漁光互補(bǔ)光伏電站智能巡檢圖像識(shí)別系統(tǒng)應(yīng)用

柳玉賓 王恒濤 梁振飛 王勇 周宏利

摘? 要：隨著圖像識(shí)別、大數(shù)據(jù)、人工智能技術(shù)在近些年的飛速發(fā)展，這些技術(shù)在漁光互補(bǔ)光伏發(fā)電站智能巡檢、維護(hù)領(lǐng)域的應(yīng)用成為大勢(shì)所趨。文章主要介紹了卷積神經(jīng)網(wǎng)絡(luò)在漁光互補(bǔ)太陽(yáng)能發(fā)電站圖像辨認(rèn)故障及識(shí)別的應(yīng)用狀況，并簡(jiǎn)要分析了太陽(yáng)能光伏巡檢圖像辨認(rèn)及識(shí)別的過程。

關(guān)鍵詞：漁光互補(bǔ);智能巡檢;圖像故障識(shí)別

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2020）34-0018-02

Abstract： With the rapid development of image recognition， big data and artificial intelligence technology in recent years， the application of these technologies in the field of intelligent inspection and maintenance of fishing-solar complementary photovoltaic power station has become a general trend. This paper mainly introduces the application of convolution neural network in image identification and recognition of fishing-solar complementary photovoltaic power station， and briefly analyzes the process of image identification and recognition of solar photovoltaic patrol inspection.

Keywords： fishing-solar complementary photovoltaic power; intelligent patrol inspection; image fault identification

1 圖像故障診斷識(shí)別系統(tǒng)

本項(xiàng)目通過采用圖像識(shí)別、機(jī)器學(xué)習(xí)算法[1]，同時(shí)，為了克服采集圖像樣本的缺乏，引入遷移學(xué)習(xí)，從無(wú)人機(jī)回傳的圖像數(shù)據(jù)中提取漁光互補(bǔ)光伏發(fā)電站光伏板的準(zhǔn)確邊界及位置，分析識(shí)別出熱斑、積污、傾角異常故障等故障類別[2]，結(jié)合無(wú)人機(jī)位置信息，確定故障位置，并將信息存入數(shù)據(jù)庫(kù)[3]。

2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）簡(jiǎn)介

加拿大高等學(xué)校的KrizheDvsky A教授等人2012年使用卷積神經(jīng)網(wǎng)絡(luò)的概念A(yù)lexpNet在ImageNet大層次圖像識(shí)別比賽中獲得了最佳的辨識(shí)和分類、分層效果。通常來說，CNN也就是卷積神經(jīng)網(wǎng)絡(luò)是通過三種不同形式的層級(jí)組合而成的，也就是通常所說的卷積層、子采樣層和完全連接層。卷積層的意義是使用特定的可以實(shí)時(shí)學(xué)習(xí)的過濾模塊從輸入的圖像中提取關(guān)鍵的概念特征，然后用相應(yīng)的激活函數(shù)讓其非線性特征能夠增強(qiáng)。經(jīng)常會(huì)使用到的一些活函數(shù)是sigmoid、ReLU或 tanh等。池化層能夠讓每個(gè)具體特征概念的映射維度大大降低，但是仍然保留這些分類模型中最關(guān)鍵的信息特征。完全連接層通常可以借助數(shù)學(xué)函數(shù)得到具體分類或者回歸的具體特征信息。CNN的訓(xùn)練也就是通過這種反向傳播數(shù)學(xué)算法來實(shí)現(xiàn)的。

在檢測(cè)的目標(biāo)結(jié)果當(dāng)中，經(jīng)常會(huì)使用的一種模型就是卷積，通過對(duì)巡檢圖像中小范圍的像素，通過數(shù)學(xué)加權(quán)能夠輸出并得出有關(guān)輸出的像素圖像，如（1.1） 式所示，巡檢的圖像輸入第一步經(jīng)過運(yùn)算卷積算法，其次通過調(diào)整有關(guān)偏置參數(shù)，得到其特征圖，最后應(yīng)該用激活函數(shù)計(jì)算出其最終特征模型。其數(shù)學(xué)表達(dá)可為：

式中：*表示卷積步驟，Mj代表集合特征，l是第l層網(wǎng)絡(luò)，k代表卷積核變量，b為網(wǎng)絡(luò)參數(shù)，X代表l層輸出參數(shù)，X表示l層輸入?yún)?shù)，f（·）為激活函數(shù)/參數(shù)

3 主要故障（光斑等）識(shí)別關(guān)鍵方法

3.1 圖像標(biāo)注步驟

圖像相關(guān)特征的標(biāo)注是在圖像某個(gè)具體區(qū)域和標(biāo)注形式分類之間的相應(yīng)函數(shù)關(guān)系。按照相關(guān)方式可以分為手動(dòng)和自動(dòng)標(biāo)注兩大類。人工標(biāo)注其實(shí)是最簡(jiǎn)單、最直接、效率最高的方法。使用LabelImg對(duì)有關(guān)光板故障進(jìn)行特征提取和標(biāo)注。這個(gè)步驟主要是在相關(guān)巡檢圖像中故障點(diǎn)的附近進(jìn)行繪制有關(guān)范圍。算法模型會(huì)按照程序簡(jiǎn)歷一個(gè)計(jì)算機(jī)文件，對(duì)對(duì)象特征進(jìn)行標(biāo)注和記錄描述，如圖1所示。

