統(tǒng)圖像檢測法由于需手工提取目標特征存在特征表達能力弱［9］、檢測性能不佳等問題［10］。近年來，基于深度學(xué)習(xí)的目標檢測算法由于其強大的特征提取能力展現(xiàn)出明顯優(yōu)勢，與傳統(tǒng)的檢測算法相比，該類檢測算法具有更好的準確性和魯棒性。

目前，基于深度學(xué)習(xí)的目標檢測方法主要分為二階段檢測算法和單階段檢測算法兩類。二階段代表檢測算法有區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region-based convolutional neural network，R-CNN）［11］、更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（faster region-based convolutional neural network，F(xiàn)aster-RCNN）［12］等。Huerta Herraiz等［13］設(shè)計一種基于R-CNN的光伏故障檢測方法，完成對光伏組件故障區(qū)域的自動檢測和定位；王道累等［14］提出一種基于多尺度特征學(xué)習(xí)模塊的Faster R-CNN熱斑故障檢測法，對中小光伏熱斑故障具有較好的檢測效果。雖然二階段目標檢測算法具有較高的檢測精度，但此類算法往往需要更多的計算資源和時間。單階段目標檢測算法具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、實時性好等優(yōu)點，典型算法包括單階段模型系列（you only look once，YOLO）系列［15］、單次多邊框檢測算法（single shot multibox detector，SSD）系列［16］等。文獻［17］提出一種基于YOLOv5改進的熱斑檢測方法，通過使用Focus結(jié)構(gòu)和ShuffleNetv2結(jié)構(gòu)優(yōu)化特征提取網(wǎng)絡(luò)，提升模型對熱斑檢測的精度。孫建波等［18］通過優(yōu)化YOLOv5損失函數(shù)和在檢測層添加特征增強模塊來提高熱斑故障的檢測精度。綜上，雖YOLOv5算法具有較高檢測精度的同時能較好兼顧實時性，但受無人機拍攝尺度、角度以及復(fù)雜巡檢環(huán)境等因素影響，使得巡檢圖像中的密集及小目標熱斑故障難以被準確檢測。

密集熱斑故障由多個含有相似特征的目標組成，由于分布密集，目標之間區(qū)分度較低，易導(dǎo)致誤檢或漏檢。檢測網(wǎng)絡(luò)需具有一定的交互建模能力、抗復(fù)雜背景干擾能力及特征利用能力，達到突出關(guān)鍵特征的目的。小目標由于檢測網(wǎng)絡(luò)在檢測過程中存在尺度不一致、信息沖突等問題易造成淺層特征信息丟失?？赏ㄟ^增強檢測網(wǎng)絡(luò)的特征表達能力、降低多尺度特征的不一致性，提高對此類目標的檢測性能。

針對上述檢測要求，本文以YOLOv5網(wǎng)絡(luò)為基礎(chǔ)，提出一種基于高階空間交互網(wǎng)絡(luò)的光伏組件熱斑故障檢測算法（high-order space interaction hot spot network，HSi-HSNet），主要貢獻和創(chuàng)新點如下：

1）為提升網(wǎng)絡(luò)對光伏密集目標的檢測精度，在主干網(wǎng)絡(luò)中構(gòu)建高階空間交互C3GB模塊以增強模型的全局交互建模能力；

2）通過在頸部網(wǎng)絡(luò)構(gòu)建基于協(xié)同注意力的特征提取模塊（C3 with coordinate attention，CCA），使檢測網(wǎng)絡(luò)更好地關(guān)注目標區(qū)域、抑制無關(guān)背景信息的干擾，降低檢測網(wǎng)絡(luò)的誤檢與漏檢；

3）為增強光伏檢測網(wǎng)絡(luò)不同尺度特征之間的有效信息融合，在頸部網(wǎng)絡(luò)設(shè)計多尺度特征增強融合模塊（attentional feature fusion module，AFFM）；

4）針對小目標熱斑難以被準確檢測的問題，在檢測層設(shè)計自適應(yīng)特征融合檢測頭（adaptive structure feature fusion detect，ASFF_Detect）以充分利用小目標的淺層特征信息。

