SCI论文（www.lunwensci.com）:
摘要：针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。
关键词：DCGAN；YOLOv5；光伏电池板；热斑检测
Hot Spot Detection Method of YOLOv5 Photovoltaic Panel Based on Computer DCGAN Data Enhancement
CHEN Boyuan,WU Jiahui
(School of Electrical Engineering,Xi'an Jiaotong University,Xi'an Shaanxi 710049)
【Abstract】：A solar panel hot spot detection method combining deep convolutional adversarial generative network DCGAN with YOLOv5 target recognition algorithm is proposed,aiming at the problem of low detection accuracy of existing target recognition algorithms due to the small number of solar panel heat spot samples during PV plant inspection.The method improves the data augmentation module of YOLOv5 network by building a DCGAN network for data augmentation to obtain a more sufficient amount of training data with richer features.The original image,conventional data augmentation and DCGAN data augmentation datasets are trained in the YOLOv5 network,and the accuracy of the detection model is compared.The experimental results show that compared with the conventional YOLOv5 target recognition model,this paper uses DCGAN network to improve the image quality of the dataset,reduce the problems of insufficient training and low heat spot detection accuracy caused by insufficient samples,and improve the average accuracy by 1.72%compared with the conventional model.The method helps to improve the inspection efficiency of PV plants and guarantee the normal operation of solar modules.
【Key words】：DCGAN;YOLOv5;photovoltaic panels;hot spot detection
光伏电池板发生被遮挡、裂纹、气泡、脱层、脏污和内部连接失效都可能产生热斑效应,红外照片中可见高温高亮区域。该区域将会消耗光伏组件正常部分所产生的能量,降低输出功率,严重的将会永久性破坏甚至烧毁光伏电池组件。对于热斑准确的检测,是光伏电池组件正常运行的关键保障。光伏发电系统传统的热斑检测方式是人工巡检,但是这种方式强度大,耗时久,带有一定的主观性,容易因肉眼产生错查、漏查和故障位置偏差。杨亚楠等提出了基于支持向量机(SVM)的热斑检测算法,提取子图像块的温度特征,构建分类模型,但该方法所用矩阵计算复杂,缺乏大规模模型训练的能力；孙海蓉等提出基于迁移学习的光伏热斑识别方法，在Inc即tion一v3模型的基础上构建深度迁移学习网络，得到可用于热斑识别的网络模型，但该方法不能提高小样本丰富度，泛化能力差。
Joseph Redmon等于2016年提出YOLO算法，用一个神经网络实现检测目标的归类和定位，目前已经经历了从v.l到v5的发展，在目标检测领域得到了广泛的应用。周全民等对YoL（加2、YOLC扮3与拍L伍14进行网络模型的训练与分析，验证了YOLo系列算法在光伏组件缺陷检侧过程中的可靠性；刘明杰等基于YOIDv3算法，采用K-means聚类获取最优先验候选框数最和大小，建立了光伏电池片的热斑检测模型，在保证热斑识别准确性的前提下提高了热斑的定位精度。本文在上述研究的基础上．通过深度对抗神经网络DCGAN，提高训练数据集数最和丰富度，减少小样本悄况下的训练不充分和过拟合现象，提高热斑检测精度，实现对YOLOvs数据增强模块的改进，并与常规YOLOvs检测结果进行对比分析。
1 YOLOv5网络
YOLOv 5结构包含输入端、压班以划祀网络结构、N民k网络结构和Head输出端，在单阶段目标检测算法中具有独特的优势.
输入端包含Mo兑ic数据处理和自适应锚框计算。选用随机不重复取四张图片，对四张图片进行拼接，丰富检测物体背景，降低模型内存需求，提高训练速度。输入数据集后，程序自行选择初始锚点框，进而和真实框（GT）进行比对，对二者差值执行反向更新操作，调格权重参数，以自适应方式输出最佳锚框值。
Backbone结构包含F沈Lls和CSPNet(C代巧5 Stage内rtial Ne饰咐r地，跨阶段局部融合网络）模块。R丫us模块包含对输入图像进行切片操作和一次32个卷积核的卷积操作，使其由I片X；孙冬xU的特征图变为工琦x3刀x32的特征图。CSPNet模块包含提取不同层的特征信息．通过局部跨层融合操作获得更为丰富的特征图。
NeCk结构包含PANet（九th Agg代名ation Network,路径聚合网络）和spP(SPace即ramid Pooling，空间金字塔池化）模块。PANet模块包含对不同层图像的特征融合后,然后在进行自顶向下的特征融合后。SPP模块采用4种不同大小的卷积核进行最大池化操作，再进行张量拼接。
Head输出端包含损失函数GIOU _ Loss的计算和NMS4卜极大值抑制，通过对相交尺度的浏皿，解决当两描框不相交时准以优化的情况。
2深度卷积对杭生成网络DCGAN
2.1非生成式数据增强方法
常规教据增强方法属于非生成式方法,包含镜像、旋转和亮度变化等，图像特征位置发生变化，但图像形貌未发生根本性变化，因此扩增数相的数量和质量受到限制.
