CN117197571A - 一种光伏组件故障检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种光伏组件故障检测方法、装置、电子设备及存储介质。包括：获取光伏电站的红外图像；利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；使用预先训练完成的故障类别识别模型对所述故障区域进行判别得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。该方法将使用两种不同模型得到的故障类别进行融合得到最终故障类别，有效提高了光伏组件故障检测准确率。

Description

一种光伏组件故障检测方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及目标检测技术领域，尤其涉及一种光伏组件故障检测方法、装置、电子设备及存储介质。

背景技术

近年来，能源与环境问题制约着我国经济社会的发展，光伏发电为开发新能源带来了契机。随着光伏装机容量的增多，光伏组件故障问题日益凸显。光伏组件发生故障不仅会影响发电量，增加光伏场站的运维成本，还存在许多风险和安全隐患。

现有技术中的光伏组件故障检测方法的具体方案包括：、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接；利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型。

上述方案仅通过神经网络算法对光伏组件的故障进行分类识别，无法有效保证识别的准确率。

发明内容

本发明提供了一种光伏组件故障检测方法、装置、电子设备及存储介质，以解决现有技术使用单一的神经网络算法对光伏组件的故障进行分类识别，无法有效保证识别准确率的问题。

根据本发明的一方面，提供了一种光伏组件故障检测方法，包括：

获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；

利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；

使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；

根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

根据本发明的另一方面，提供了一种光伏组件故障检测装置，包括：

获取模块，用于获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；

检测模块，用于利用优化后的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别；

判别模块，用于使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；

选择模块，用于根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的光伏组件故障检测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的光伏组件故障检测方法。

本发明实施例的技术方案，通过获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别，该技术方案使用故障检测模型对红外图像进行识别得到第一故障类别，再使用预先根据图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到的故障类别识别模型对故障区域进行二次识别，得到第二故障类别，将第一故障类别和第二故障类别融合后得到伏组件的最终故障类别，该方案通过两种模型进行故障类别的识别，有效地提高了光伏组件故障检测识别准确率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的故障检测模型的网络结构图；

图2为本发明一实施例提供的YOLOv5算法中使用的SPPF模块的示意图；

图3为本发明一实施例提供的故障检测模型中的SPPF模块的示意图；

图4为本发明实施例二提供的一种光伏组件故障检测方法的流程示意图；

图5为本发明实施例三提供的一种光伏组件故障检测装置的结构示意图；

图6为本发明实施例的一种光伏组件故障检测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

实施例一

本发明实施例一提供了一种光伏组件故障检测方法中使用的故障检测模型的训练过程以及故障类别识别模型的训练过程。

故障检测模型是在YOLOv5算法的基础上进行优化后得到，主要是对YOLOv5网络结构中的SPPF模块进行优化，密集链路结构增强特征重用，如图1所示，图1为本发明实施例一提供的故障检测模型的网络结构图。

