电站中光伏组件的人工智能热红外检测技术进展

基于温度红外图像的光伏组件缺陷检测是实现光伏电站规模化组件质量检测的重要技术。文章简要介绍了光伏组件热斑产生的原因和危害,重点从热斑检测、热斑定位和提取三个方面总结和对比了光伏组件红外图像及视频的人工神经网络模型及其性能。其中改进的YOLOv5模型对光伏组件的热斑检出精度达到了98.8%,Lucas-Kanade稀疏光流跟踪算法的热斑定位精度达到97.5%。简单讨论了适应大规模光伏电站运维需求的热斑检测技术的发展趋势。     

一种基于ResPNet的光伏组件红外成像故障检测方法

目前利用无人机获取光伏组件红外影像数据越来越多地应用于光伏组件故障检测中。但光伏组件红外影像数据各类别样本相似度较高，现有深度学习模型的光伏组件红外影像特征提取能力较低，导致光伏组件多故障类型分类精度偏低。针对以上问题，基于ResNet(residual network)模型构建ResPNet(residual photovoltaic network)模型进行光伏组件红外影像故障检测。ResPNet模型在ResNet模型基础上，加入了底层特征信息增强模块、多尺度特征信息增强模块、全局特征信息增强模块，用于提升模型的光伏组件红外影像特征提取能力。在公开的光伏组件红外影像数据集Infrared Solar Modules上进行实验，ResPNet模型的12类光伏组件红外影像分类精度达到84.6%，不但优于ResNet-50模型，而且优于其他的光伏组件红外影像分类模型。通过级联多个ResPNet模型，取得了该数据集目前已知最高的12类光伏组件红外影像分类检测精度（85.9%）。     

基于改进YOLO v5s算法的光伏组件故障检测

针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加强大的EIOU(efficient intersection over union)损失函数,并自适应调节置信度损失平衡系数,提升模型训练效果;随后,在每个检测层前分别添加InRe特征增强模块,通过丰富特征表达增强目标特征提取能力。最后,用创建的红外光伏数据集进行对比验证。实验结果表明：本文方法均值平均精度（mean average precision, mAP）为92.76%,检测速度（frame per second,FPS）达到42.37 FPS,其中热斑、组件脱落两种故障类型平均精度分别为94.85%、90.67%,完全能够满足无人机自动巡检的需求。     

多模态自适应特征融合的目标检测

随着深度学习的发展，基于卷积神经网络（CNN）的目标检测方法取得巨大成功。现有的基于CNN的目标检测模型通常采用单一模态的RGB图像进行训练和测试，但在低光照环境下，检测性能显著下降。为解决此问题，提出了一种基于YOLOv5构建的多模态目标检测网络模型，将RGB图像和热红外图像相结合，以充分利用多模态特征融合信息，从而提升目标检测精度。为了实现多模态特征信息的有效融合，提出了一种多模态自适应特征融合（MAFF）模块。该模块通过自适应地选择不同模态特征并利用各模态间的互补信息，实现多模态特征融合。实验结果表明：所提算法能有效融合不同模态的特征信息，从而显著提高检测精度。     

基于改进YOLO v5算法的光伏组件红外热成像缺陷检测

现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高,本文提出一种基于改进YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的YOLO v5算法主要是在原来的基础上增添注意机制SE模块,并且改进损失函数将GIo U改为EIo U提高模型收敛效果、最后采用KG模块平衡特征金字塔结构对模型进行优化,用以提高YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在YOLO v5s模型中,在光伏组件红外图像的检测上的平均检测精度m AP可以达到92.8%,比原本的YOLO v5s算法88.3%提升了4.5%,在精确度和召回率上的收敛效果也比原始YOLO v5算法模型有所提高,改进后的网络结构应用于l、m、x三种模型中,其检测精度都有所提升,因此改进后的YOLOv5算法适用于4种模型。     

基于空间联合的红外舰船目标数据增强方法

针对红外舰船目标图像数据少、获取难度高等问题,结合图像的几何变化以及金字塔生成对抗网络的特征拟合,提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先,利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强;然后,根据红外舰船图像特点,改进金字塔生成对抗网络（SinGAN）,在生成器引入In-SE通道间注意力机制模块,增强小感受野特征表达,使其更适合用于红外舰船目标;最后,在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法,完成对原始数据集的数据增强。结果表明:以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型,开展红外舰船图像数据增强仿真实验,采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右,验证了所提方法在小样本红外舰船图像数据增强方面的可行性,为提高红外舰船目标检测算法提供了数据基础。     

基于图像分析的电力设备故障检测技术研究

电力设备过热故障可以通过采集的红外图像进行识别。因此,提出基于红外热图像分析的电力设备热故障检测技术,该技术下的电力设备热故障检测系统由图像采集模块和红外图像检测模块构成。通过红外图像配准方法,确保电力设备红外图像的采集位置同原始位置一致,提高总体热故障检测的精度。依照数据库中已经完成设置的电力设备图像特征点位置,采集完成红外图像配准区域的温度信息。凭借温度信息相互对比获取的结果,实现电力设备热故障检测,并且发出警报。给出了拉普拉斯锐化算法的关键代码,以实现对电力设备红外图像的锐化处理,提高图像清晰度。实验结果说明,所提出的技术在检测电力设备热故障过程中,具有较高的检测精度和鲁棒性。     

基于红外图像分析的电力设备热故障检测技术研究

设计基于红外图像分析的电力设备热故障检测系统,该系统由图像采集模块和图像检测模块组成。根据目标设备的形状特征识别热图像中的电力设备,计算设备区域内的最高温度值,并对各种影响因素进行修正后做出诊断,取得了令人满意的结果。在与主动式传感器的电力设备热故障检测法的对比试验中,证明提出的基于红外图像分析的电力设备热故障检测方法在对电力设备热故障区域进行检测时是准确、有效的。     

