基于改进Faster R CNN的光伏组件红外热斑检测算法

光伏故障检测对光伏电站智能运维具有重要意义。针对光伏组件红外图像中热斑目标小、难检测的问题,研究了基于改进Faster R CNN的光伏组件红外热斑故障检测模型。将Swin Transformer作为Faster R CNN模型中的特征提取模块,捕获图像的全局信息,建立特征之间的依赖关系,提高模型的建模能力;进一步利用BiFPN进行特征融合,改善了热斑故障由于目标小和特征不明显容易被模型忽略掉的问题;同时为了抑制光伏红外图像中背景和噪声的干扰,加入轻量级注意力模块CBAM,使模型更加关注重要通道和关键区域,提高对热斑故障检测精度。在自建光伏组件图像数据集上进行实验,热斑故障检测精度高达915,验证了本文模型对光伏组件热斑故障检测的有效性。     

基于改进Otsu＿Canny算法的光伏组件故障定位研究

为了提高光伏系统在线故障诊断的效率,提出一种基于改进遗传算法的Otsu＿Canny光伏组件故障定位方法。采用此方法可以实现从大面积光伏面板的红外图片中提取故障组件,将该方法与基于图像识别的故障诊断方法相结合能够大大提高光伏组件故障诊断的效率。首先利用改进遗传算法的Otsu算法实现光伏组件故障区域分割,再利用Canny算子实现故障边缘检测,最终完成故障定位。实验结果表明,与传统算法相比,所提算法故障定位快、准确率高,具有较好的实用性和应用价值。     

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SSD的人脸口罩佩戴检测算法

本文提出一种多尺度卷积特征融合目标检测方法,用于优化SSD模型对口罩遮挡、尺度变化、样式多样化以及小目标问题的检测精度。基准网络选用表征能力更强的残差网络,引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现性能退化问题;同时引入低层边缘信息与高层语义信息的多尺度特征融合机制充分利用特征细节信息,最终通过参数再训练方式获得改进的SSD模型。实验结果表明,该方法在人脸口罩数据集测试精度90.65%,与原SSD算法82.37%提高8.28%,与SSD使用ResNet-50的87.99%提高2.66%。     

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。     

基于WSN的光伏电池组件故障定位研究

光伏电站是由一系列光伏电池组件通过串并联而组成的,不管是小型分布式电站还是具有一定规模的较大型光伏电站,光伏电池组件在运行过程中部分组件难免会出现一些故障,这些出现故障的组件在什么位置是运行管理员十分关注的问题,也是希望得到解决的问题。针对此问题,该文提出了一种基于WSN的光伏电池组件故障静态定位法。该方法是利用安装在光伏电池组件中的信号采集节点RFD采集光伏组件的电压、电流和温度值,同时定义该光伏电池组件的地址和方位,将这些数据传至管理软件,通过数据处理后显示出该光伏电池组件工作状态和位置,当组件出现故障时,立刻就能在屏幕上显示出来。实验结果表明该方法查找故障光伏电池组件位置快速有效。     

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。     

基于SSD算法的行人检测技术研究

行人检测技术的应用十分普遍,包括人工智能的研究、智能监控的应用、智能交通、无人驾驶汽车中对行人的检测、对人体行为进行分析后做出预判等,应用深度学习的方法对行人进行检测就是人工智能发展的一个十分重要的方向。文章主要研究的内容有3部分,对原SSD算法进行了改进,探讨了神经网络的根本组成与特性,将原SSD算法的基础VGG16改为ResNet50,提高了检测速度和精确度。     

基于特征融合的轻量级SSD目标检测方法

针对应用于嵌入式设备的轻量级目标检测算法,本文提出了一种基于特征融合的改进方案.针对目前Mobile-NetV2-SSD轻量级目标检测算法检测精度低、小目标检测效果差的问题,结合FPN特征金字塔的特征融合思想,选用了MobileNetV2-SSD中包含较多语义信息的3层特征层进行融合,利用多尺度检测的原理,将融合后的特...     

基于改进SSD算法的限位器检测方法

自动泊车系统已经成为高级辅助驾驶系统(ADAS)中的一项重要功能,车辆在泊车过程中时常会出现泊车不到位、与相邻车位中的车辆发生剐蹭等事故.为提升自动泊车的精准性,文章提出了一种实时检测限位器的改进算法SSD-L,通过定位限位器的位置,对车辆的泊车位置进行修正.该方法对原先的SSD网络结构进行精简和改进,并使用卡尔曼滤波...     