本实施例中，故障检测模型的网络结构包括：输入层、主干网络、颈部网络和检测模块；

输入层用于对输入的图片进行预处理和图片特征增强输出第一特征图；

主干网络由多个CBS模块和多个CSP模块组成，所述主干网络用于对所述第一特征图进行特征提取得到第二特征图；

颈部网络由SPPF模块、多个CBS模块、多个CSP模块以及多个采样层组成，所述颈部网络用于对所述第二特征图进行多尺度特征提取得到不同尺度的特征信息；

检测模块用于对所述特征信息进行处理得到检测结果。

其中，输入层Input是对输入图片进行Mosaic数据增强、自适应锚框计算以及自适应图片缩放，对训练图片进行数据增强，增加图片的丰富性；主干网络Backbone包括Focus结构和CSP结构，Focus结构使用了32个卷积核，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图，具体的，主干网络包括依次设置的第一个CBS模块、第二个CBS模块、第一个CSP模块、第三个CBS模块、第二个CSP模块、第四个CBS模块、第三个CSP模块、第五个CBS模块和第四个CSP模块；颈部网络Neck包括依次设置的SPPF模块、第一个CBS模块、第一个上采样层、第一个Concat层、第一个CSP模块、第二个CBS模块、第二个上采样层、第二个Concat层、第二个CSP模块、第三个CBS模块、第三个Concat层、第三个CSP模块、第四个CBS模块、第四个Concat层、第四个CSP模块组成；检测模块包括3个Head检测头和一个NMS子模块，三个Head检测头分别用于处理Neck颈部网络中第二个CSP模块、第三个CSP模块和第四个CSP模块输出的特征图，得到绝缘子缺陷的预测框的坐标、类别信息以及置信度，NMS模块用于去除冗余的预测框，得到最终的检测结果。

图2为本发明一实施例提供的YOLOv5算法中使用的SPPF模块的示意图，如图2所示，SPPF使用3个5*5的最大池化代替原来的5*5，9*9，13*13最大池化，多个小尺度池化核级联代替SPP模块中单个大尺寸池化核，从而在保留原有功能，即融合不同感受野的特征图，丰富特征图的表达能力的情况下，进一步提高了运行速度。SPPF模块主要是利用图像可以在最大池化和跳跃连接的帮助下学习多个尺度上的特征，然后结合全局和局部特征来增加特征图的代表性；最大池化是一种使用矩形掩码从一组图像区域中提取最大值的方法。尽管最大池化可以帮助减少不相关的数据，但它通常会导致丢弃不太有用的特征数据，为解决这一问题需要对SPPF模块进行改进，通过利用类似于DenseNet中的密集链路结构来增强原始SPPF结构的特征重用。

进一步的，故障检测模型的SPPF模块使用密集链路结构将CBS模块提取的特征信息与后面每一个最大池化层提取的特征信息进行融合，将融合信息与CBS模块的多个融合模块进行融合，以重复利用各模块的特征信息。

具体的，通过密集连接的思想，将CBS层提取的特征信息与后面每一个MaxPool层提取的特征进行融合，能够不断地重复使用CBS层的特征，避免由于MaxPool层降采样导致特征信息丢失；同时将CBS层与每一个MaxPool层融合后的特征信息再与CBS层进行融合，也就是图中CBS层和中间3个黄色模块进行特征融合，进一步重复利用各层的特征信息，尽可能保证特征信息的不丢失，同时也不会因为MaxPool层的降采样导致小目标特征丢失，保留小目标的特征，从而提升小目标的检测效果。

故障检测模型中的SPPF模块如图3所示，图3为本发明一实施例提供的故障检测模型中的SPPF模块的示意图，虚线箭头表示新增链路结构。

进一步的，故障检测模型的SPPF模块的网络结构包括四层，第一层包括一个CBS模块和三个最大池化层，第二层包括三个融合模块，第三层包括一个融合模块，第四层包括一个CBS模块；

所述第二层中的第一个融合模块用于将所述第一层中的CBS模块的第一输出数据与所述第一层中的第一个池化层的第二输出数据在通道维度上进行叠加得到第一数据；

所述第二层中的第二个融合模块用于将所述第一输出数据与所述第一层中的第二个池化层的第三输出数据在通道维度上进行叠加得到第二数据；

所述第二层中的第三个融合模块用于将所述第一输出数据与所述第一层中的第三个池化层的第四输出数据以及所述第一数据在通道维度上进行叠加得到第三数据；

所述第三层中的融合模块用于将所述第一输出数据、所述第一数据、所述第二数据以及所述第三数据在通道维度上进行叠加得到第四数据。

示例性的，故障检测模型的SPPF模块输入是X，经过CBS模块后的输出为Y1，第一个池化层的输出为Y2，第二个池化层的输出为Y3，第三个池化层的输出为Y4，则第一个Concat层的输入是Y1和Y2，Concat层主要是将Y1和Y2在通道维度上进行叠加，不涉及卷积操作，其输出为C1＝[Y1,Y2]；第二个Concat层的输入是Y1和Y3，它输出为C2＝[Y1,Y3]；第三个Concat层的输入是Y1、Y4和C1，它输出为C3＝[Y1,Y4,C1]；第四个Concat层的输入是Y1、C1、C2和C3，其输出为C4＝[Y1,C1,C2,C3]。