1 HSi-HSNet熱斑故障檢測算法

針對現(xiàn)有光伏檢測算法對復(fù)雜背景中多尺度、密集目標故障檢測精度低的問題，在YOLOv5網(wǎng)絡(luò)的基礎(chǔ)上，提出HSi-HSNet光伏熱斑檢測算法。所設(shè)計的檢測網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其主要由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)及預(yù)測層3部分組成。

主干網(wǎng)絡(luò)：為提升網(wǎng)絡(luò)對光伏密集目標的檢測精度，本文將CBS模塊與遞歸門控模塊（block with gated convolutions，GCBlock）進行級聯(lián)，設(shè)計能捕捉高階空間交互信息的C3GB模塊，與CBS組件、C3模塊和快速空間金字塔池化結(jié)構(gòu)（spatial pyramid pooling-fast，SPPF）結(jié)合共同構(gòu)成具有空間交互建模能力的HSCSPDarkNet53主干網(wǎng)絡(luò)。

頸部網(wǎng)絡(luò)：以增強頸部網(wǎng)絡(luò)的特征提取與特征融合能力為目的，在FPN-PAN結(jié)構(gòu)的基礎(chǔ)上，設(shè)計能較好捕獲全局信息的CCA模塊及能增強多尺度有效信息交流的AFFM融合模塊，改善復(fù)雜背景下多尺度熱斑故障的檢測效果。

預(yù)測層：考慮到多尺度檢測的不一致性，設(shè)計3個自適應(yīng)特征融合檢測頭（ASFF_Detect）以充分利用圖像的淺層特征信息，改善網(wǎng)絡(luò)對小目標熱斑故障的檢測效果。

1.1 基于門控卷積的空間交互主干網(wǎng)絡(luò)

針對原YOLOv5主干網(wǎng)絡(luò)未考慮特征空間位置之間的交互作用，對圖像全局特征利用不充分，進而導(dǎo)致網(wǎng)絡(luò)對密集目標檢測精度不高的問題，構(gòu)建具有高階空間交互能力的C3GB模塊，并使用該模塊替換主干網(wǎng)絡(luò)末端的C3模塊以提升網(wǎng)絡(luò)對密集熱斑目標的檢測精度。C3GB具體結(jié)構(gòu)如圖2所示。

C3GB模塊將初始特征信息分為兩個部分，一部分利用x個GCBlock門控塊實現(xiàn)高階空間交互并進行特征提取，另一部分通過CBS模塊進行特征提??；然后使用Concat操作將兩部分輸出的特征信息進行融合，融合的結(jié)果再次經(jīng)CBS模塊后輸出到下一層。其中，GCBlock門控塊利用遞歸門控卷積（gnConv［19］），遵循與Transformer相同的元架構(gòu)構(gòu)建，包含空間混合層（spatial mixing layer，SML）和前饋網(wǎng)絡(luò)（feed-forward"network，F(xiàn)FN）［20-21］兩部分。本文通過g4Conv實現(xiàn)相鄰特征之間的空間交互，假設(shè)輸入特征為[x∈RC1×H1×W1]，[C1]、[H1]和[W1]分別表示特征的通道數(shù)、高度和寬度。具體步驟如下：

1）使用線性投影層將[x]升維到原來的2倍后得到一組特征映射[m0]和[{l0，l1，l2，l3}]，如式（1）所示。

[m0∈RC10×H1W1， l0∈RC10×H1W1， l1∈RC11×H1W1，l2∈RC12×H1W1， l3∈RC13×H1W1=" " " " ?in（x）∈RC0+0≤k≤3Ck×H1W1] （1）

