一种光伏板热斑的检测与面积占比计算方法与流程

1.本发明属于光伏板热斑检测与计算技术领域，具体涉及一种光伏板热斑的检测与面积占比计算方法。


背景技术：

2.光伏发电因低成本、高效率的优势，其将迎来新的发展。光伏板是实现太阳能转化为电能的核心部件，但其长期暴露室外，极易被灰尘、鸟类排泄物等污渍覆盖遮挡，这部分被遮蔽的太阳电池组件会作为负载消耗能量，造成局部温度升高形成热斑，这会降低光伏系统发电效率和光伏板使用寿命甚至引起火灾，因此在光伏电站运维中对热斑的快速准确检测尤为重要。基于图像的光伏板故障分析能够高效识别光伏板的常见故障，提高巡检效率。基于图形特征的图像处理技术进行热斑检测能够直观的表现热斑的形态位置以及受损程度，进而提供有效的维修参考，近年来取得很大进展。而光伏板层压结构中的钢化玻璃导致的反光现象，以及小尺度热斑又给基于图像处理的检测方法带来挑战。同时根据光伏组件输出特性得知，热斑面积是后续分析热斑影响的重要指标，所以能够完成像素级分类的语义分割算法在热斑检测任务中会有更好的应用前景。
3.公开号为cn 115409833 a的中国专利公开了一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，包括：获取校正后的光伏板区域红外灰度图；对灰度图进行滑窗，获取所有光照区域；对光照区域进行滑窗，得到各像素点的相似点连线方向及其累加标记值；利用各像素点的相似点连线方向的累加标记值、光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，得到光照区域各像素点的灰度趋势度；利用光照区域各像素点的灰度值、灰度趋势度，得到各像素点的增益权重值；利用各像素点的增益权重值得到图像增强后的灰度图；对图像增强后的灰度图进行阈值分割，获取热斑区域。上述方法用于检测光伏板的热斑缺陷，可提高检测准确度。cn 115公开号为cn 114973032 a的中国专利公开了一种基于深度卷积神经网络的光伏板热斑检测方法及装置，属于光伏板热斑检测技术领域，包括：获取光伏板红外图像；利用改进的目标检测算法yolov4构建光伏板识别模型，通过光伏板识别模型识别并截取光伏板红外图像中的光伏板；利用优化的语义分割算法deeplabv3+构建热斑分割模型，通过热斑分割模型对截取到的光伏板上的热斑进行检测分割。本发明通过对yolov4特征提取网络进行替换，实现对航拍红外图像光伏板的快速识别，解决红外图像地面背景影响的问题，将mobilenetv2网络引入deeplabv3+模型中实现对上述识别结果进行热斑的快速分割，可以精确检测出热斑。但是上述两个专利中只是公开了光伏板热斑的检测方法或系统装置，但是都没有公开如何计算热斑面积的方法；而且，在利用图像处理技术进行热斑检测的过程中发现远离热斑主体的小尺度热斑易被漏检，而与热斑特征相似的反光噪声也易被误检。


技术实现要素：

4.为了解决现有技术中存在的不足，本发明的目的是提供一种光伏板热斑的检测与
面积占比计算方法。该计算方法通过搭建融合注意力机制的deeplabv3+语义分割模型，用于光伏板热斑检测并在检测结果中计算热斑面积占比，解决了反光噪声误识别为热斑以及小尺度热斑被漏检的问题，同时通过计算热斑面积占比便于后期研究热斑面积占比，以此判断当前光伏板故障程度。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种光伏板热斑的检测与面积占比计算方法，包括以下步骤：
7.(1)建立标准化的光伏板热斑热红外图像数据集；
8.(2)搭建基于deeplabv3+网络架构的光伏板热斑检测网络模型；
9.(3)利用图像处理技术计算光伏板热斑面积占比。
10.进一步的，所述步骤(1)中建立标准化的光伏板热斑热红外图像数据集的具体过程如下：
11.1)利用手持红外热像仪在光伏电站实地拍摄光伏板热红外图像，根据光伏电站实际情况采用真实热斑和模拟热斑结合方式采集原始数据；
12.2)将步骤1)中采集的原始数据进行像素统一、数据筛选、数据扩增处理，并利用图像标注软件labelme进行数据标注，将光伏热斑数据集中每张图像标注为“background”和“hot_spot”两类标签。
