光伏电站的无人机智能巡检方法研究.pdf

摘要

摘要

复杂气候与环境会使光伏电站的组件发生故障，产生热斑效应，导致发电效

率下降，甚至产生安全问题。随着光伏装机容量的增长，无人机系统已被用于光

伏电站常态化巡检和实时监测。当前光伏电站采用无人机对组件热斑检测，存在

漏检率高，检测精度低等问题，难以满足光伏电站的检测需求。本文通过使用图

像预处理算法结合深度学习算法对热斑故障检测进行优化研究，主要工作如下：

(1)针对遥控无人机采集红外图像会产生漏拍、误拍、重复拍摄、环境干扰、

图像畸变等问题进行分析研究。以山地光伏电站为例，首先建立山地光伏电站的

三维环境模型，然后通过Theta*优化算法仿真得出无人机飞行的优化轨迹参数，

标定无人机飞行路径，确保无人机采集的图像的质量稳定，且无关背景少、无错

漏、畸变等。最后在这些高质量图像上进行检测，降低算法对热斑的误检率和漏

检率，达到提高巡检效率的目的。

(2)针对红外图像信噪比低、对比度低、细节模糊等缺陷，需进行预处理优化

后使用。首先，对组件故障的原因和故障对应的红外成像特征进行分析、分类。

然后，使用改进的各项异性扩散滤波算法(AnisotropicDiffusionFilteringAlgorithm)

对图像分层，分为基础层和细节层。对基础层进行K-means聚类实现降噪，提高

清晰度，对细节层进行自适应参数均衡化处理(ContrastLimitedAdaptive

HistogramEqualization,CLAHE)，提高图像对比度，强化热斑特征区域。最后，

对处理后的基础层和细节层按比例融合，对融合图像标注，制成热斑数据集，对

部分热斑故障样本不均衡的情况，使用改进的数据增广方法对数据集进行扩充。

(3)针对现有卷积神经网络模型对密集热斑目标容易漏检的问题，在YOLOv7

的主干网络中引入DBB双向分支模块，提高模型对图像中不同尺度、语义和特

征表达的理解能力。在颈部网络引入全局注意力模块(GlobalAttention

Mechanism,GAM)，强化网络对红外图像中的全局信息的捕捉能力和边缘特征关

注程度。最终提高了模型对密集热斑目标的检测能力，在平均精度(mAP)上领先

原始算法2.6%，在精确率(Precision)上领先1.2%，在召回率(Recall)上领先1.32%。

(4)针对现有卷积神经网络模型对光伏组件表面的微小热斑目标检测精度低，

计算开销大的问题，设计一种轻量化的检测模型，在YOLOv5s模型主干网络中

引入SimAM无参数注意力模块，增强模型对图像特征的学习能力。重构网络检

测端口，引入小目标检测头，采用SIoU损失函数，加快模型收敛速度，提高网

络稳定性。最终模型参数量保持在20.92MB，相比于原始算法平均精度(mAP)提

3.7%(FPS)56.1,

高了，检测速度达到了帧每秒满足实时检测需求。

关键词：光伏电站，热斑巡检，图像预处理，卷积神经网络，注意力机制

I

盐城工学院硕士学位论文

Abstract

Complexclimateandenvironmentcancausefailuresofphotovoltaicpowerstation

components,resultinginhotspoteffect,leadingtoadeclineinpowergenerationefficie

ncyandevensafetyproblems.Withthegrowthofphotovoltaicinstalledcapacity,unma

nnedaerialvehiclesystemhasbeenusedforregularinspectionandreal-timemonitorin

gofphotovoltaicp