基于深度学习的光伏组件热斑偏振图像分割算法研究

作     者：王子妮 

作者单位：安徽建筑大学 

学位级别：硕士

导师姓名：汪方斌

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0807[工学-动力工程及工程热物理] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：热红外成像 偏振成像 光伏热斑 目标分割 Mask R-CNN 

摘      要：光伏发电已成为一种环保且经济的新型发电方式,近年来随着“双碳战略的实施,装机容量和覆盖面积得到了快速增长。光伏组件作为光伏发电系统的核心部件,长期工作在室外恶劣环境中,往往会产生很多缺陷造成光伏组件表面局部发热,不仅降低光伏电站的发电效率,而且会存在安全隐患,甚至引发严重火灾。 利用热像仪可以对光伏组件表面局部发热区域进行检测,检测到发热区域在红外热图像中表现为显著热斑。因此,可以利用红外热成像技术实现快速定位热斑故障,而且可以对热斑大小、形状及其可能造成的影响进行分析。但红外热成像易受环境因素的干扰,导致其图像存在分辨率较低、对比度弱以及轮廓不清晰等特点,对光伏热斑的准确定位存在困难,造成热斑区域分割精度不高,限制分割精度的进一步提升。 考虑到偏振是光的固有属性,且存在热斑缺陷的光伏电池区域热辐射相对于无缺陷区域存在明显的偏振特性差异,本文首先从红外热像角度出发,研究基于深度学习的红外光伏组件热斑分割算法;在此基础上引入偏振探测技术,获取光伏热斑的红外偏振信息,对光伏组件热斑分割算法进行改进,为光伏热斑的准确识别与定位作支撑。本文的主要工作如下: (1)针对目前红外图像边缘模糊、分割热斑时算法特征提取不充分以及定位不准确等问题,提出了一种基于改进Mask R-CNN的红外光伏组件热斑分割算法。该算法通过设计边缘特征增强模块,以在特征提取阶段引入热斑边缘信息,并添加红外注意力机制,以优化提取到的红外图像特征;通过K-means算法对数据集红外热斑图像进行长宽比分析,进而调整算法锚框大小,以适应不同尺度的热斑;通过热像仪采集的单晶硅与多晶硅电池板热像与网络下载的开源数据集,构建光伏热斑数据集并开展红外热斑图像特征图可视化、消融实验和热斑分割实验。结果表明,改进后的Mask R-CNN算法能够有效定位和提取光伏热斑,精确度、召回率、平均精度均值分别达到82.616%、77.037%、82.460%,具有较好的光伏组件热斑分割效果。 (2)鉴于光伏组件热斑红外图像存在对比度低、边缘模糊、错位现象等不足,限制分割精度的进一步提升,为此引入偏振成像增加光伏组件热斑图像信息的维度。利用偏振度图像与红外光强图像的互补性,对改进的Mask R-CNN光伏组件热斑分割算法进行优化,提出一种基于双分支特征融合的热斑分割算法。首先采用Res Net和卷积块构成双分支网络代替边缘特征增强模块,分别提取光伏组件热斑光强和偏振度图像特征;然后基于红外注意力机制构建融合方法,对提取的不同模态特征进行融合并包含更多纹理细节与边缘信息;最后,搭建红外偏振成像系统获取实验控制条件下的光伏组件热斑图像,并对图像进行去噪处理,通过定性分析与定量对比,验证提出算法的有效性与性能。实验结果表明,基于双分支特征融合的热斑分割算法能够使光伏组件热斑分割精度得到进一步提升,分割后的热斑图像精确度、召回率、平均精度均值分别达到了94.116%、82.944%、93.76%。 图[41]表[14]参[80]