式中：[?in]——輸入的線性投影層。

經(jīng)深度可分離卷積得到的[lk′]如式（2）所示。

[lk′=fkmk∈RC1k×H1W1， k=0，1，2，3] （2）

式中：[lk′]——經(jīng)深度可分離卷積后的特征映射；[fk]——深度可分離卷積操作。

2）對相鄰特征做點乘，并將每次點乘后的輸出縮放為原來的[1α]以保持穩(wěn)定性，如式（3）所示：

[mk+1=lk′?gkmkα， k=0，1，2，3] （3）

3）通過線性層[gk]進行升維操作，如式（4）和式（5）所示。

[gk=LinearC10，C10，" " " " " " "k=0Linear C1k-1，C1k，" " " " "1≤k≤3 ] （4）

[C1k=C2n-1-k，" " 0≤k≤3" " "] （5）

式中：[C1k-1]——上一次迭代后的維數(shù)；[C1k]——升維后維數(shù)。

4）將4階空間交互的結(jié)果映射到指定維度得到最終的輸出結(jié)果[y]：

[y=g4Conv（x）=?out m4∈RC14×H1W1] （6）

式中：[?out ]——輸出的線性投影層。

各階交互特征通道數(shù)量依次是[C/8]、[C/4]、[C/2]、[C]，實現(xiàn)由粗到精的特征提取，通過不斷點乘的方式進一步保存特征更多的高階信息。

1.2 融合注意力機制和多尺度特征融合模塊的頸部網(wǎng)絡(luò)

為減少網(wǎng)絡(luò)的特征損失，在頸部網(wǎng)絡(luò)部分設(shè)計基于協(xié)同注意力的CCA模塊及多尺度特征增強融合模塊以提高網(wǎng)絡(luò)的特征提取與特征融合能力。

1.2.1 基于協(xié)同注意力的CCA模塊

協(xié)同注意力（coordinate attention，CA）能提升網(wǎng)絡(luò)對目標對象的關(guān)注度，為此在其基礎(chǔ)上設(shè)計CCA模塊。首先，將輕量化的CA嵌入到C3模塊的殘差單元中突出關(guān)鍵目標特征，再經(jīng)過殘差操作深入提取特征，最后合并輸出結(jié)果。將設(shè)計的CCA模塊替代原頸部網(wǎng)絡(luò)的C3模塊來實現(xiàn)對圖像重要特征的增強以及對無關(guān)特征進行抑制。

協(xié)同注意力具體操作主要包括以下兩個步驟。

1）協(xié)同信息嵌入

定義輸入特征圖：[F∈RC2×H2×W2]，將全局池化分解為兩個并行的1維特征編碼操作，使用池化核[（H2，1）]和[（1，W2）]沿特征圖兩個不同方向進行編碼后聚合特征。

得到高度為[h]的第[c]通道的水平方向的輸出為：

[Zhc（h）=1W20≤i≤W2xc（h，i）， Zhc∈RC2×H2×1] （7）

得到寬度為w的第c通道的垂直方向的輸出為：

[Zwc（w）=1H20≤j≤H2xc（j，w）， Zwc∈RC2×1×W2] （8）

2）協(xié)同注意力生成

上一步得到的兩個輸出[Zhc]和[Zwc]沿著空間維度拼接后使用共享的1×1卷積（[F1]表示）變換激活：

[f = δ（F1（[Zh，Zw]））" ，" "f∈RC2r×1×（H2+W2）] （9）

式中：[f ]——水平和垂直方向的中間特征映射；[δ]——非線性激活函數(shù)；[C2r]——壓縮后的通道數(shù)（其中[r]為變換比例）。

沿著空間維度進行切分后使用1×1卷積變換[Fh]和Fw將[fh]和[fw]變換為具有相同通道數(shù)量的張量，經(jīng)過[Sigmoid]激活函數(shù)得到注意力向量[gh]和[gw]：

[gh=Sigmoid（Fh（fh））gw=Sigmoid（Fw（fw））] （10）

式中：[gh]——空間域上水平方向的注意力權(quán)重矩陣；[gw]——空間域上垂直方向的注意力權(quán)重矩陣。

使用得到的注意力權(quán)重對原始特征圖進行加權(quán)，得到在水平和垂直方向加權(quán)分配后的注意力特征圖[F′=y1，y2，…，yc ]，其中，[F′∈RC2×H2×W2]。