13.进一步的，所述步骤(2)中搭建基于deeplabv3+网络架构的光伏板热斑检测网络模型的具体过程如下：
14.(a)选用mobilenetv2为主干特征提取网络；
15.(b)引入cbam注意力机制，对输入的特征层先后进行通道注意力机制和空间注意力机制的处理，增加目标特征的权重实现神经网络训练过程自适应的聚焦重要特征；
16.(c)完成deeplabv3+网络空洞空间金字塔池化改进；
17.(d)在主干特征提取网络中引出两个不同跃层的低层特征，与deeplabv3+网络的原低层特征合并为新的浅层语义信息进入解码阶段；
18.(e)输入数据送入mobilenetv2，分为浅层特征和深层特征两类，其中mobilenetv2前三个block的输出特征作为浅层语义信息输入到解码层，另一路mobilenetv2的输出作为深层特征作为注意力机制cbam的输入，深层特征经过注意力机制进一步强化，注意力机制的输出之后进入改进空洞率的aspp模块，利用空洞卷积层提取特征，堆叠输出后进行通道数压缩。
19.进一步的，所述步骤(a)中mobilenetv2的网络特征包括倒残差结构和线性瓶颈结构。
20.进一步的，所述步骤(b)中cbam的计算过程采用如下公式：
[0021][0022]
其中，f为网络原输入特征层，和分别为经过全局最大池化和全局平均池化后的特征描述，为sigmoid函数，f为通道数为1的卷积操作。
[0023]
进一步的，所述步骤(c)中改进deeplabv3+网络空洞空间金字塔池的方法具体如下：基于空洞率过大会导致空洞卷积层的像素采样变稀疏以及为了减小网格效应，将空洞率组合设置为2、3、7。
[0024]
进一步的，所述步骤(3)中计算光伏板热斑面积占比的方法如下：首先，在光伏板图片的兴趣区域选点裁剪；其次，对选点裁剪的区域进行畸变矫正处理；然后，利用轮廓检测技术获取轮廓点，再对轮廓线围成的区域进行面积计算；最后，计算光伏板热斑与整块光伏板面积比。
[0025]
进一步的，所述热斑为轮廓明显的色块。
[0026]
进一步的，所述光伏板热斑的检测方法具体如下：将构建的光伏热斑数据集按照8:1:1划分为训练集、验证集和测试集，检验训练模型的实际预测效果，在测试集中添加未参与构建数据集的50张光伏板图像，将测试集按照热斑种类划分为常规热斑、小尺度热斑以及带有反光噪声的热斑图像，按热斑种类测试检测模型的实际效果。
[0027]
与现有技术相比，本发明具备的积极有益效果在于：
[0028]
本发明通过搭建融合注意力机制的deeplabv3+语义分割模型，用于光伏板热斑检测并在检测结果中计算热斑面积占比，解决了反光噪声误识别为热斑以及小尺度热斑被漏检的问题。具体来说，首先本发明构建了光伏组件热红外图像公开数据集，涵盖反光噪声下的热斑图像、小尺度热斑图像等多类别数据；其次，本发明通过设计多尺度特征融合模块完成图像底层特征的保留，模型选用mobilenetv2作为主干提取网络，通过空洞卷积与倒残差结构实现精度保证和模型参数量精简，为模型移植硬件做基础；最后，基于deeplabv3+网络架构的光伏板热斑检测网络模型引入通道、空间注意力机制cbam，目标特征信息被加权放大，热斑检测精度明显提高；此外，模型对空洞卷积组合空洞率进行优化，防止空洞率过大造成网格中某些像素没有参与运算导致的边缘丢失和小尺度目标的丢失。在分割出热斑的完整形状后通过图像处理技术，获取热斑轮廓与面积即可计算热斑与光伏板的面积比，从而判断当前光伏板的故障程度。
附图说明
[0029]
图1是本发明提供的基于deeplabv3+的含噪声热红外图像光伏热斑检测方法流程示意图；
[0030]
图2是本发明数据集构建流程示意图；
[0031]
图3是本发明基于deeplabv3+的含噪声热红外图像光伏热斑检测网络模型的整体结构示意图；
[0032]
图4是本发明mobilenetv2网络结构示意图；
[0033]
图5是本发明采用的cbam注意力机制结构示意图；
[0034]
图6是本发明空洞空间金字塔池化改进结构示意图；
[0035]
图7是本发明中光伏板热斑面积计算流程图；图8是本发明光伏板热红外图像热斑数据集图；图9是本发明光伏热斑检测模型训练的loss变化过程图；图10是本发明四种方法的检测结果图；图11是本发明四种方法的训练时间对比图。