2.2生成式对抗网络GAN基本原理
生成式对对抗网络GAN(Gellerative Adversaria Networks）干2014年率先由Goodfelfow等提出，是一种无监督学习方法，能够学习样本的特征分布，具有风格迁移和图像生成能力。如图1所示为GAN工作流程图，GAN主耍由生成器（Generato〔G）和判别器(Discriminator,D）组成,生成器愉入符合高斯分布的随机噪声z，输出生成器网络的生成敌据到判别器。判别器将生成数据与真实数据对比，对生成器和判别器参故进行反向调节，分别提高生成数招质t和网络判别能力，从而构成”对杭”，增强网络性能.
判别器与生成器关系如式（1）所示：
其中E表示期望，Pdata(x)表示真实数据，Pz（Z）表示嗓声分布，D(x）和D(G(z））分别表示判别器对真实教据和噪声的输出概率,通过GAN网络对抗训练，使
D(x）最大化
D(G(z））最小化，以提高生成数据的直实性。
2.3俗理光伏电池板热斑O(GAN深度卷积时杭生成网络
本文在GAN基础上．构建光伏电池板热斑深度卷积对抗生成网络DCGAN(Deep Convolutional GAN),如表1、表2所示分别为DCGAN生成器和判别器的网络参数[5]。该模型与原模型相比较的改进：
对于生成器网络,使用线性整流ReLU作为激活函数,加快收敛速度；最后一层使用Tanh函数,提高了梯度下降以及反向传播效率,避免了梯度爆炸和梯度消失问题。
对于判别器网络,使用LeakyReLU作为激活函数,解决了神经元的死亡问题,即使对于负输入值,它也可以进行反向传播[6]。最后一层使用Sigmoid函数。
对于生成器和判别器进行批量归一化处理(Batch Normalization),使用BN可以稳定学习,有助于处理初始化不良导致的训练问题。
如图2所示为DCGAN网络结构。生成器部分包括1个全连接层和4个卷积层,将叠加100维随机噪声的原始数据作为输入,经过1个全连接层得到4×4×1024的图像,再经过4个卷积层,最终传递到Tanh激活函数,得到生成器的输出图像[7]。判别器部分包括4个卷积层和1个全连接层,通过四次连续采样使得输出维度的长度和宽度减小,深度增大,最后输出判别概率值。
3实验结果及分析
3.1 DCGAN数据增强
本文已收集到1500张含有热斑特征的光伏电池板红外图像,将其输入深度卷积对抗生成网络DCGAN,然后进行数据增强,训练参数设置如表3所示。本实验的运行环境：CPU为Intel i7-11800H,GPU为NVIDIA GeForce RTX3060,内存为16G,操作系统为Windows10,CUDA为11.0版本,开发语言为Python,框架为Pytorch,权重参数训练采用Adam优化算法[8]。
如图3所示为DCGAN网络随迭代次数epoch增加生成数据集的变化,从左至右分别为迭代次数epoch=100、epoch=300和epoch=500时生成的部分图像。由图3可见,epoch=100时,图像轮廓不清晰,缺少热斑特征；epoch=300时,图像轮廓和热斑特征同时出现；epoch=500时生成图像轮廓清晰,热斑特征明显。经DCGAN迭代500次,光伏电池板红外图像数据集总量扩增至4500张[9]。
3.2数据集标注
对包含4500张热斑特征的光伏电池板红外图像数据集编写图像分类程序,以6:3:1的比例随机分配用于训练模型、验证模型和测试模型的数据集。
采用Labelimg工具对训练集中的热斑特征进行锚框标注[10]。
编写程序,将生成的可扩展标记语言(.xml)格式的热斑特征信息转化成适配目标识别网络的文本信息格式(.txt)。
3.3 YOLOv5网络训练
将标注完成的数据集在YOLOv5网络中训练,权重参数训练采用SGD优化算法,采用GIOU_Loss作为损失函数。参数设置如下：Batch大小为4；最大迭代次数为100；动量因子为0.9；权重衰减系数为0.0005[11]。采用余弦退火策略动态调整学习率,初始学习率为0.01。
3.4模型结果对比
将不同图像数量和不同数据增强类型的数据集通过YOLOv5网络进行训练,采用检测平均精度(Average Precision,AP)值作为目标检测网络的量化指标,运算结果见表4[12]。
如表4所示,常规数据增强和DCGAN数据增强方法均可以提高YOLOv5模型的检测精度。采用DCGAN数据增强方式扩增1000、2000和3000张图像时检测精度分别较原始图像提高2.60%、4.81%和7.29%。相同图像数量下,采用DCGAN数据增强扩展的数据集检测精度较常规方式提高1.72%[13]。与常规数据增强方法相比,采用DCGAN获得的数据集质量更好,对模型精度的提高效果更显著。
