一個國際研究團隊開發(fā)了一種基于航空圖像深度學習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 (CNN) 架構(gòu)進行圖像分割，然后應用 InceptionV3-Net CNN 架構(gòu)進行故障分類。
學者們表示：“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的圖像處理和分類任務。”
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(應用 InceptionV3 基礎和 ImageNet 權重)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 權重的 InceptionV3 基礎，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，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)化器進行訓練的，學習率為 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域，以進一步提高 InceptionV3-Net 模型的能力。” “將該模型應用于其他可再生能源系統(tǒng)，例如風力渦輪機或水力發(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。”