具体实施方式
[0036]
为了使本发明实现的技术手段、创作特性、达成目的与功效易于理解，下面结合具
体实施例进一步阐述本发明。
[0037]
本发明的光伏板热斑的检测与面积占比计算方法主要包括两个部分，分别基于改进deeplabv3+的光伏板热斑检测模型的搭建和光伏板热斑面积占比计算，具体过程可参见图1，现分别对以上两个部分的进行详细介绍。
[0038]
一、基于改进deeplabv3+的光伏板热斑检测模型
[0039]
1、数据集构建
[0040]
为使设计的热斑检测网络能够对热斑图像进行正确的理解和学习，需要数量足够且能够完整反映热斑各类特征信息的数据集，图2为本文数据集构建主要过程。
[0041]
数据获取阶段是利用便携式红外热像仪光伏电站进行热斑图像数据采集，前期获取含有光伏热斑的原始光伏板热红外图像220张。数据处理过程主要包括数据筛选，数据扩增，数据集标注等主要过程，具体描述如下：
[0042]
(1)利用手持红外热像仪在光伏电站实地拍摄光伏板热红外图像，根据光伏电站实际情况采用真实热斑和模拟热斑结合方式采集原始数据；数据采集的原则主要根据目前热斑检测过程中难以处理的小尺度热斑和反光噪声误检的问题设置的，即数据集除了涵盖常规形态的热斑图像数据，还包含小尺度热斑及带有反光噪声的热红外图像，具体数据集构建要求如下：
[0043]
热斑尺度不同：在光伏板实际工作中，不同原因形成的热斑尺度不一，因此构建数据集需涵盖大小不同的热斑目标，以满足实际要求。将像素面积占整幅图像3％以下的热斑定义为小尺度热斑，其余尺度热斑定义为常规热斑目标；
[0044]
含反光噪声：为了验证本发明中语义分割算法在含有太阳或其他物体反光噪声时正确检测热斑的有效性，数据集中需要包含带有反光噪声的图像数据。
[0045]
(2)进行数据筛选：根据实际热斑特征及数据集构建原则，剔除不符合条件的图像数据，以免进行无效标注及错误扩增；
[0046]
(3)利用语义标注软件labelme将采集的图像进行人工标注，分为热斑、背景两个类别，分别为红色和黑色；
[0047]
(4)实地采集中只能获取有限的数据量，为了达到更好的训练效果，增加模型泛化能力，必须对数据集进行扩充加大数据集规模。同时为保证热红外图像中颜色与温度对应的一致性，在进行数据扩增时按照一定概率对已有数据进行镜像、随机抠取等不影响颜色特征变化的方式实现数据扩增。根据数据集构建原则和热斑特征，通过数据采集、数据扩增、数据标注，最终构建的光伏板热红外图像热斑数据集包含1400张分辨率为560
×
350的含有热斑的热红外图像。数据处理过程完成后，图像数据集涵盖原始热红外图像和语义标签，按照热斑类型将图像数据进行分类，如附图8所示，其中a列为常规热斑，b列为小尺度热斑，c、d列为含有反光噪声的热斑图像。
[0048]
2、基于改进deeplabv3+的光伏板热斑检测模型的搭建，具体过程可参见图3
[0049]
1)将deeplabv3+的主干特征提取网络更改为mobilenetv2，其具体网路结构如图4所示。该网络利用倒残差网络结构先对通道数较少的特征使用1
×
1卷积升维，通道扩张后进行特征采集，再进行1
×
1卷积降维。对于通道数较大的中间层，mobilenetv2采用深度可分离卷积代替3
×
3普通卷积，深度可分离卷积包括深度卷积和逐点卷积，即先利用卷积核对每个通道分别进行卷积，卷积核数量等于上层通道数，完成深度卷积后再进行逐点卷积，
最后用1
×
1卷积核组合深度卷积的输出并恢复通道数，最终完成深度可分离卷积，相较普通3
×
3卷积极大的缩减了参数量。同时利用倒残差结构使得特征层通道先扩张后压缩，减小特征损失，倒残差结构部分对输入特征进行1
×
1卷积层进行通道扩张，经过深度可分离卷积采集特征，再由1
×
1卷积层进行通道压缩。为进一步减小非线性激活函数导致的信息丢失，网络将升维和深度可分离卷积过程激活函数改为relu6，较好的解决了由于梯度消失造成的特征丢失问题。
[0050]