3.2 遷移學(xué)習(xí)

通過科學(xué)家對(duì)于遷移學(xué)習(xí)這一概念的深入分析，能夠解決有關(guān)數(shù)據(jù)量不足的缺陷。這樣可以避免僅僅依靠前述步驟不可能訓(xùn)練得到更加高層次的泛化性的大數(shù)據(jù)學(xué)習(xí)模型的實(shí)例。在具體操作中，需要完成這個(gè)任務(wù)，但是這些任務(wù)不一定具體相關(guān)，可以在完成前面任務(wù)后，根據(jù)前面的經(jīng)驗(yàn)來提高后續(xù)任務(wù)完成效果。同時(shí)，因?yàn)楹枚嗪蛨D像有關(guān)的任務(wù)都有一些具體的特征，比如集幾何變化、光照不同等。

3.3 TensorFlow概念及框架

光斑等故障的識(shí)別是通過TensorFlow概念開展的圖像識(shí)別的系統(tǒng)，通過美國(guó)谷歌公司開發(fā)的第二代人工智能學(xué)習(xí)模型，通過應(yīng)用該模型能夠得到內(nèi)置學(xué)習(xí)的目標(biāo)軟件。在多種學(xué)習(xí)概念模型以及概念架構(gòu)下，本概念的有效率和用戶關(guān)注度上占有壓倒性地位。因?yàn)槠淠軌蚣嫒荻喾N架構(gòu)、平臺(tái)，同時(shí)支持多種服務(wù)器、電子終端，同時(shí)通用性非常優(yōu)秀;支持?jǐn)U展;特別對(duì)于OP也能夠進(jìn)行支持和擴(kuò)展。

4 識(shí)別過程及實(shí)驗(yàn)結(jié)果

在圖像識(shí)別檢測(cè)故障的步驟，通常分為標(biāo)注特征、訓(xùn)練模型、具體檢測(cè)。

標(biāo)注特征最重要的目標(biāo)就是要通過提取的數(shù)據(jù)和相應(yīng)映射數(shù)據(jù)，以及有關(guān)特征數(shù)據(jù)的標(biāo)定和高可靠質(zhì)量數(shù)據(jù)的分析和初篩。初篩是特別的防止在標(biāo)注過程中由于人類自身缺陷導(dǎo)致的相對(duì)不可靠的數(shù)據(jù)信息引起的非典型錯(cuò)誤。

訓(xùn)練數(shù)據(jù)步驟最重要的就是要通過訓(xùn)練得出進(jìn)行故障目標(biāo)識(shí)別檢測(cè)的大數(shù)據(jù)深度學(xué)習(xí)架構(gòu)。通過對(duì)于初篩的數(shù)據(jù)、有關(guān)配置數(shù)據(jù)參數(shù)等進(jìn)行數(shù)據(jù)模型訓(xùn)練。在具體實(shí)施中，可以隨時(shí)選擇并得到有關(guān)訓(xùn)練的區(qū)縣，同時(shí)在具體應(yīng)用上還有R-FCN以SSD-MobileNet。TensorFlow數(shù)據(jù)訓(xùn)練得到的格式為.record，需要對(duì)于前述數(shù)據(jù)標(biāo)注的大數(shù)據(jù)數(shù)據(jù)庫(kù)進(jìn)行有關(guān)轉(zhuǎn)換工作。可以借助Object Detection API工具具體進(jìn)行實(shí)施。

通過對(duì)于模型的不斷訓(xùn)練，可以得到最終用于實(shí)際檢測(cè)的數(shù)據(jù)模型。在具體實(shí)際中，可以用多種模型對(duì)巡檢圖形進(jìn)行測(cè)試，可以選定具體顏色以及類型，還能夠限定具體的區(qū)域進(jìn)行測(cè)試。還可以不斷地對(duì)前述步驟的模型、輸入數(shù)據(jù)進(jìn)行不斷訓(xùn)練、學(xué)習(xí)和修正，得到更為精確的數(shù)據(jù)模型庫(kù)。

參考文獻(xiàn)：

[1]趙波，張姝偉，曹生現(xiàn)，等.基于狀態(tài)監(jiān)測(cè)的電池板積灰清洗周期確定與費(fèi)用評(píng)估[J].中國(guó)電機(jī)工程學(xué)報(bào)，2019（14）：4205-4213.

[2]林剛，王波，彭輝，等.基于強(qiáng)泛化卷積神經(jīng)網(wǎng)絡(luò)的輸電線路圖像覆冰厚度辨識(shí)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018（11）：3393-3401.

[3]于航，劉陽(yáng)，連魏魏，等.一種基于神經(jīng)網(wǎng)絡(luò)的硅基光伏組件運(yùn)行溫度在線軟測(cè)量方法[J].發(fā)電技術(shù)，2018（06）：566-573.