一個國際研究團隊開發(fā)了一種基于航空圖像深度學(xué)習(xí)的新型光伏故障檢測方法。

所提出的方法使用 U-Net 卷積神經(jīng)網(wǎng)絡(luò) (CNN) 架構(gòu)進行圖像分割，然后應(yīng)用 InceptionV3-Net CNN 架構(gòu)進行故障分類。

學(xué)者們表示：“太陽能電池板表面存在的灰塵、雪、鳥糞以及其他物理和電氣問題可能會導(dǎo)致能量損失。” “太陽能系統(tǒng)有效監(jiān)控和清潔協(xié)議的必要性怎么強調(diào)都不為過。 “基于這個目的，我們選擇了研究主題來改進與各種類型的太陽能電池板損壞相關(guān)的圖像處理和分類任務(wù)。”

對于模型分割步驟，該小組使用了包含 4,616 張圖像的公開注釋數(shù)據(jù)庫。航拍影像分為農(nóng)田、草地、鹽堿地、灌木、水面、屋頂六類。數(shù)據(jù)庫按60%-20%-20%的比例劃分，分別用于訓(xùn)練、驗證和測試。

另一個數(shù)據(jù)庫有885張圖像，按照相同的比例進行故障分類。該數(shù)據(jù)集包括六類光伏問題：清潔、灰塵、鳥落、電氣損壞、物理損壞和下雪。除了 InceptionV3-Net 模型(應(yīng)用 InceptionV3 基礎(chǔ)和 ImageNet 權(quán)重)之外，研究人員還測試了其他壓縮分類模型。它們是 Dense-Net、MobileNetV3、VGG19、CNN、VGG16、Resnet50 和 InceptionV3。

“最初，航空衛(wèi)星圖像使用U-net模型架構(gòu)進行處理，輸入形狀為256X256X3，經(jīng)歷三個階段：輸入解碼、編解碼組合和輸出生成，”他解釋道。

他還強調(diào)，InceptionV3-Net 架構(gòu)使用具有 ImageNet 權(quán)重的 InceptionV3 基礎(chǔ)，并通過卷積層、壓縮和激勵 (SE) 塊、殘差連接和全局平均池進行增強。該模型包括兩個帶有 LeakyReLU 和批量歸一化的密集層，并以 Soft-Max 輸出層結(jié)束。它還使用數(shù)據(jù)增強技術(shù)，例如旋轉(zhuǎn)、移位、剪切、縮放和亮度調(diào)整。

他們補充道：“該模型是使用 Adam 優(yōu)化器進行訓(xùn)練的，學(xué)習(xí)率為 0.0001，分類交叉熵損失為。”

他們的分析表明，所提出的 InceptionV3-Net 的驗證準確率達到了 98.34%，F(xiàn)1 分數(shù)(代表精確度和召回率之間的平衡)為 0.99%。相比之下，競爭模型的驗證準確度范圍為 20.9% 至 89.87%，F(xiàn)1 范圍為 0.21% 至 0.92%。

測試結(jié)果還表明，所提出的InceptionV3-Net網(wǎng)絡(luò)的驗證準確率達到94.35%，F(xiàn)1分數(shù)為0.94。這是與競爭模型的驗證準確性進行比較的。相比之下，競爭模型的驗證準確度為 21%-90.19%，F(xiàn)1 為 0.19-0.91。

研究人員得出的結(jié)論是，“未來的工作可以解決幾個開放領(lǐng)域，以進一步提高 InceptionV3-Net 模型的能力。” “將該模型應(yīng)用于其他可再生能源系統(tǒng)，例如風(fēng)力渦輪機或水力發(fā)電廠，將測試其多功能性。 “實時故障檢測模型的進一步優(yōu)化可以作為未來的工作來提高其實際用途。”