2)在网络结构中融合了cbam注意力机制，cbam注意力机制结构结构图如图5所示。cbam在考虑通道特征的基础上结合空间维度的信息，既能强化目标特征，又能考虑目标位置信息，对输入的特征层先后进行通道注意力机制和空间注意力机制的处理。通道注意力机制关注目标关键特征，其对输入进来的特征层分别进行全局平局池化和全局最大池化得到两个特征描述，利用共享全连接层将两者处理相加，最后通过sigmoid函数获取通道注意力机制映射特征，即输入特征层每一个通道权重。将其与输入特征相乘得到经过通道注意力机制处理的输出。空间注意力机制将通道注意力机制输出作为空间注意力机制的输入，进一步关注目标像素位置信息。首先对输入在每一个特征点的通道上计算最大值和平均值，然后将两者堆叠合并，经卷积操作降维到1通道，通过sigmoid函数获取经过空间注意力机制映射特征，即输入特征层每一个特征点的权值，将其与网络输入原始特征层相乘即获得最终通过cbam注意力机制处理后的特征。cbam整体计算过程可由公式：
[0051][0052]
其中，f为网络原输入特征层，和分别为经过全局最大池化和全局平均池化后的特征描述，为sigmoid函数，f为通道数为1的卷积操作。
[0053]
3)改进原网络结构中的空洞空间金字塔池化层中的空洞率组合，改进后的空洞空间金字塔池化结构如图6所示。通过不同采样率的空洞卷积能够有效提取图像中的多尺度的语义特征，空洞卷积是为了扩大卷积核的感受野，在普通卷积中增设空洞，能够使得卷积操作后输出更大范围的信息，但是当空洞率过大会导致空洞卷积层的像素采样变稀疏，可能会导致关键特征信息丢失。原网络结构中采用的6、12、18组合的空洞率，在热斑检测的任务中此空洞卷积的组合较大会导致分割小目标的能力欠缺，最终导致小尺度热斑的漏检。结合实际数据中热斑尺度，同时为了减小网格效应，空洞率组合不应该有大于2的公因数，因此现将空洞率组合更改为2、3、7，避免丢失小尺度信息，提升模型提取小尺度热斑的效果。
[0054]
4)改进原网络结构浅层语义信息处理流程。在基于mobilenetv2的主干特征提取网络中引出两个不同跃层的低层特征，与原低层特征合并为新的浅层语义信息进入解码阶段，以达到保留小尺度信息和减少冗余特征信息的目的。如图3(l)阶段，引出模块0、模块1和模块2的低层特征输出。首先，将上述三个低层特征输出进行1
×
1卷积统一通道数，将后两路低层信息分别进行两倍和四倍的上采样统一尺寸，再将三者堆叠合并输出，作为网络的浅层语义信息等待与深层语义信息合。添加了不同尺度的低层信息特征构建的浅层语义信息能够有效减少卷积神经网络的逐层信息丢失问题，保留更多重要特征，提高网络整体的语义分割精确度。
[0055]
5)网络整体工作流程是，输入数据送入mobilenetv2，最终分为浅层特征和深层特
征两类，其中mobilenetv2前三个block的输出特征作为浅层语义信息输入到解码层，另一路mobilenetv2的输出作为深层特征作为注意力机制cbam的输入，深层特征经过注意力机制进一步强化，注意力机制的输出之后进入改进空洞率的aspp模块，利用空洞卷积层提取特征，堆叠输出后进行通道数压缩。将两类特征进行堆叠，完成深层与浅层特征的融合。最后通过3
×
3卷积和4倍上采样，最终恢复输入图像的分辨率大小，输出预测结果。
[0056]
二、光伏板热斑面积计算
[0057]
选取兴趣区域，其过程是基于手动选点获取组件边界，截取一块完整光伏板，由于拍摄角度需要对兴趣区域畸变矫正。检测结果中热斑为轮廓明显的色块，利用轮廓检测技术获取轮廓点，再对轮廓线围成的区域进行面积计算，最后计算热斑与与整块光伏板面积比，具体计算过程如图7所示。
[0058]
三、实验分析
[0059]
1、光伏板热斑检测实验
[0060]
实验将构建的光伏热斑数据集按照8:1:1划分为训练集、验证集和测试集，同时为防止数据窥探偏误，检验训练模型的实际预测效果，在测试集中添加未参与构建数据集的50张光伏板图像，将测试集按照热斑种类划分为常规热斑、小尺度热斑以及带有反光噪声的热斑图像，按类别测试模型的实际效果。实验tensorflow后端的keras框架实现，采用python3编程语言。初始学习率设置为0.001，训练过程结合硬件条件设置每个训练批次含2个图像，根据构建的光伏热斑数据集的数据量设置迭代次数为150，训练添加早停功能，当loss函数连续5个世代未降低时则停止训练，防止训练过拟合。实验中语义分割网络的损失函数将交叉熵与相似度测量函数dice系数综合考虑，其中交叉熵是信息论中的一个重要概念，用于度量两个概率分布间的差异性，其计算如式(1)：