如图4所示为采用DCGAN数据增强的改进YOLOv5算法对光伏电池板热斑检测效果,不同位置和大小的热斑得到了准确识别和定位。
4结语
本文提出基于改进YOLOv5的光伏电池板热斑检测方法,在传统YOLOv5网络的基础上,搭建深度卷积对抗生成网络DCGAN对红外图像进行数据增强,改进YOLOv5的数据增强模块。实验结果表明,与常规非生成式数据增强方式相比,采用DCGAN网络可以对光伏电池板数据集进行更高质量的增广,提高小样本数据集数量和丰富度,改进后的YOLOv5目标检测模型对光伏电池板热斑的检测精度显著提高。
参考文献
[1]杨亚楠.太阳能光伏阵列识别及热斑检测技术的研究与实现[D].南京:南京邮电大学,2018.
[2]孙海蓉,李号.基于深度迁移学习的小样本光伏热斑识别方法[J].太阳能学报,2022,43(1):406-411.
[3]REDMON J,DIVVALA S,GIRSHICK R,et al.You Only Look Once:Unified,Real-time Object Detection[C]//Las Vegas:IEEE Conference on Computer Vision and Pattern Recognition,2016:1-10.
[4]REDMON J,FARHADI A.YOLO9000:Better,Faster,Stronger[C]//Honolulu,USA:IEEE Conference on Computer Vision and Pattern Recognition,2017:1-9.
[5]REDMON J,FARHADI A.YOLOv3:An Incremental Improvement[EB/OL].https://arxiv.org/1804.02767,2018.
[6]BOCHKOVSKIY A,WANG C Y,LIAO H.YOLOv4:Optimal Speed and Accuracy of Object Detection[EB/OL].https://arxiv.org/abs/2004.10934,2020.
[7]重庆邮电大学.一种基于热红外图像的光伏电站热斑检测与定位方法:CN202010909570.8[P].2021-01-08.
[8]周全民,杜玉杰,叶征灯,等.YOLO系列算法在光伏组件缺陷检测中的应用与分析[J].新型工业化,2021,11(1):107-108+123.
[9]WANG C Y,LIAO H,WU Y H,et al.CSPNet:A New Backbone that Can Enhance Learning Capability of CNN[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops(CVPRW).IEEE,2020:1-10.
[10]Hung-Cuong Trinh,Duc-Hau Le,Yung-Keun Kwon.PANET:A GPU-Based Tool for Fast Parallel Analysis of Robustness Dynamics and Feed-Forward/Feedback Loop Structures in Large-Scale Biological Networks[J].Plos One,2014,9(7):3-10.
[11]HE K M,ZHANG X Y,REN S Q,et al.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9):346-361.
[12]REZZTOFIGHI H,TSOI N,GWAK J Y,et al.Generalized Intersection over Union:A Metric and A Loss for Bounding Box Regression[C]//Long Beach,USA:IEEE Conference on Computer Vision and Pattern Recognition,2019:658-666.[13]GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial nets[J].Advances in Neural Information Processing Systems,2014(27):2672−2680.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/50613.html