本实施例中，故障检测模型的训练过程包括：将光伏组件数据库中的故障组件图片输入故障检测模型进行训练；训练次数达到预设数值停止训练得到预先训练完成的故障检测模型。

其中，故障组件图片中可以包括一个故障组件，训练过程包括：将故障组件输入已构建好的故障检测模型中，通过故障检测模型的输入层对故障组件图片进行预处理和图片特征增强，通过主干网络对特征增强的故障组件图片进行特征提取得到特征图，通过颈部网络对特征图进行多尺度特征提取得到不同尺度的特征信息，通过检测模块对特征信息的检测框进行检测得到故障组件对应的故障类别。重复上述训练过程，直到训练次数达到预设数值，停止模型训练，得到预先训练完成的故障检测模型。

需要说明的是，经过前期发明人在对光伏板故障数据的研究中发现，组件的故障类别与故障区域的图像HSV值、故障区域所在图像位置的平均温度和最高温度之间存在一定的关系，于是预先收集了大量故障区域，并提取了大量故障区域的图像HSV值、大量故障区域所在图像位置的平均温度和最高温度，根据数值间的对应关系建立了关联函数，构建了图像HSV值-平均温度-最高温度-故障类别的数学模型，通过对该数学模型进行强化训练得到光伏组件故障类别识别模型。

本实施例中，故障类别识别模型的构建和训练过程包括：

从红外图像中提取出故障区域图片，使用OpenCV软件从所述故障区域图片中计算出故障区域对应的图像HSV值；

使用红外采集软件采集所述故障区域图片中所有位置点的温度信息，根据所述温度信息计算出故障区域对应的平均温度和最高温度；

构建所述HSV值、所述平均温度以及所述最高温度之间的函数关系，构建所述函数关系对应的数学模型作为故障类别识别模型；

将所述HSV值、所述平均温度以及所述最高温度作为所述故障类别识别模型的输入，将真实故障类别作为标签，进行模型训练得到最优参数。

其中，红外图像可以为故障组件的红外图像，红外图像可以通过多种方式获取，可选的，方式一、无人机搭载云台相机在光伏电站上空巡检时拍摄得到故障组件的红外图像；方式二、从图像库中下载故障组件的红外图像。图像HSV值表示HSV(Hue，Saturation,，Value)颜色空间，H表示色相、S表示饱和度、V表示色明度，HSV可以非常直观的表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的度对比。

其中，红外图像包含有温度信息，因此可以从红外图像上提取故障区域所在位置的温度信息，并可以计算出该位置区域的平均温度和最高温度。

具体的，假设图像HSV值、平均温度、最高温度、真实故障类别分别用A、B、C、D表示，首先构建D＝P1*A+P2*B+P3*C的数学模型，其中P1、P2和P3这三组参数需要利用强化学习进行优化，可以理解为对构建的数学模型进行训练以对模型参数进行优化。获取前期收集的大量的故障组件的红外图片，从红外图片中提取图像HSV值平均温度、最高温度作为输入，真实的故障类别作为标签，进行训练学习，获取最优的P1、P2和P3这三组参数，将最优的P1、P2和P3这三组参数代入构建的D＝P1*A+P2*B+P3*C的数学模型可以得到预先训练完成的故障类别识别模型。

实施例二

图4为本发明实施例二提供的一种光伏组件故障检测方法的流程示意图，该方法可适用于对光伏电站中的组件故障进行识别的情况，该方法可以由光伏组件故障检测装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：计算机设备。