[yc（i，j）=xc（i，j）×ghc（i）×gwc（j）] （11）

式中：[yc（i，j）]——第[c]個通道加權(quán)后的輸出特征；[xc（i，j）]——第[c]個通道的原特征層特征；[ghc（i）]——第[c]個通道上沿水平方向的注意力權(quán)重；[gwc（j）]——第[c]個通道上沿垂直方向的注意力權(quán)重。

1.2.2 多尺度特征增強融合模塊

FPN-PAN結(jié)構(gòu)在對不同尺度特征的處理過程中，通過插值上采樣將特征圖的分辨率調(diào)整到與另一個特征圖相同的尺度后直接相加融合，這種尺度調(diào)整與融合方式可能會導(dǎo)致特征信息的丟失和混淆，從而影響特征的融合效果。

因此，為充分利用來自不同尺度輸入特征的信息，增強光伏檢測網(wǎng)絡(luò)不同尺度特征之間的有效信息交流，本文構(gòu)建基于注意力的AFFM模塊。首先，使用更有效的上下采樣方式來減少特征損失；然后，通過注意力權(quán)重自適應(yīng)地融合不同尺度的特征信息，實現(xiàn)多尺度特征的高效融合，增強光伏檢測網(wǎng)絡(luò)的特征提取能力。

AFFM模塊包括AFFM-1和AFFM-2兩個子模塊，其具體結(jié)構(gòu)如圖3所示。

在AFFM-1中，低分辨率特征L1在頸部網(wǎng)絡(luò)利用1×1的卷積調(diào)整通道數(shù)量后，經(jīng)過輕量上采樣算子CARAFE進行尺度調(diào)整（Resize），得到與高分辨率特征圖H1相同的尺度后與H1拼接，拼接后的特征圖經(jīng)過簡單無參注意力模塊（simple parameter-free attention module，SimAM）獲取三維權(quán)值后得到融合的多尺度特征圖F1；同理，AFFM-2通過步長為2的3×3卷積進行1/2下采樣操作，將高分辨率特征H2調(diào)整通道和尺寸后與低分辨率特征圖L2進行拼接，通過SimAM得到融合的多尺度特征圖F2。

AFFM通過尺度調(diào)整模塊和特征重構(gòu)模塊完成多尺度特征融合，具體過程如下：

1）尺度調(diào)整模塊

給定形狀為[C3×H3×W3]的輸入特征圖，CARAFE上采樣算法通過加權(quán)組合對預(yù)定義區(qū)域內(nèi)的特征進行重組，得到形狀為[C3×σH3×σW3]的輸出特征圖，其具體結(jié)構(gòu)如圖4所示。算法流程主要包括以下4部分：

①通道壓縮：將輸入特征圖壓縮到[C3m×H3×W3]大小以提高后續(xù)操作計算效率，[C3m]為壓縮后的通道數(shù)量。

②內(nèi)容編碼與上采樣核預(yù)測：對于第1步壓縮后通道為[C3m]的特征圖，利用一個[ken×ken]的卷積層來預(yù)測上采樣核，輸出通道為[σ2k2up]。在空間維展開后得到形狀為[σH3×σW3×k2up]的上采樣核。

③核歸一化：使用Softmax函數(shù)進行歸一化處理，使權(quán)重之和為1。

④容感知特征重組：將輸入特征圖與預(yù)測的上采樣核進行卷積運算得到最終的上采樣圖，其尺寸為[C3×σH3×σW3]。

CARAFE上采樣的參數(shù)量如式（12）所示。

[P=C3×C3m+σ2k2upσ2k2enC3m+1+σ2k2upC3] （12）

式中：[P]——參數(shù)量；[C3]——輸入特征圖的通道數(shù)量；[C3m]——通道壓縮后特征圖的通道數(shù)量；[σ]——上采樣倍率；[kup]——預(yù)測的上采樣核尺寸；[ken]——內(nèi)容編碼的卷積核尺寸。

2）特征重構(gòu)模塊

為獲取更有效的多尺度信息，本文設(shè)計特征重構(gòu)模塊并利用SimAM進一步篩選融合后的關(guān)鍵特征，增強AFFM特征提取能力。具體過程如下。

