一個(gè)國(guó)際研究團(tuán)隊(duì)開發(fā)了一種基于航空?qǐng)D像深度學(xué)習(xí)的新型光伏故障檢測(cè)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(jìn)行圖像分割嚷那，然后應(yīng)用 InceptionV3-Net CNN 架構(gòu)進(jìn)行故障分類咆耿。

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

對(duì)于模型分割步驟腾誉，該小組使用了包含 4,616 張圖像的公開注釋數(shù)據(jù)庫(kù)。航拍影像分為農(nóng)田菲语、草地妄辩、鹽堿地、灌木山上、水面伟蕾、屋頂六類。數(shù)據(jù)庫(kù)按60%-20%-20%的比例劃分畦肉，分別用于訓(xùn)練配昼、驗(yàn)證和測(cè)試。

另一個(gè)數(shù)據(jù)庫(kù)有885張圖像礁姿，按照相同的比例進(jìn)行故障分類如癌。該數(shù)據(jù)集包括六類光伏問題：清潔、灰塵菱区、鳥落顿墨、電氣損壞、物理?yè)p壞和下雪绎瓣。除了 InceptionV3-Net 模型(應(yīng)用 InceptionV3 基礎(chǔ)和 ImageNet 權(quán)重)之外稼孤，研究人員還測(cè)試了其他壓縮分類模型。它們是 Dense-Net堵忌、MobileNetV3扇述、VGG19、CNN杯道、VGG16匪煌、Resnet50 和 InceptionV3。

“最初党巾，航空衛(wèi)星圖像使用U-net模型架構(gòu)進(jìn)行處理萎庭，輸入形狀為256X256X3，經(jīng)歷三個(gè)階段：輸入解碼齿拂、編解碼組合和輸出生成擎椰，”他解釋道。

他還強(qiáng)調(diào)创肥，InceptionV3-Net 架構(gòu)使用具有 ImageNet 權(quán)重的 InceptionV3 基礎(chǔ)达舒，并通過卷積層、壓縮和激勵(lì) (SE) 塊叹侄、殘差連接和全局平均池進(jìn)行增強(qiáng)巩搏。該模型包括兩個(gè)帶有 LeakyReLU 和批量歸一化的密集層昨登，并以 Soft-Max 輸出層結(jié)束。它還使用數(shù)據(jù)增強(qiáng)技術(shù)贯底，例如旋轉(zhuǎn)丰辣、移位、剪切挽后、縮放和亮度調(diào)整滥港。

他們補(bǔ)充道：“該模型是使用 Adam 優(yōu)化器進(jìn)行訓(xùn)練的，學(xué)習(xí)率為 0.0001镇盛，分類交叉熵?fù)p失為换蛔。”

他們的分析表明，所提出的 InceptionV3-Net 的驗(yàn)證準(zhǔn)確率達(dá)到了 98.34%卜锡，F(xiàn)1 分?jǐn)?shù)(代表精確度和召回率之間的平衡)為 0.99%孽强。相比之下，競(jìng)爭(zhēng)模型的驗(yàn)證準(zhǔn)確度范圍為 20.9% 至 89.87%歉赴，F(xiàn)1 范圍為 0.21% 至 0.92%氮妆。

測(cè)試結(jié)果還表明，所提出的InceptionV3-Net網(wǎng)絡(luò)的驗(yàn)證準(zhǔn)確率達(dá)到94.35%柄午，F(xiàn)1分?jǐn)?shù)為0.94匹溪。這是與競(jìng)爭(zhēng)模型的驗(yàn)證準(zhǔn)確性進(jìn)行比較的。相比之下爽咒，競(jìng)爭(zhēng)模型的驗(yàn)證準(zhǔn)確度為 21%-90.19%玩冷，F(xiàn)1 為 0.19-0.91。

研究人員得出的結(jié)論是进肯，“未來的工作可以解決幾個(gè)開放領(lǐng)域，以進(jìn)一步提高 InceptionV3-Net 模型的能力棉磨。” “將該模型應(yīng)用于其他可再生能源系統(tǒng)江掩，例如風(fēng)力渦輪機(jī)或水力發(fā)電廠，將測(cè)試其多功能性乘瓤。 “實(shí)時(shí)故障檢測(cè)模型的進(jìn)一步優(yōu)化可以作為未來的工作來提高其實(shí)際用途环形。”