如图4所示，本发明实施例二提供的一种光伏组件故障检测方法，包括如下步骤：

S110、获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件。

其中，光伏电站是指一种利用太阳光能、采用特殊材料诸如晶硅板、逆变器等电子元件组成的发电体系，与电网相连并向电网输送电力的光伏发电系统。红外图像是热红外图像的简称，是由热红外扫描器接收和记录目标物发射的热辐射能而形成的图像。

本实施例中，可以通过多种方式获取光伏电站的红外图像，光伏电站的红外图像是指对光伏电站内的组件进行拍摄后得到的红外图像。示例性的，可以通过以下两种方式获取光伏电站的红外图像：

方式一、实时采集实时获取。具体的，利用大疆M300无人机搭载H20T云台相机，按照预先规划的航线在光伏电站进行无人机巡检，在巡检过程中会不断拍摄红外图片；

方式二、直接获取。具体的，从红外图像库中获取光伏电站的红外图像，红外图像库中包括多种光伏电站的红外图像。红外图像库中的红外图像是什么手段获取的，可以举例说明。

上述两种方式中，一张红外图像可以只显示一个组件，也可以显示2个或者2个以上的组件，有的红外图像上可以包含无故障的组件，有的红外图像上可以包含存在故障的组件，有的红外图像中既可以包含无故障的组件，也可以包含存在故障的组件。可以理解的是，获取的大部分红外图像都可以显示存在故障的组件，少部分红外图像或者没有红外图像显示不存在故障的组件。

需要说明的是，获取的红外图像包含温度信息，可以从红外图像中提取相应区域的温度信息。

S120、利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用。

其中，故障检测模型使用密集链路结构的目的是增强特征重用，以减少丢失的特征信息，保留组件故障中小目标的特征信息，提升对小目标的检测效果。

本实施例中，在得到预先训练完成的故障检测模型后，可以将获取的红外图像输入预先训练完成的故障检测模型，通过预先训练完成的故障检测模型的输入层、主干网络、颈部网络和检测模块对红外图像进行特征提取和特征增强以检测出故障组件，输出故障区域和故障类别，将故障类别作为第一故障类别。第一故障类别可以理解为由预先训练完成的故障检测模型输出的故障类别，故障区域可以理解为红外图像上故障组件所在的位置。

可以理解的是，红外图像可以分批次输入预先训练完成的故障检测模型，一个批次可以包括一张红外图像，也可以包括多张红外图像，若输入的是多张红外图像，则模型输出的是多张红外图像的故障区域和故障类别，一张红外图像上可以识别出至少一个故障组件的故障区域和故障类别。

其中，第一故障类别可以包括组串开路、组串短路、组件缺失、接线盒故障、碎裂、遮挡热斑和热斑这几种类别。

S130、使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别。

其中，故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到。故障类别识别模型的构建和训练过程在实施例一中已进行详细阐述，此处不做赘述。

具体的，使用所述光伏组件故障类别识别模型对所述故障区域进行判别，得到第二故障类别，包括：将所述故障区域对应的图像HSV值、平均温度以及最高温度输入所述光伏组件故障类别识别模型，根据图像HSV值、平均温度和最高温度与故障类别之间的关联函数输出第二故障类别。

本实施例中，首先将步骤S120中得到的故障区域从红外图像上截取出来得到故障区域图片，使用OpenCV软件从故障区域图片中计算出故障区域对应的图像HSV值，使用红外采集软件采集故障区域图片中所有位置点的温度信息，根据所有位置点的温度信息计算出故障区域对应的平均温度和最高温度，将故障区域对应的平均温度和最高温度以及故障区域对应的图像HSV值输入预先训练完成的故障类别识别模型中，通过数学模型D＝P1*A+P2*B+P3*C可以计算出一个数值，将该数值对应的故障类别作为第二故障类别输出。示例性的，图像HSV值为200，平均温度为40摄氏度，最高温度为60摄氏度，则对应的第二故障类别为组件碎裂。