尋找輸入特征的目標神經(jīng)元[t]和其他神經(jīng)元[xi]的線性關(guān)系來度量神經(jīng)元的重要性，其最小能量函數(shù)為：

[e*t=4σ2+λ（t-ut）2+2σ2+2λut=1M-1i=1M-1xi，σ2=1M-1i=1M-1xi-ut2] （13）

式中：[e*t]——最小能量函數(shù)；[σ2]——[xi]的方差；[λ]——超參數(shù)；[ut]——[xi]的平均均值；[M]——該通道上神經(jīng)元的數(shù)量。

由式（13）可得，神經(jīng)元[t]的重要性可通過[1/e*t]來衡量，基于此，對尺度調(diào)整后得到的特征[X]進行增強處理，如式（14）所示。

[B=Sigmoid1E⊙A] （14）

式中：[B]——增強后的輸出特征；[E]——所有通道和空間維度中能量函數(shù)的匯總。

本文所設(shè)計的檢測網(wǎng)絡(luò)中共使用2個AFFM-1和2個AFFM-2模塊，經(jīng)過AFFM模塊得到的多尺度特征圖既包含深層特征圖的有效高級語義、位置信息，又充分利用了淺層特征圖的光伏組件細節(jié)信息。

1.3 自適應(yīng)檢測頭

YOLOv5的頸部網(wǎng)絡(luò)輸出20×20、40×40和80×80這3種固定大小的特征圖對應(yīng)大、中、小目標進行檢測，仍具有一定的局限性［22］。因此，本文在檢測部分設(shè)計自適應(yīng)特征融合檢測頭（ASFF_Detect），具體如圖5所示。通過自適應(yīng)學(xué)習(xí)多尺度特征的融合權(quán)重對頸部網(wǎng)絡(luò)的多尺度特征進行空間過濾，從而達到抑制不同尺度特征圖中無用的背景信息，保留有效的對象信息進行組合的目的。

以ASFF_Detect 2為例介紹自適應(yīng)特征融合檢測頭的原理。將頸部網(wǎng)絡(luò)得到的Level1、Level2和Level3通過1×1卷積調(diào)整為相同的維度。再利用1×1卷積得到各層的權(quán)重參數(shù)分別為[α]、[β]和[γ]。此時，以Level2層特征圖的尺寸為基準，分別通過線性插值上采樣和下采樣操作（利用步長為2的3×3的卷積）將Level1和Level3調(diào)整為與Level2相同的尺度，得到標準化后的特征圖[X1′、X2′]和[X3′]。最后，將得到的標準化特征圖與其對應(yīng)的權(quán)重參數(shù)[α]、[β]和[γ]相乘并相加后得到最終的融合結(jié)果，再對其進行檢測。具體步驟如下：

將其他層的特征映射到l層的結(jié)果如式（15）所示。

[ylij=αlij?x1→lij+βlij?x2→lij+γlij?x3→lij] （15）

式中：[ylij]——輸出特征圖上對應(yīng)[（i，j）]位置上的特征向量；[αlij]、[βlij]和[γlij]——各層在[l]層的空間融合權(quán)重；[xn→lij]——特征圖[（i，j）]位置從[n]層映射到[l]層的特征向量。

[αlij]、[βlij]和[γlij]三者滿足以下關(guān)系：

[αlij+βlij+γlij=1" ，" αlij，" βlij，γl2ij∈[0，1]αlij=eλlαijeλlαij+eλlβij+eλlγij] （16）

式中：[αlij]、[βlij]和[γlij]通過使用[λlαij]、[λlβij]和[λlγij]控制參數(shù)softmax函數(shù)定義。[λl*ij]由1×1卷積分別作用在[xn→lij]上得到，可以通過反向傳播更新學(xué)習(xí)。