[0061][0062]
其中，y
ji
为真实标签；x
ji
为分割结果；n为类别数；m为当前批次样本数。
[0063]
dice系数是一种相似度度量函数，常用作语义分割的评价指标，取值范围为[0,1]，其值为1时表示两者完全重合，计算公式如式(4)；其中公式(2)中x、y分别为分割结果和真实标签，将为dice系数作为loss函数时，dice loss与dice关系如式(2):
[0064][0065]
diceloss＝1-dice(3)
[0066]
数与交叉熵的网络损失函数最终结合dice系为式(4)：
[0067]
loss＝celoss+diceloss(4)
[0068]
本发明中的热斑检测模型根据上述训练参数设置进行训练，模型共训练93个世代，耗费1.3小时，其中模型训练的loss变化过程如图9，图9中，loss为模型损失函数值，epoch为迭代次数。由于早停环节的设置，模型在连续5代的loss未减小则结束训练，防止过拟合，因此在第93代训练结束后停止，损失函数值稳定在0.05左右。
[0069]
为了更好的展示本发明的技术特点，实验添加了同现有技术的对比情况。实验搭建传统deeplabv3+、segnet、pspnet三类语义分割模型，利用相同数据集进行训练，将最终模型运用到测试集图像数据，图10将四种语义分割模型在相同测试集的检测结果进行可视
化。由图10可以看出，图中前两行是热斑热红外图像的原始图像和真实标签，后四行分别为三种传统语义分割网络和本发明的热斑检测网络的检测结果，可以根据预测标签与实际热斑的重合程度直观的判断热斑分割效果。由后四行可以看出，四种语义分割网络对常规形态的热斑分割效果均达到检测要求，但在反光噪声的干扰下，三种传统语义分割模型出现了反光误检、小尺度目标漏检现象，而本发明中设计的热斑检测模型，小目标分割完整并且能够抑制反光发声。
[0070]
为更好的说明四种模型表现情况，表1列出了各模型的平均性能指标，图11列出了四种方法的训练时间。
[0071]
表1四种模型平均性能表现
[0072][0073][0074]
实验结果表明，本发明中涉及的热斑检测网络性能相较实验对比的三类传统语义分割模型得到了较大的提升，这是得益于模型引入的cbam自注意力机制，有效加强模型对图片像素特征的关联，增加浅层语义信息的来源并改进空洞卷积层的空洞率，保留更多目标特征，同时，模型对小尺度热斑具有较高的敏感性，同时很大程度改善了传统语义分割网络对反光噪声与热斑的误检缺陷。相较于传统三类语义分割模型，本发明在测试集预测结果的平均交互比达到90.82％，平均像素精度提升到94.39％。在训练效率方面，三种传统语义分割模型分别采用xception和resnet作为主干网络，本发明中采用mobilenetv2作为轻量级主干网络，能够有效提升模型训练速度。由结果可知，本发明相较基于resnet作为主干网络的pspnet和segnet，训练时间分别减少了11.53％和19.23％，同时由于网络架构引入的注意力机制，相较基于传统deeplabv3+耗时提升并不明显，实验中缩短约3.84％。
[0075]
热斑面积占比计算过程利用opencv中findcontours、contourarea两个主要函数实现，如图7列出面积计算流程，进行区域裁剪、畸变矫正、轮廓检测进而完成面积计算，最后输出效果给出更换建议。