S140、根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

本实施例中，在经过预先训练完成的故障检测模型得到第一故障类别，经过预先训练完成的故障类别识别模型得到第二故障类别后，需要使用预先设置的选定条件从第一故障类别和第二故障类别中选择出一个作为最终故障类别，以输出最终故障类别。其中，可以根据第一故障类别的类别信息和第二故障类别的类别信息来确定选择第一故障类别还是第二故障类别作为最终故障类别。

进一步的，根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别，包括：获取所述第一故障类别的第一故障类别信息和所述第二故障类别的第二故障类别信息；若所述第一故障类别信息和所述第二故障类别信息相同，则将所述第一故障类别或所述第二故障类别设置为最终故障类别；若所述第一故障类别信息和所述第二故障类别信息不同，则获取所述第一故障类别和所述第二故障类别对应的故障等级值，将数值较大的故障等级值所对应的故障类别作为最终故障类别。

其中，故障类别信息可以用来表征故障的具体类别。示例性的，若第一故障类别信息和第二故障类别信息都为组件缺失，则可以确定故障区域的最终故障类别为组件缺失。

其中，故障等级值可以表征故障的严重等级，故障等级值越大表示故障的严重等级越高，可以将严重等级高的故障类别作为最终故障类别。各故障类别的故障等级值的排序顺序为：组件缺失的故障等级值>组串短路的故障等级值>组串开路的故障等级值>组件碎裂的故障等级值>接线盒故障的故障等级值>遮挡热斑的故障等级值>热斑的故障等级值。示例性的，若第一故障类别信息为组串短路，第二故障类别信息为接线盒故障，由于组串短路的故障等级值大于接线盒故障的故障等级值，因此将组串短路作为最终故障类别。

本实施例中，在得到最终故障类别后，还可以将最终故障类别在对应的红外图片上展示，例如，最终故障类别为热斑，则可以在红外图片上显示“热斑”。

本发明实施例二提供的一种光伏组件故障检测方法，首先获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；然后利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；之后使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别；最终根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。上述方法采用故障检测模型可以精准的检测识别出组件故障，有效提升对组件故障中小目标的检测识别效果；根据故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建光伏组件故障类别识别模型，使用光伏组件故障类别识别模型对故障区域进行二次检测，可以有效提升故障类型识别的准确度。

实施例三

图5为本发明实施例三提供的一种光伏组件故障检测装置的结构示意图，该装置可适用于对光伏电站中的组件故障进行识别的情况，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。

如图5所示，该装置包括：获取模块110、检测模块120、判别模块130以及选择模块140。

获取模块110，用于获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；

检测模块120，用于利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；

判别模块130，用于使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；

选择模块140，用于根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

在本实施例中，该装置首先通过获取模块110获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；然后通过检测模块120利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；之后通过判别模块130使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；；最后通过选择模块140根据预设的选定条件从所述第一故障类别和所述第二故障类别确定光伏组件的最终故障类别。

本实施例提供了一种光伏组件故障检测装置，能够将使用两种不同模型得到的故障类别进行融合得到最终故障类别，有效提高了光伏组件故障检测准确率。

进一步的，所述故障检测模型的训练过程包括：将光伏组件数据库中的故障组件图片输入故障检测模型进行训练；训练次数达到预设数值停止训练得到预先训练完成的故障检测模型。

在上述优化的基础上，所述故障检测模型的网络结构包括：输入层、主干网络、颈部网络和检测模块；所述输入层用于对输入的图片进行预处理和图片特征增强输出第一特征图；所述主干网络由多个CBS模块和多个CSP模块组成，所述主干网络用于对所述第一特征图进行特征提取得到第二特征图；所述颈部网络由SPPF模块、多个CBS模块、多个CSP模块以及多个采样层组成，所述颈部网络用于对所述第二特征图进行多尺度特征提取得到不同尺度的特征信息；所述检测模块用于对所述特征信息进行处理得到检测结果。