ASFF_Detect 2的融合結(jié)果同時由3個特征圖決定，表示為：

[Y2=X1′?α2+X2′?β2+X3′?γ2] （17）

式中：[Y2]——輸出結(jié)果；[α2]、[β2]和[γ2]——各層的權(quán)重參數(shù)。

2 實驗結(jié)果和分析

實驗中軟硬件平臺配置如表1所示。

2.1 數(shù)據(jù)采集與處理

實驗數(shù)據(jù)由某光伏電站運維公司提供的無人機智能巡檢視頻截取所得。數(shù)據(jù)樣本共541張圖像，訓(xùn)練、驗證及測試樣本以8∶1∶1比例分配。實驗中所選故障目標包括普通故障（PT）和嚴重故障（YZ）兩大類，具體檢測類型及各類別樣本數(shù)量如表2所示。

2.2 網(wǎng)絡(luò)訓(xùn)練模型

在模型訓(xùn)練過程中，將樣本圖像大小統(tǒng)一調(diào)整為640×640，將學(xué)習(xí)率設(shè)置為0.01，迭代批量大小設(shè)置為8。當訓(xùn)練達到200輪時，學(xué)習(xí)率降至0.001，損失函數(shù)和精度也趨于穩(wěn)定，最終經(jīng)過300輪模型的迭代訓(xùn)練得到最優(yōu)模型權(quán)重。

2.3 實驗結(jié)果及分析

在目標檢測任務(wù)中，平均精度均值（mean of average precision，mAP）為K個故障類別平均精確率（average precision，AP）的均值，是一種常用的衡量精確度和召回率綜合性能的指標，其數(shù)值越高，代表檢測性能越好。相關(guān)計算如式（18）所示。

[m=i=1KAiK] （18）

式中：m——mAP；A——AP。

其中，mAP@0.5表示交并比取為0.5時的mAP；mAP@0.5∶0.95表示在不同交并比閾值上的mAP。

為客觀評估本文算法的檢測性能，將其與原始YOLOv5檢測框架進行對比，結(jié)果如圖6所示。

從圖6 mAP的變化曲線可看出，本文算法的mAP@0.5最終穩(wěn)定在0.84，mAP@0.5∶0.95最終穩(wěn)定在約0.39，平均準確率曲線明顯高于YOLOv5。結(jié)果表明本文設(shè)計的HSi-HSNet檢測網(wǎng)絡(luò)對光伏熱斑故障具有較好檢測效果。為驗證各改進部分的作用，進行消融實驗，實驗結(jié)果如表3所示。

從表3可知，單獨加入C3GB模塊、CCA模塊、AFFM及ASFF-Detect模塊后檢測精度分別達到82.1%、81.2%、82.6%及83.1%，相較于基礎(chǔ)網(wǎng)絡(luò)均有一定程度的提升。為驗證各模塊之間的協(xié)同作用，分別在基礎(chǔ)網(wǎng)絡(luò)上融合2或3個改進模塊進行實驗。實驗結(jié)果表明，在YOLOv5網(wǎng)絡(luò)基礎(chǔ)上融合所有改進模塊后，可使網(wǎng)絡(luò)檢測精度達到84.3%，較原始YOLOv5檢測網(wǎng)絡(luò)提升5.4%。綜上，本文所提HSi-HSNet檢測模型具有良好的檢測性能。為進一步驗證HSi-HSNet檢測網(wǎng)絡(luò)的優(yōu)勢，將其與CenterNet、Faster-RCNN、SSD以及YOLO系列算法進行比較，實驗結(jié)果如表4所示。

從表4可看出，本文算法在各方面的檢測精度均高于其他幾種網(wǎng)絡(luò)，具有最高的檢測精度。為更直觀地展現(xiàn)本文算法的優(yōu)點，選取含有復(fù)雜干擾背景、小目標故障場景、密集故障及多種類故障場景的4種典型場景，將本文算法與其他算法進行比較，結(jié)果如圖7所示。圖7a中各類故障用矩形框進行標注。對比檢測結(jié)果如圖7b～圖7e所示。

從第1組實驗可看出，當待檢測圖片背景存在干擾時，CenterNet、Faster-RCNN及YOLOv7均存在不同程度的誤檢。而HSi-HSNet算法在頸部網(wǎng)絡(luò)引入所設(shè)計的CCA模塊，可增強圖像重要特征的同時抑制無關(guān)特征，從而檢測出所有故障目標。