基于改进SSD算法的实时交通标示牌检测

由于当前交通标示牌检测模型体积太大,检测速度太慢,无法在嵌入式设备上使用,为提高交通标示牌的检测速度,在SSD算法的基础上使用MobileNet作为主体网络进行特征提取,极大地减小了模型的体积,降低了模型计算量和硬件消耗。模型使用反卷积和跨层连接,不仅丰富了上下文信息,而且提高了检测精度。实验结果表明,这种技术在保证检测交通标示牌检测精度的同时,大大提高了检测速度,为模型在嵌入式设备上进行实时的交通标示牌检测提供可能。     

基于SSD改进的目标检测方法研究

为了满足目标检测任务实时性的要求,基于轻量级深度学习目标检测网络SSD_Mobilenetv1,通过改进其网络结构,以及增加更细粒特征图参与位置回归和分类来综合网络的上下文信息及引入反残差模块提升网络提取特征的能力,实验表明在保证实时检测速度的同时提高了检测精度,并在KITTI数据集上进行训练验证,取得了良好的效果。     

基于拓扑辨识的光伏暂态故障定位方法

光伏电网暂态故障结构复杂,传统故障定位方法对故障数据之间存在的隐含关联规则辨识能力较弱,导致最终的定位存在偏差。为此,提出基于拓扑辨识的光伏电网暂态故障自动定位方法。以电压相位拓扑结构为依据,利用光伏列阵寻找到功率与电压之间的联系,并对电网暂态进行实时跟踪。当电网中的电压、电流发生畸变时,利用贝叶斯模型分析故障数据之间的依赖关系,实现故障位置的定位。实验结果表明:与传统方法相比,该方法能够准确辨识隐含的关联规则、精准界定故障数据边界、确定电网故障的具体位置,为保障光伏电网的正常运行提供技术支持。     

基于改进SSD的轻量化小目标检测算法

为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。     

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。     

基于轻量化SSD的菜品识别

为了能够在移动设备等计算力弱的平台部署菜品识别系统,帮助人们了解菜品信息,对传统目标检测模型SSD做轻量化改进,提高了检测准确率和检测速度.首先使用MobileNetV2代替SSD模型的VGG-16,减少模型体积,提升运行速度;使用注意力机制和混洗通道算法,设计新的注意力逆残差块,增强特征提取能力;优化IOU计算方式,对回归定位损失函数做改变,加快模型的收敛;最后在自建的中餐菜品数据集Chinesefood上进行训练.实验表明,本文提出的Att_Mobilenetv2_SS-DLite轻量型目标检测模型相比SSD和其它目标检测模型效果更佳.     

基于改进SSD算法的骑车人识别研究

在智能网联汽车蓬勃发展的大背景下,目标识别作为智能驾驶的关键技术能够提高公路环境的安全性,本文采用SSD算法对公路环境下骑车人检测识别技术进行研究,发现SSD算法的小目标检测效果和平均识别精度都不太理想,故通过参考YOLOv3算法的跨层链接思想,在网络上引入FPN结构,进而提高识别效果.在TDCB数据集上的实验结果表明,平均检测精度和对小目标检测效果均有所提高,精度上提高约为2.2％,检测速度虽略微减缓,仍符合实际应用需求,改进后的SSD算法对提高公路环境下骑车人安全有着重要意义.     

FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution

Objects that occupy a small portion of an image or a frame contain fewer pixels and contains less information. This makes small object detection a challenging task in computer vision. In this paper, an improved Single Shot multi-box Detector based on feature fusion and dilated convolution (FD-SSD) is proposed to solve the problem that small objects are difficult to detect. The proposed network uses VGG-16 as the backbone network, which mainly includes a multi-layer feature fusion module and a multi-branch residual dilated convolution module. In the multi-layer feature fusion module, the last two layers of the feature map are up-sampled, and then they are concatenated at the channel level with the shallow feature map to enhance the semantic information of the shallow feature map. In the multi-branch residual dilated convolution module, three dilated convolutions with different dilated ratios based on the residual network are combined to obtain the multi-scale context information of the feature without losing the original resolution of the feature map. In addition, deformable convolution is added to each detection layer to better adapt to the shape of small objects. The proposed FD-SSD achieved 79.1% mAP and 29.7% mAP on PASCAL VOC2007 dataset and MS COCO dataset respectively. Experimental results show that FD-SSD can effectively improve the utilization of multi-scale information of small objects, thus significantly improve the effect of the small object detection.     

Photovoltaic module reliability model based on field degradation studies

Crystalline silicon photovoltaic (PV) modules are often stated as being the most reliable element in PV systems. This presumable high reliability is reflected by their long power warranty periods. In agreement with these long warranty times, PV modules have a very low total number of returns, the exceptions usually being the result of catastrophic failures. Up to now, failures resulting from degradation are not typically taken into consideration because of the difficulties in measuring the power of an individual module in a system. However, lasting recent years PV systems are changing from small isolated systems to large grid‐connected power stations. In this new scenario, customers will become more sensitive to power losses and the need for a reliability model based on degradation may become of utmost importance. In this paper, a PV module reliability model based on degradation studies is presented. The main analytical functions of reliability engineering are evaluated using this model and applied to a practical case, based on state‐of‐the‐art parameters of crystalline silicon PV technology. Relevant and defensible power warranties and other reliability data are obtained with this model based on measured degradation rates and time‐dependent power variability. In the derivation of the model some assumptions are made about the future behaviour of the products—i.e. linear degradation rates—although the approach can be used for other assumed functional profiles as well. The method documented in this paper explicitly shows manufacturers how to make reasonable and sensible warranty projections. Copyright © 2008 John Wiley & Sons, Ltd.     

基于空间-通道注意力的改进SSD目标检测算法

目标检测的任务是精确识别,有效定位出图像中目标物体,且预定义其类别.针对主流目标检测(single shot multibox detector,SSD)算法存在小目标检测准确度不高,检测效率较低等问题,提出一种基于空间-通道注意力机制的SSD目标检测算法(spatial and channel single shot...