在上述方案的基础上，所述故障检测模型的SPPF模块使用密集链路结构将CBS模块提取的特征信息与后面每一个最大池化层提取的特征信息进行融合，将融合信息与CBS模块的多个融合模块进行融合，以重复利用各模块的特征信息。

进一步的，所述故障检测模型的SPPF模块的网络结构包括四层，第一层包括一个CBS模块和三个最大池化层，第二层包括三个融合模块，第三层包括一个融合模块，第四层包括一个CBS模块；

所述第二层中的第一个融合模块用于将所述第一层中的CBS模块的第一输出数据与所述第一层中的第一个池化层的第二输出数据在通道维度上进行叠加得到第一数据；

所述第二层中的第二个融合模块用于将所述第一输出数据与所述第一层中的第二个池化层的第三输出数据在通道维度上进行叠加得到第二数据；

所述第二层中的第三个融合模块用于将所述第一输出数据与所述第一层中的第三个池化层的第四输出数据以及所述第一数据在通道维度上进行叠加得到第三数据；

所述第三层中的融合模块用于将所述第一输出数据、所述第一数据、所述第二数据以及所述第三数据在通道维度上进行叠加得到第四数据。

进一步的，判别模块140具体用于：将所述故障区域对应的图像HSV值、平均温度以及最高温度输入所述光伏组件故障类别识别模型，根据图像HSV值、平均温度和最高温度与故障类别之间的关联函数输出第二故障类别。

进一步的，所述故障类别识别模型的构建和训练过程包括：

从红外图像中提取出故障区域图片，使用OpenCV软件从所述故障区域图片中计算出故障区域对应的图像HSV值；

使用红外采集软件采集所述故障区域图片中所有位置点的温度信息，根据所述温度信息计算出故障区域对应的平均温度和最高温度；

构建所述HSV值、所述平均温度以及所述最高温度之间的函数关系，构建所述函数关系对应的数学模型作为故障类别识别模型；

将所述HSV值、所述平均温度以及所述最高温度作为所述故障类别识别模型的输入，将真实故障类别作为标签，进行模型训练得到最优参数。

进一步的，选择模块140具体用于：

获取所述第一故障类别的第一故障类别信息和所述第二故障类别的第二故障类别信息；

若所述第一故障类别信息和所述第二故障类别信息相同，则将所述第一故障类别或所述第二故障类别设置为最终故障类别；

若所述第一故障类别信息和所述第二故障类别信息不同，则获取所述第一故障类别和所述第二故障类别对应的故障等级值，将数值较大的故障等级值所对应的故障类别作为最终故障类别。

上述光伏组件故障检测装置可执行本发明任意实施例所提供的光伏组件故障检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如光伏组件故障检测方法。

在一些实施例中，光伏组件故障检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的光伏组件故障检测方法中的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行光伏组件故障检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种光伏组件故障检测方法，其特征在于，所述方法包括：

获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；

利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；

使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；

根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

2.根据权利要求1所述的方法，其特征在于，所述故障检测模型的训练过程包括：

将光伏组件数据库中的故障组件图片输入故障检测模型进行训练；

训练次数达到预设数值停止训练得到预先训练完成的故障检测模型。

3.根据权利要求2所述的方法，其特征在于，所述故障检测模型的网络结构包括：输入层、主干网络、颈部网络和检测模块；

所述输入层用于对输入的图片进行预处理和图片特征增强输出第一特征图；

所述主干网络由多个CBS模块和多个CSP模块组成，所述主干网络用于对所述第一特征图进行特征提取得到第二特征图；

所述颈部网络由SPPF模块、多个CBS模块、多个CSP模块以及多个采样层组成，所述颈部网络用于对所述第二特征图进行多尺度特征提取得到不同尺度的特征信息；

所述检测模块用于对所述特征信息进行处理得到检测结果。

4.根据权利要求3所述的方法，其特征在于，所述故障检测模型的SPPF模块使用密集链路结构将CBS模块提取的特征信息与后面每一个最大池化层提取的特征信息进行融合，将融合信息与CBS模块的多个融合模块进行融合，以重复利用各模块的特征信息。