基于机器学习的光伏组件故障危害识别研究

针对光伏组件受多种因素引起的热斑故障问题,提出了一种以决策树为基础分类器的集成学习算法——梯度提升决策树（gradient boosting decision tree,GBDT）,对光伏组件故障进行识别。通过提取热斑特征数据,使用提出的算法对光伏组件上的热斑故障进行识别,并对其危害进行详细划分。基于获取的热斑故障危害信息,利用提出的算法对故障光伏组件的危害程度进行准确识别,实现了对光伏组件故障危害等级的判定。实验表明,与K近邻（k-nearest neighbors,KNN）算法和支持向量机（support vector machines,SVM）算法相比,GBDT算法在正确率、召回率等指标上能取得较优的效果,说明该算法在光伏组件故障危害识别中具有较强的鲁棒性和泛化能力。     

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

基于热点位置分类的电流互感器发热故障判别方法

针对变电设备故障发热特征选择、提取和故障类型判别问题,提出一种基于热点位置分类的电流互感器发热故障判别方法。首先运用CNN神经网络和YOLO融合算法完成电流互感器零部件检测为基础,建立二维坐标参考基准;然后采用PCNN分层聚类迭代方法分割出故障区域,并利用灰度质心法获取故障区域的热点等效中心;最后选择并提取热点等效中心到坐标原点的距离、角度等参数,应用这些参数判别热点位置的故障类别属性,从而实现电流互感器故障类型判别。结果表明,该判别方法准确率高达92,具有较好的实用性和推广性。     

基于多模态特征图融合的红外热图像目标区域提取算法

红外热图像目标区域(Region of Interest,ROI)提取对故障检测、目标跟踪等有着重要意义.为解决红外热图像干扰多、需人工标记及准确率低等问题,提出一种基于多模态特征图融合的红外热图像ROI提取算法.通过对比度、熵及梯度特征构建多模态特征图并进行区域填充,实现ROI提取.将新算法应用于实际采集的光伏太阳能板图像中.结果表明,新算法具有平均查准率高(93. 0553%)、平均查全率高(90. 2841%)、F1指数和J指数均优于图割法,人工标记少等优点,可有效用于红外热图像ROI提取.     

多特征聚合表征的断路器热故障诊断评级方法

针对电力设备红外热故障特征的准确评估需求,提出一种多特征聚合表征的断路器热故障诊断评级方法,并以高压断路器红外图像为实例进行数据测试。首先,在高压断路器红外图像背景分离的基础上,对设备进行精准的区域划分,提取各区域温度信息;然后运用Mean-shift和改进区域生长法融合,准确提取故障发热区域面积;其次,设计一种多维聚合表征矩阵,将同一设备发热面积、热点温度、热点温差、发热位置、两相同位温升等特征值聚合为多特征向量矩阵,并运用现场案例数据构建该向量矩阵与高压断路器故障类型、等级、处理意见的关联库;最后对350张高压断路器红外图像的1002组多特征向量进行训练测试。结果表明,该方法提取的多特征向量数据使用GWO-SVM分类器测试的F-measure和Kappa系数分别为96%和95.43%,能够实现高压断路器设备热故障的全类型诊断评级及精准定位。     

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。     

多属性融合的电力设备红外热特征数字化方法

本文针对电力设备红外图像诊断中热故障特征提取和数字化表达难题,提出一种多属性融合的电力设备红外热特征数字化方法。通过对电力设备热故障特性和相关诊断文件研究分析,在对图像预处理的基础上,提取图像中关键发热区域的热点温度、热点温差、发热面积、位置信息以及热点群聚现象等热属性值,构建多属性信息融合的过热性故障特征值向量,实现热故障特征数字化描述。以断路器为例对该方法进行了验证分析,结果表明,该方法对典型红外故障图谱具有良好的描述能力,可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。     

融合注意力分支特征的甲烷泄漏红外图像分割

甲烷是现代化工业生产和社会生活的重要能源之一,实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题,本文提出一种融合注意力分支特征的红外图像分割网络（Attention Branch Feature Network,ABFNet）实现甲烷气体泄漏探测。首先,为增强模型对红外甲烷气体图像的特征提取能力,设计分支特征融合模块将残差模块1和残差模块2的输出特征与残差模块3以逐像素相加的方法融合,获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次,为进一步加快模型的推理速度,将标准瓶颈单元中的3×3卷积替换为深度可分离卷积,大幅度减少参数量达到实时检测甲烷气体泄漏。最后,将scSE注意力机制嵌入到分支特征融合模块,更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明,本文提出的ABFNet模型AP50@95、AP50、AP60定量分割精度分别达到38.23%、89.63%和75.33%,相比于原始YOL...     

CCNet: CNN model with channel attention and convolutional pooling mechanism for spatial image steganalysis

Image steganalysis based on convolutional neural networks(CNN) has attracted great attention. However, existing networks lack attention to regional features with complex texture, which makes the ability of discrimination learning miss in network. In this paper, we described a new CNN designed to focus on useful features and improve detection accuracy for spatial-domain steganalysis. The proposed model consists of three modules: noise extraction module, noise analysis module and classification module. A channel attention mechanism is used in the noise extraction module and analysis module, which is realized by embedding the SE(Squeeze-and-Excitation) module into the residual block. Then, we use convolutional pooling instead of average pooling to aggregate features. The experimental results show that detection accuracy of the proposed model is significantly better than those of the existing models such as SRNet, Zhu-Net and GBRAS-Net. Compared with these models, our model has better generalization ability, which is critical for practical application.     

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少1689以上。