基于嵌入式的光伏电池板表面裂痕检测技术研究

作     者：赵瑶 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：张艳玲

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 

主      题：光伏电池板 YOLOv7-tiny 裂痕检测 CBAM注意力机制 EIOU 

摘      要：随着可再生能源技术的快速发展,太阳能因其清洁、可再生的优点被各国广泛应用。而光伏电池板作为一种将太阳能转化为电能的主要转换设备,其表面存在裂痕会间接影响光伏电池板的发电性能,进而缩短了使用寿命,所以检测表面裂痕成为十分重要的环节。目前常用检测方法存在工作量大、精度不高、难以部署到边缘移动设备的问题,因此,本文从裂痕数据集的构建、电池板表面裂痕检测网络的搭建及模型的硬件部署三个方面展开研究,旨在解决现有检测方法存在的问题。主要研究内容如下: (1)针对光伏电池板表面裂痕数据集匮乏的问题,本文首先通过摄像头获取目标图像,其次使用镜像、平移、旋转三种传统方法和基于WGAN网络的深度学习方法实现对目标图像样本的扩增。并使用扩增前后的数据集分别训练本文所选用的YOLOv7-tiny检测网络,通过实验数据表明,扩增后裂痕数据集训练的检测模型在均值平均精度上相比于扩增前提升了6.6%。 (2)针对目前检测算法精度和检测速度不平衡的问题,本文在YOLOv7-tiny网络的基础上提出了一种YOLO＿GSC检测网络。首先,在YOLOv7-tiny网络的骨干网络和颈部两部分中融合CBAM注意力机制,提升模型的特征提取能力和特征融合能力;其次,引入SPD-Conv优化原始网络的颈部,提升检测模型对分辨率不高图像的漏检问题;最后,引入EIOU损失函数,进一步在检测速度不变的情况下提升模型的检测准确率。通过在自建裂痕数据集的实验数据表明,本文提出的检测模型方法相比于改进前的检测模型,其均值平均精度和检测速度分别提升了2.7%和13.3%,并通过消融实验和对比不同检测模型验证了本文所提方法对表面裂痕检测的有效性。 (3)针对嵌入式设备计算力有限,使得模型无法直接移植的问题,本文提出了对YOLO＿GSC检测模型轻量化处理的方法。首先使用Mobile Net V3网络替换YOLO＿GSC的主干网络,其次对网络使用通道剪枝实现模型压缩,进一步减少了网络的参数量。通过实验表明,轻量化后网络的参数量约为5.343M,相比于YOLO＿GSC检测模型的参数量减少了25.1%,检测速度提高了7.8%。最后将轻量化模型移植部署到搭建的嵌入式Jetson Nano平台上,并使用Tensor RT方法实现对检测模型的进一步优化,通过实验验证了本文改进的轻量化模型在光伏电池板表面裂痕检测的识别效果。