本發(fā)明涉及光伏組件缺陷檢測(cè)，具體涉及無(wú)人機(jī)視角大規(guī)模光伏組件紅外圖像缺陷檢測(cè)算法模型。

背景技術(shù)：

1、隨著全球?qū)沙掷m(xù)能源需求的增長(zhǎng)，光伏產(chǎn)業(yè)經(jīng)歷了顯著的發(fā)展。太陽(yáng)能光伏技術(shù)已成為減少對(duì)化石燃料依賴(lài)、緩解氣候變化的重要手段。然而，光伏技術(shù)的快速發(fā)展也帶來(lái)了挑戰(zhàn)，尤其是在光伏組件的質(zhì)量和性能方面。光伏組件，作為太陽(yáng)能轉(zhuǎn)化為電能的關(guān)鍵，其生產(chǎn)過(guò)程中可能出現(xiàn)的缺陷，如虛焊、斷柵和隱裂等，嚴(yán)重影響了光伏板的性能和安全性。此外，自然環(huán)境條件，如風(fēng)沙、雨水和冰雪，也可能對(duì)光伏板造成物理性損害，進(jìn)一步影響其能量轉(zhuǎn)換效率和電力輸出性能。

2、因此，在光伏組件的生產(chǎn)和運(yùn)營(yíng)過(guò)程中，缺陷檢測(cè)技術(shù)至關(guān)重要。目前，業(yè)內(nèi)廣泛應(yīng)用的缺陷檢測(cè)技術(shù)包括人工外觀檢測(cè)法、伏安(i-v)曲線分析法、紅外熱成像法、光致發(fā)光(pl)成像檢測(cè)法、電致發(fā)光(el)成像檢測(cè)法。人工外觀檢測(cè)法簡(jiǎn)便快捷，適用于間距類(lèi)、異物類(lèi)等缺陷的檢測(cè)。伏安(i-v)曲線分析法通過(guò)觀察i-v特性的衰減判斷組件是否存在缺陷。紅外熱成像法是一種實(shí)時(shí)無(wú)損的缺陷成像技術(shù)，通過(guò)捕捉局部過(guò)熱產(chǎn)生的熱輻射實(shí)現(xiàn)缺陷的精準(zhǔn)定位，適用于大規(guī)模光伏發(fā)電站在運(yùn)營(yíng)過(guò)程中的“熱斑效應(yīng)”檢測(cè)。光致發(fā)光(pl)成像檢測(cè)法通過(guò)對(duì)電池片或組件照射特定波長(zhǎng)的激光，接收電子空穴對(duì)復(fù)合發(fā)出的紅外光成像，主要用于電池片生產(chǎn)中的缺陷檢測(cè)。電致發(fā)光(el)成像檢測(cè)法與pl法原理類(lèi)似，通過(guò)外加正向偏壓注入少數(shù)載流子復(fù)合發(fā)光，廣泛應(yīng)用于組件生產(chǎn)過(guò)程的缺陷檢測(cè)。

3、但是，這些技術(shù)大多依舊存在一定的局限性：

4、1.人工檢測(cè)的局限性：人工外觀檢測(cè)法雖然簡(jiǎn)便快捷，但在檢測(cè)光伏組件內(nèi)部缺陷，如隱裂、虛焊等，存在明顯的局限性。人工檢測(cè)依賴(lài)于操作者的經(jīng)驗(yàn)，易受主觀判斷的影響，且效率較低，不適合大規(guī)模生產(chǎn)的需求。

5、2.pl和el成像技術(shù)的復(fù)雜性和耗時(shí)性：盡管pl和el成像技術(shù)能夠提供詳細(xì)的組件圖像以揭示缺陷，但這些技術(shù)在操作上相對(duì)復(fù)雜，需要激光照射或外加電壓，且成像過(guò)程耗時(shí)，不利于快速檢測(cè)和實(shí)時(shí)監(jiān)控。