第2組實驗中，各算法均存在一定程度的漏檢或誤檢，所提出的HSi-HSNet算法由于在主干網(wǎng)絡(luò)中構(gòu)建C3GB模塊，實現(xiàn)模型特征之間的高階空間交互，能完整檢測出密集的故障目標并具有較高的檢測精度。

第3組實驗中CenterNet、Faster-RCNN、SSD、YOLOv7在對小目標故障的檢測過程中均存在較為嚴重的漏檢，其余3種檢測框架由于未能充分利用淺層小目標特征信息從而對小目標的檢測精度不高。HSi-HSNet算法設(shè)計自適應(yīng)特征融合檢測頭，增強了檢測網(wǎng)絡(luò)的細節(jié)信息表征能力，有效提高了檢測網(wǎng)絡(luò)對小目標故障的檢測性能。

從第4組實驗可看出在多類故障場景下進行檢測時，各對比算法均存在不同程度的漏檢。而HSi-HSNet算法中設(shè)計的多尺度特征增強融合模塊可有效增強各尺度之間的信息交互，提高網(wǎng)絡(luò)特征提取能力，從而可較好地檢測出故障目標。

3 結(jié) 論

針對現(xiàn)有熱斑檢測算法對復(fù)雜背景中的小目標、密集目標熱斑故障檢測精度低的問題，提出一種基于高階空間交互網(wǎng)絡(luò)的光伏紅外熱斑檢測方法。通過構(gòu)建C3GB模塊并引入主干網(wǎng)絡(luò)可有效提高網(wǎng)絡(luò)對密集故障的檢測精度。所設(shè)計的CCA模塊和多尺度特征增強融合模塊可實現(xiàn)檢測網(wǎng)絡(luò)對不同尺度特征的充分利用。所設(shè)計的自適應(yīng)特征融合檢測頭可有效提高網(wǎng)絡(luò)對小目標的檢測精度。在各復(fù)雜場景中的實驗證明了所提出算法相較于7種經(jīng)典檢測算法具有明顯優(yōu)勢，檢測精度可達84.3%。

［參考文獻］

［1］ 賈凌云， 云斯寧， 趙澤妮， 等. 神經(jīng)網(wǎng)絡(luò)短期光伏發(fā)電預(yù)測的應(yīng)用研究進展［J］. 太陽能學(xué)報， 2022， 43（12）： 88-97.

JIA L Y， YUN S N， ZHAO Z N， et al. Recent progress of short-term forecasting of photovoltaic generation based on artificial neural networks［J］. Acta energiae solaris sinica， 2022， 43（12）： 88-97.

［2］ POULEK V， ?AFRáNKOVá J， ?ERNá L， et al. PV panel and PV inverter damages caused by combination of edge delamination， water penetration， and high string voltage" " in" " moderate" " climate［J］." "IEEE" "journal" " of photovoltaics， 2021， 11（2）： 561-565.

［3］ DIMITRIEVSKA V， PITTINO F， MUEHLEISEN W， et al. Statistical methods for degradation estimation and anomaly" "detection" "in" photovoltaic" "plants［J］." Sensors， 2021， 21（11）： 3733.

［4］ 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方法［J］. 太陽能學(xué)報， 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.

［5］ TANG S X， XING Y， CHEN L， et al. Review and a novel strategy for mitigating hot spot of PV panels［J］. Solar energy， 2021， 214： 51-61.

［6］ ?ABO F G， MARINI?-KRAGI? I， GARMA T， et al. Development" of" thermo-electrical" "model" of" photovoltaic panel under hot-spot conditions with experimental validation［J］. Energy， 2021， 230： 120785.

［7］ HOSSAIN M K， AHMED M H， KHAN M I， et al. Recent progress of rare earth oxides for sensor， detector， and electronic device applications： a review［J］. ACS applied electronic materials， 2021， 3（10）： 4255-4283.