[0076]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种光伏板热斑的检测与面积占比计算方法，其特征在于，包括以下步骤：(1)建立标准化的光伏板热斑热红外图像数据集；(2)搭建基于deeplabv3+网络架构的光伏板热斑检测网络模型；(3)利用图像处理技术计算光伏板热斑面积占比。2.根据权利要求1所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(1)中建立标准化的光伏板热斑热红外图像数据集的具体过程如下：1)利用手持红外热像仪在光伏电站实地拍摄光伏板热红外图像，根据光伏电站实际情况采用真实热斑和模拟热斑结合方式采集原始数据；2)将步骤1)中采集的原始数据进行像素统一、数据筛选、数据扩增处理，并利用图像标注软件labelme进行数据标注，将光伏热斑数据集中每张图像标注为“background”和“hot_spot”两类标签。3.根据权利要求1所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(2)中搭建基于deeplabv3+网络架构的光伏板热斑检测网络模型的具体过程如下：(a)选用mobilenetv2为主干特征提取网络；(b)引入cbam注意力机制，对输入的特征层先后进行通道注意力机制和空间注意力机制的处理，增加目标特征的权重实现神经网络训练过程自适应的聚焦重要特征；(c)完成deeplabv3+网络空洞空间金字塔池化改进；(d)在主干特征提取网络中引出两个不同跃层的低层特征，与deeplabv3+网络的原低层特征合并为新的浅层语义信息进入解码阶段；(e)输入数据送入mobilenetv2，分为浅层特征和深层特征两类，其中mobilenetv2前三个block的输出特征作为浅层语义信息输入到解码层，另一路mobilenetv2的输出作为深层特征作为注意力机制cbam的输入，深层特征经过注意力机制进一步强化，注意力机制的输出之后进入改进空洞率的aspp模块，利用空洞卷积层提取特征，堆叠输出后进行通道数压缩。4.根据权利要求3所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(a)中mobilenetv2的网络特征包括倒残差结构和线性瓶颈结构。5.根据权利要求3所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(b)中cbam的计算过程采用如下公式：其中，f为网络原输入特征层，和分别为经过全局最大池化和全局平均池化后的特征描述，为sigmoid函数，f为通道数为1的卷积操作。6.根据权利要求3所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(c)中改进deeplabv3+网络空洞空间金字塔池的方法具体如下：基于空洞率过大会导致空洞卷积层的像素采样变稀疏以及为了减小网格效应，将空洞率组合设置为2、3、7。7.根据权利要求1所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述步骤(3)中计算光伏板热斑面积占比的方法如下：首先，在光伏板图片的兴趣区域选点裁剪；其次，对选点裁剪的区域进行畸变矫正处理；然后，利用轮廓检测技术获取轮廓点，再对轮廓线围成的区域进行面积计算；最后，计算光伏板热斑与整块光伏板面积比。
8.根据权利要求1-7任一项所述一种光伏板热斑的检测与面积占比计算方法，其特征在于，所述光伏板热斑的检测方法具体如下：将构建的光伏热斑数据集按照8:1:1划分为训练集、验证集和测试集，检验训练模型的实际预测效果，在测试集中添加未参与构建数据集的50张光伏板图像，将测试集按照热斑种类划分为常规热斑、小尺度热斑以及带有反光噪声的热斑图像，按热斑种类测试检测模型的实际效果。

技术总结
本发明公开了一种光伏板热斑的检测与面积占比计算方法，包括以下步骤：(1)建立标准化的光伏板热斑热红外图像数据集；(2)搭建基于DeepLabv3+网络架构的光伏板热斑检测网络模型；(3)利用图像处理技术计算光伏板热斑面积占比。本发明通过搭建融合注意力机制的DeepLabv3+语义分割模型，用于光伏板热斑检测并在检测结果中计算热斑面积占比，解决了反光噪声误识别为热斑以及小尺度热斑被漏检的问题，同时通过计算热斑面积占比便于后期研究热斑面积占比，以此判断当前光伏板故障程度。以此判断当前光伏板故障程度。以此判断当前光伏板故障程度。


技术研发人员：夏大伟 张小科 陈辉 张少锋 赵光金 史书怀 曹桂州 李玲 陈二强 蒋玲芳 李敏 李珍平
受保护的技术使用者：国网河南省电力公司电力科学研究院
技术研发日：2023.02.28
技术公布日：2023/7/19