5.根据权利要求4所述的方法，其特征在于，所述故障检测模型的SPPF模块的网络结构包括四层，第一层包括一个CBS模块和三个最大池化层，第二层包括三个融合模块，第三层包括一个融合模块，第四层包括一个CBS模块；

所述第二层中的第一个融合模块用于将所述第一层中的CBS模块的第一输出数据与所述第一层中的第一个池化层的第二输出数据在通道维度上进行叠加得到第一数据；

所述第二层中的第二个融合模块用于将所述第一输出数据与所述第一层中的第二个池化层的第三输出数据在通道维度上进行叠加得到第二数据；

所述第二层中的第三个融合模块用于将所述第一输出数据与所述第一层中的第三个池化层的第四输出数据以及所述第一数据在通道维度上进行叠加得到第三数据；

所述第三层中的融合模块用于将所述第一输出数据、所述第一数据、所述第二数据以及所述第三数据在通道维度上进行叠加得到第四数据。

6.根据权利要求1所述的方法，其特征在于，所述使用所述光伏组件故障类别识别模型对所述故障区域进行判别，得到第二故障类别，包括：

将所述故障区域对应的图像HSV值、平均温度以及最高温度输入所述光伏组件故障类别识别模型，根据图像HSV值、平均温度和最高温度与故障类别之间的关联函数输出第二故障类别。

7.根据权利要求1所述的方法，其特征在于，所述故障类别识别模型的构建和训练过程包括：

从红外图像中提取出故障区域图片，使用OpenCV软件从所述故障区域图片中计算出故障区域对应的图像HSV值；

使用红外采集软件采集所述故障区域图片中所有位置点的温度信息，根据所述温度信息计算出故障区域对应的平均温度和最高温度；

构建所述HSV值、所述平均温度以及所述最高温度之间的函数关系，构建所述函数关系对应的数学模型作为故障类别识别模型；

将所述HSV值、所述平均温度以及所述最高温度作为所述故障类别识别模型的输入，将真实故障类别作为标签，进行模型训练得到最优参数。

8.根据权利要求1所述的方法，其特征在于，所述根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别，包括：

获取所述第一故障类别的第一故障类别信息和所述第二故障类别的第二故障类别信息；

若所述第一故障类别信息和所述第二故障类别信息相同，则将所述第一故障类别或所述第二故障类别设置为最终故障类别；

若所述第一故障类别信息和所述第二故障类别信息不同，则获取所述第一故障类别和所述第二故障类别对应的故障等级值，将数值较大的故障等级值所对应的故障类别作为最终故障类别。

9.一种光伏组件故障检测装置，其特征在于，所述装置包括：

获取模块，用于获取光伏电站的红外图像，所述红外图像显示存在故障的光伏组件；

检测模块，用于利用预先训练完成的故障检测模型对所述红外图像进行检测，得到故障区域和第一故障类别，所述故障检测模型使用密集链路结构增强特征重用；

判别模块，用于使用预先训练完成的故障类别识别模型对所述故障区域进行判别，得到第二故障类别，所述故障类别识别模型为根据预先获取的故障区域所对应的图像HSV值、平均温度以及最高温度与故障类别之间的关联函数构建得到；

选择模块，用于根据预设的选定条件从所述第一故障类别和所述第二故障类别中选择出光伏组件的最终故障类别。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的光伏组件故障检测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的光伏组件故障检测方法。