6、3.i-v曲線法的不足：i-v曲線法雖然能夠判斷組件是否存在缺陷，但無(wú)法顯示缺陷的具體位置和類(lèi)別，限制了其在精確定位缺陷方面的應(yīng)用。

7、4.el成像自動(dòng)化和智能化水平低：目前，晶硅光伏生產(chǎn)線上的el成像結(jié)果主要由人工判斷，這不僅成本高、效率低，而且難以適應(yīng)大規(guī)模光伏發(fā)電站運(yùn)營(yíng)階段的需求。

8、5.“熱斑效應(yīng)”檢測(cè)的挑戰(zhàn)：在大規(guī)模光伏發(fā)電站運(yùn)營(yíng)過(guò)程中，對(duì)“熱斑效應(yīng)”的檢測(cè)尤為重要，但現(xiàn)有技術(shù)在實(shí)時(shí)性、準(zhǔn)確性和自動(dòng)化方面存在不足，難以滿(mǎn)足快速、精準(zhǔn)檢測(cè)的需求。

9、6.設(shè)備要求和成本問(wèn)題：部分檢測(cè)技術(shù)如pl成像法對(duì)設(shè)備的要求較高，需要穩(wěn)定的激光光源，這增加了檢測(cè)的成本和復(fù)雜性。

10、7.伏安(i-v)曲線分析法、pl成像檢測(cè)法和el成像檢測(cè)法都是應(yīng)用于電池組件生產(chǎn)過(guò)程的缺陷檢測(cè)。然而，當(dāng)前面臨的一個(gè)嚴(yán)重問(wèn)題是大規(guī)模光伏發(fā)電站運(yùn)營(yíng)階段的光伏組件缺陷檢測(cè)問(wèn)題。

11、光伏組件是光伏發(fā)電站中最重要的組成部分，大規(guī)模光伏發(fā)電站在運(yùn)營(yíng)過(guò)程中，“熱斑效應(yīng)”引起的光伏組件的安全問(wèn)題一直困擾著光伏電站的運(yùn)營(yíng)者?！盁岚咝?yīng)”會(huì)造成點(diǎn)斑、條斑、斷路等問(wèn)題，這些問(wèn)題如果被忽略或未及時(shí)發(fā)現(xiàn)，則可能對(duì)會(huì)降低光伏組件的輸出功率，如果發(fā)熱溫度達(dá)到一定閾值便會(huì)導(dǎo)致光伏組件局部燒毀形成暗斑、焊點(diǎn)熔化、封裝材料老化等永久損壞，影響光伏組件輸出功率以及使用壽命，甚至還有可能導(dǎo)致安全隱患，因此，對(duì)大規(guī)模光伏發(fā)電站在運(yùn)營(yíng)過(guò)程中的光伏組件“熱斑效應(yīng)”的檢測(cè)就顯得十分重要。

12、紅外熱成像法因其實(shí)時(shí)性和無(wú)損性，在大規(guī)模光伏發(fā)電站在運(yùn)營(yíng)過(guò)程中的“熱斑效應(yīng)”檢測(cè)中顯示出其獨(dú)特的價(jià)值。

13、基于此，本發(fā)明設(shè)計(jì)了無(wú)人機(jī)視角大規(guī)模光伏組件紅外圖像缺陷檢測(cè)算法模型以解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)所存在的上述缺點(diǎn)，本發(fā)明提供了無(wú)人機(jī)視角大規(guī)模光伏組件紅外圖像缺陷檢測(cè)算法模型。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：

3、無(wú)人機(jī)視角大規(guī)模光伏組件紅外圖像缺陷檢測(cè)算法模型，命名為gvt-yolo，用于光伏組件紅外圖像缺陷檢測(cè)；

4、所述gvt-yolo主要包括以下三個(gè)部分：骨干網(wǎng)絡(luò)(bacbkbone)、頸部網(wǎng)絡(luò)(neck)和頭部網(wǎng)絡(luò)(head)；

