摘要
光伏系统作为未来主要的电力来源之一，保持光伏电池板的能源转换效率是实现光伏系统可持续运行和经济节约的关键因素，但是光伏电站复杂的部署地气候和环境会导致光伏板出现热斑、碎裂和电池串故障等缺陷，还有植物和鸟粪等异物对光伏板进行遮挡，这些因素都对光伏电站安全、高效、稳定的运行构成了严重威胁，不仅会导致发电效率的大幅下降，还可能引发严重的安全问题。传统光伏板缺陷检测方法多依赖于人工目视或简单设备测试，效率低下，易遗漏微小缺陷。近年来，基于深度学习的光伏板缺陷检测逐渐成为研究热点。本文使用无人机携带热红外成像的相机，采集光伏组件和光伏阵列发电时候的红外图像，并利用基于Transformer的红外光伏板缺陷检测算法进行研究，主要从任务简化、检测网络结构优化和模型轻量化三个方面对缺陷检测算法进行探索。本文的主要工作内容和贡献如下： （1）首先利用无人机对光伏电站采集光伏板图像，包括可见光和红外两种图像。由于红外图像可以反映光伏板热分布情况，对缺陷检测有重要作用，因此最终共整理出约2300张红外图像。然后预处理解决样本不平衡问题后进行标注整理出本文所需数据集，最后，对基于Transformer的端到端检测算法DINO进行改进，随之利用改进后的算法进行光伏板缺陷检测，最终实验结果表明该算法可以较好地完成检测任务，相比人工铺设电路进行检测分析更便捷，准确率也更具优越性，检测任务得到较大程度的简化。 （2）针对Transformer架构的算法在红外光伏板缺陷检测这种形态变化较大的应用场景比较少见且对于小目标检测的准确率较低的问题，设计一种用于光伏板缺陷检测的新型Transformer模型——SAC-DINO。为了在来自backbone的多尺度信息中提取更加精细的局部细节，在特征信息输入编码器前，设计一小目标再提取网络，将此网络的输出作为不同Encoder层的输入；其次，在Encoder中增加一卷积分支，该分支同注意力模块并行运算共同增强输入特征。新的编码器（SAC-Encoder）同时获得长距离特征信息和局部特征信息，加强语义特征和空间位置特征。对比实验结果表明，在红外光伏板故障数据集上该算法与基线算法DINO相比，取得了有竞争力的结果，AP50提高了3.5%，APS提高了8.2%。 （3）针对目标检测模型的参数量和计算复杂度的不断增加，导致红外光伏板缺陷检测模型难以部署到边缘设备的问题，设计一种基于模型压缩的红外光伏板缺陷检测算法T-DINO。以ResNet-101为教师网络，ResNet-18为学生网络，设计一种动态的自适应特征蒸馏方法，即在基于特征蒸馏中利用师生间的注意力权重差异进行高效的知识转移，然后在基于输出响应（logit）蒸馏中将特征蒸馏后得到的学生注意力特征作为指导知识对学生网络最后一层进行蒸馏，最终在损耗极小精度的情况下大大降低了模型复杂度和参数量；同时设计融合模块CSFBlock对局部特征和全局特征进行建模，提高检测精度。在红外光伏板故障数据集上进行实验，相比教师基线网络DINO（ResNet-101）模型参数量减少了77.3%，计算复杂度降低了69.3%，AP50提高了5.2%。仿真实验结果表明：压缩后的模型适合部署在边缘设备，可以满足实际红外光伏板缺陷检测要求。
NETL