［8］ AGHAEI M， GRIMACCIA F， GONANO C A， et al. Innovative automated control system for PV fields inspection and remote control［J］. IEEE transactions on industrial electronics， 2015， 62（11）： 7287-7296.

［9］ HWANG H P C， KU C C Y， CHAN J C C. Detection of malfunctioning photovoltaic modules based on machine learning algorithms［J］. IEEE access， 2021， 9： 37210-37219.

［10］ ALI M U， KHAN H F， MASUD M， et al. A machine learning framework to identify the hotspot in photovoltaic module using infrared thermography［J］. Solar energy， 2020， 208： 643-651.

［11］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Region-based convolutional networks for accurate object detection and segmentation［J］. IEEE transactions on pattern analysis and machine intelligence， 2016， 38（1）： 142-158.

［12］ 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.

［13］ HUERTA HERRAIZ á， PLIEGO MARUGáN A， GARCíA MáRQUEZ F P. Photovoltaic plant condition monitoring using thermal images analysis by convolutional neural network-based structure［J］. Renewable energy， 2020， 153： 334-348.

［14］ 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［J］. 太陽能學(xué)報， 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.

［15］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA， 2016： 779-788.

［16］ LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot MultiBox detector［C］//European Conference on Computer Vision. Cham： Springer， 2016： 21-37.

［17］ ZHENG Q P， MA J M， LIU M H， et al. Lightweight hot-spot fault detection model of photovoltaic panels in UAV remote-sensing image［J］. Sensors， 2022， 22（12）： 4617.

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

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

［19］ 李翔， 張濤， 張哲， 等. Transformer在計算機視覺領(lǐng)域的研究綜述［J］. 計算機工程與應(yīng)用， 2023， 59（1）： 1-14.

LI X， ZHANG T， ZHANG Z， et al. Survey of Transformer research in computer vision［J］. Computer engineering and applications， 2023， 59（1）： 1-14.

［20］ RAO Y M， ZHAO W L， TANG Y S， et al. HorNet： efficient high-order spatial interactions with recursive gated" "convolutions［J］." Advances" in" neural" "information processing systems， 2022， 35： 10353-10366.

［21］ HAN K， XIAO A， WU E H， et al. Transformer in transformer［J］. Advances in neural information processing systems， 2021， 34： 15908-15919.

［22］ 郝帥， 楊磊， 馬旭， 等. 基于注意力機制與跨尺度特征融合的YOLOv5輸電線路故障檢測［J］. 中國電機工程學(xué)報， 2023， 43（6）： 2319-2331.

HAO S， YANG L， MA X， et al. YOLOv5 transmission line fault detection based on attention mechanism and cross-scale feature fusion［J］. Proceedings of the CSEE， 2023， 43（6）： 2319-2331.

PHOTOVOLTAIC MODULE" HOT SPOT FAULT DETECTION BASED ON

HIGH-ORDER SPATIAL INTERACTION NETWORK

Hao Shuai，Wang Haiying，Ma Xu，Wu Yingqi，He Tian，Li Jiahao

（College of Electrical and Control Engineering， Xi’an University of Science and Technology， Xi’an 710054， China）

Abstract：Aiming at the problem of traditional infrared hot spot fault detection algorithm is prone to complex background interference and the low fault detection accuracy of small and dense targets， a photovoltaic module hot spot fault detection network based on high-order spatial interaction is proposed. Firstly， the high-order spatial interaction module is designed， and the YOLOv5 backbone network is introduced for global interaction modeling to improve the detection accuracy of the network. Secondly， in order to highlight the key features of fault targets in complex background， a CCA module is constructed based on the CA to reconstruct the neck network.Then，" AFFM module in the neck network is designed to enhance the detection accuracy of the detection network of multi-scales. Finally，the self-adaptive feature fusion detection head is designed to improve the model’s perception of small targets. The experimental results suggest that compared with the seven classical detection algorithms， the proposed algorithm has the highest detection accuracy， reaching 84.3%.

Keywords：PV modules； fault detection； deep learning； hot spot effect； high-order space interaction； feature fusion