5、gvt-yolo的流程如下：

6、(1)首先，對(duì)輸入圖像進(jìn)行尺度歸一化處理；

7、(2)接下來(lái)，輸入圖像通過(guò)骨干網(wǎng)絡(luò)，捕獲圖像中的不同層次的特征；

8、其中，骨干網(wǎng)絡(luò)包括vovgscspc模塊、sppf模塊和三元注意力機(jī)制；

9、(3)接著，將各尺度的特征圖輸入到頸部網(wǎng)絡(luò)；

10、其中，頸部網(wǎng)絡(luò)包括gsconv卷積和vovgscsp模塊；

11、(4)隨后，經(jīng)過(guò)輕量化的頭部網(wǎng)絡(luò)gdetect；

12、(5)最后，使用非極大抑制去除冗余的低質(zhì)量檢測(cè)框，輸出最終的檢測(cè)結(jié)果。

13、更進(jìn)一步的，步驟(1)中，將分辨率調(diào)整為640×640。

14、更進(jìn)一步的，步驟(2)中，捕獲圖像中的不同層次的特征，包括低級(jí)的細(xì)節(jié)特征和高級(jí)的語(yǔ)義特征。

15、更進(jìn)一步的，利用本發(fā)明檢測(cè)光伏陣列紅外圖像中的缺陷，具體方法包括以下步驟：

16、步驟1：數(shù)據(jù)采集；

17、步驟2：將無(wú)人機(jī)采集到的光伏組件紅外圖像輸入本發(fā)明的gvt-yolo算法檢測(cè)光伏陣列紅外圖像中的缺陷，輸出缺陷的位置和類(lèi)別。

18、更進(jìn)一步的，采集過(guò)程使用大疆經(jīng)緯m300rtk無(wú)人機(jī)飛行平臺(tái)和配備的大疆禪思h20t云臺(tái)相機(jī)。

19、為了更好地實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明還提供了

20、本發(fā)明相較于現(xiàn)有技術(shù)，其有益效果為：本發(fā)明公開(kāi)了一種高效、實(shí)時(shí)、準(zhǔn)確的紅外熱成像檢測(cè)方法，用于大規(guī)模光伏發(fā)電站中光伏組件的“熱斑效應(yīng)”檢測(cè)，以便及時(shí)發(fā)現(xiàn)并處理由熱斑引起的潛在安全隱患，保障光伏電站的安全運(yùn)行和組件的長(zhǎng)期穩(wěn)定性。

21、本發(fā)明在gvt-yolo的骨干網(wǎng)絡(luò)引入了slimneck網(wǎng)絡(luò)中的vovgscspc模塊，替換了原模型中的c2f模塊，提升了骨干網(wǎng)的提取特征信息能力并輕量化了模型。

22、本發(fā)明在gvt-yolo的頸部網(wǎng)絡(luò)引入了slimneck網(wǎng)絡(luò)中的gsconv卷積以及vovgscsp模塊，替換了原模型中的conv卷積和c2f模塊，提升了頸部網(wǎng)絡(luò)的特征融合能力并輕量化了模型。

23、本發(fā)明在經(jīng)過(guò)了大量實(shí)驗(yàn)對(duì)比后，確定了三元注意力機(jī)制(triplet?attention)的最佳位置，在幾乎未增加模型計(jì)算量的前提下，進(jìn)一步提高了算法的檢測(cè)精度。

24、本發(fā)明提出了一種輕量化的頭部網(wǎng)絡(luò)：gdetect，該頭部網(wǎng)絡(luò)顯著減少了模型的計(jì)算量并保持了檢測(cè)精度。

25、本發(fā)明提出的gvt-yolo算法具有精度高、參數(shù)少、速度快，可以通過(guò)無(wú)人機(jī)平臺(tái)搭載紅外熱成像相機(jī)獲取大規(guī)模紅外圖像，并在無(wú)人機(jī)機(jī)載gpu中直接進(jìn)行光伏組件紅外圖像缺陷檢測(cè)。