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。     

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%）。     

基于无人机的光伏电站智能巡检

太阳能光伏发电是国家能源结构性调整的重要组成部分,近几年随着光伏发电产业规模迅速扩张,光伏电站的日常运维压力日益增加。针对光伏电站面积大、人工检测效率低等问题,文章对基于无人机的光伏电站智能巡检技术进行研究,提出了一个基于无人机的光伏电站智能巡检完整技术路线,实现了光伏面板图像数据自动化采集与分析,并对基于计算机视觉的缺陷检测方法进行研究,采用自适应动态阈值法并结合图像增强技术,基于红外图像实现了鲁棒的光伏面板缺陷检测,结合可见光数据实现缺陷类型判别,进一步根据相机POS数据及相机模型解算缺陷坐标,实现缺陷定位,并在实际场景中验证了所提出技术路线的有效性。     

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。     

基于深度学习的光伏板缺陷分类定位算法研究

提出了一种基于深度学习技术的光伏板缺陷分类定位方法,用于快速准确地确定光伏板缺陷的位置和类型。为了克服传统单张图像缺陷检测方法的视角限制,采用图像配准、拼接等算法生成高分辨率的光伏全景图像,并使用深度学习技术对光伏板红外图像进行缺陷分类,通过与可见光图像进行对比,可以有效地确定光伏板缺陷的类型。光伏板缺陷分类的准确率、精确率、召回率和F1分数分别达到了93.71%、93.13%、93.20%和93.11%。与传统方法相比,该方法具有非接触、高效和快速等优点,适用于大规模光伏板缺陷的检测和定位,能够在短时间内获取准确、全面的光伏板缺陷信息。     

可见光和红外图像决策级融合目标检测算法

为了提高可见光和红外图像决策级融合目标检测算法的性能,提出了一种基于模型可靠性的决策级融合策略。首先采取图像预处理技术提高红外图像的整体质量,之后对可见光与热红外目标检测模型分别进行训练测试,根据模型测试结果得到融合策略所需参数,依据所提出的融合策略对模型检测结果进行融合,得到最后的融合检测结果。实验结果表明,相比于单一目标检测模型的检测结果,所采用的融合算法在白天的漏检率比可见光检测模型降低了8.16%,夜间漏检率比红外检测模型降低了9.85%。     

多晶硅光伏组件功率测试偏差分析

随着石化资源的日益枯竭,太阳能作为可再生清洁能源其可持续发展的前景日益广阔。在《能源发展战略行动计划2014-2020》中,我国的非化石能源比重要达到15%,而目前非化石能源的比重不到10%。太阳能作为清洁的新能源之一,在未来能源行业仍大有可为。目前世界主流的光伏组件有多晶硅光伏组件、单晶硅组件以及薄膜组件。本文对多晶硅光伏组件功率测试结果偏差进行了简单的分析,对比各实验室对同一组件的功率测试结果,找出测试结果偏差的原因,为光伏电站投资提供参考。     

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。     

Performance variation of dark current density-voltage characteristics for PID-affected monocrystalline silicon solar modules from the field

Potential-induced degradation (PID) has caught considerable attention in recent years because of its detrimental influence on output power of solar module and energy yield of photovoltaic power plant. In this paper, performance variation of dark current density-voltage (dark J-V) characteristics for PID-affected monocrystalline silicon solar modules dismounted from photovoltaic power plant was investigated. By measuring dark J-V characteristics of the PID-affected modules, the deterioration trend of dark J-V characteristics for PID-affected modules was found for the first time. Based on diffusion theory of metal ions, a new field-assisted diffusion model of metal ions was built, and the deterioration of open-circuit voltage and increase of recombination current density were explained for solar modules affected by PID. The thermal characteristics of solar modules with different level of PID were revealed under forward and reverse bias. There is an obvious temperature difference between the substrings neighboring the frame and the middle substring within the PID-affected modules. The results obtained in this paper give out the reasonable explanation about mechanism of PID and the deterioration trend of dark J-V for PID-affected modules.     

菲涅尔透镜聚焦光斑能流密度分布检测方法

提出了一种间接检测聚光光伏发电系统中菲涅透镜聚焦光斑能流密度分布的方法,搭建了检测实验装置,通过标定相机像素灰度值与聚焦光斑能流密度值的比例因子k,介绍了从聚焦光斑灰度图提取光斑能流密度分布的具体过程.对检测精度进行了验证,结果表明:采用该检测方法得到的光斑峰值能流密度相对误差小于2.1％.该方法具有操作简单、检测精度高的优点,可广泛应用于聚光光伏发电聚焦光斑的能流密度分布的检测.     

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...     

基于卷积神经网络的超声红外热图像分类

在超声红外热像技术应用中,从红外热图像来判断被测对象是否含有裂纹,通常需要先基于人工经验,从红外热图像中提取特征再采用某种模式识别方法进行分类,裂纹的识别与定位过程繁琐且识别率较低.为此,提出一种基于卷积神经网络技术的超声红外热图像裂纹检测与识别方法,其特点是可以直接从超声红外图像中学习特征进而实现是否含有裂纹红外热图...     

Photovoltaic Cells and Modules towards Terawatt Era

Progresses in photovoltaic technologies over the past years are evident from the lower costs, the rising efficiency, to the great improvements in system reliability and yield. Cumulative installed power yearly growths were on an average more than 40% in the period from 2007 to 2016 and in 2016, the global cumulative photovoltaic power installed has reached 320 GWp. The level 0.5 TWp could be reached before 2020. The production processes in the solar industry still have great potential for optimization both wafer based and thin film technologies. Trends following from the present technology levels are discussed, also taking into account other parts of photovoltaic systems that influence the cost of electrical energy produced. Present developments in the three generations of photovoltaic modules are discussed along with the criteria for the selection of appropriate photovoltaic module manufacturing technologies. The wafer based crystalline silicon (c-silicon) technologies have the role of workhorse of present photovoltaic power generation, representing more than 90% of total module production. Further technology improvements have to be implemented without significantly increasing costs per unit, despite the necessarily more complex manufacturing processes involved. The tandem of c-silicon and thin film cells is very promising. Durability may be a limiting factor of this technology due to the dependence of the produced electricity cost on the module service time.     

基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小.通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位.本文以变...     

复杂环境下多尺度行人实时检测方法

作为计算机视觉和图像处理研究领域中的经典课题,行人检测技术在智能驾驶、视频监控等领域中具有广泛的应用空间。然而,面对一些复杂的环境和情况,如阴雨、雾霾、被遮挡、照明度变化、目标尺度差异大等,常见的基于可见光或红外图像的行人检测方法的效果尚不尽如人意,无论是在检测准确率还是检测速度上。该文分析并抓住可见光和红外检测系统中行人特征差异较大,但在不同环境中又各有优势的特点,并结合多尺度特征提取方法,提出一种适用于多样复杂环境下多尺度行人实时检测的方法——融合行人检测网络(FPDNet)。该网络主要由特征提取骨干网络、多尺度检测和信息决策融合3个部分构成,可自适应提取可见光或红外背景下的多尺度行人。实验结果证明,该检测网络在多种复杂视觉环境下都具有较好的适应能力,在检测准确性和检测速度上均能满足实际应用的需求。