基于改進SSD算法的光伏組件缺陷檢測研究*

鐘泳松，徐凌樺，周 克

（貴州大學(xué)電氣工程學(xué)院，貴陽550025）

1 引言

近年來光伏行業(yè)快速發(fā)展，其中集中式光伏電站裝機容量逐年提高，分布式光伏系統(tǒng)也發(fā)展迅猛，將近占據(jù)全球光伏增量的一半。然而巨大的增量也帶來了新的挑戰(zhàn)，光伏運維問題隨之產(chǎn)生。大型集中式光伏電站多處于地形復(fù)雜的山地且規(guī)模較大，分布式光伏也分布稀疏，為光伏巡檢帶來諸多困難。利用體積小飛行靈活的無人機搭配高質(zhì)量相機進行圖像采集，后期分析所采集的圖像即可對光伏組件的情況做出初步診斷。光伏組件圖像數(shù)據(jù)巨大，利用機器代替人工無疑是更好的選擇，還可進一步避免人為認知因素的影響，提高診斷效率[1]。隨著硬件性能和深度學(xué)習(xí)算法不斷提升，深度學(xué)習(xí)被廣泛運用于目標檢測和故障診斷中，它與神經(jīng)網(wǎng)絡(luò)技術(shù)一同都是對人腦機制的仿生學(xué)模擬。通過對神經(jīng)元建模和搭建神經(jīng)網(wǎng)絡(luò)，再通過巨量相關(guān)圖像數(shù)據(jù)的訓(xùn)練，逐級提取故障特征，學(xué)習(xí)和固定模型參數(shù)，構(gòu)建能夠識別某種種類的神經(jīng)網(wǎng)絡(luò)模型，從而應(yīng)用于目標檢測和故障診斷領(lǐng)域[2]。

在光伏板識別的基礎(chǔ)算法網(wǎng)絡(luò)結(jié)構(gòu)中嵌入注意力模塊，通過調(diào)試和優(yōu)化模塊位置，可構(gòu)建出改進的SSD目標檢測算法。本研究嘗試運用擴充樣本以及遷移學(xué)習(xí)的方法，訓(xùn)練和迭代改進SSD算法參數(shù)，最終通過與訓(xùn)練集互斥的大量光伏板圖像數(shù)據(jù)樣本測試，驗證該算法的精度和速度。

2 SSD目標檢測算法

SSD（Single Shot MultiBox Detector）是劉偉等人在ECCV 2016上發(fā)表的一種的目標檢測算法。對于輸入圖像大小300×300的版本在VOC2007數(shù)據(jù)集上達到了72.1%mAP的準確率且檢測速度達到58 FPS（Faster RCNN：73.2%mAP，7FPS；YOLOv1：63.4%mAP，45f/s）。SSD算法主要由兩部分構(gòu)成，前半部分為圖像分類網(wǎng)絡(luò)（VGG-16、ResNet等），主要負責(zé)對應(yīng)尺度圖像特征提?。缓蟀氩糠譃榫矸e層，輔助完成對圖像更深層次和抽象特征的提取。具體結(jié)構(gòu)為以VGG-16為網(wǎng)絡(luò)骨干，再將原本網(wǎng)絡(luò)結(jié)構(gòu)中最后兩層全連接層替換為卷積層，移除Dropout，同時添加四個卷積層提取額外的更深的特征，構(gòu)成SSD網(wǎng)絡(luò)結(jié)構(gòu)。

輸入一張300×300的圖片，經(jīng)過特征提取網(wǎng)絡(luò)不斷卷積和池化壓縮為150×150、75×75等網(wǎng)格，分別 提 取 圖 中conv4_3、conv7、conv8、conv9、conv10、conv11的結(jié)果作為特征層，得到不同大小的特征圖，用以檢測不同大小的物體，以此提升目標檢測網(wǎng)絡(luò)的準確度。對這些特征圖進行邊框預(yù)測和分類對比，經(jīng)過標注后，標準原始邊框圖像數(shù)據(jù)可獲得分類損失及定位損失，通過非極大抑制算法去除冗余項得到最終輸出。

3 ECA注意力機制

計算機視覺中的注意力機制的主旨是讓計算機和系統(tǒng)能夠像人類一樣擁有注意力，即能夠忽略無關(guān)信息，而關(guān)注重點信息。ECA[3]是一種有效的通道關(guān)注模塊，是對SENet[4]（Squeeze-and-Excitation）的改進。為減少SENet的網(wǎng)絡(luò)參數(shù)數(shù)量，使網(wǎng)絡(luò)更加輕簡，在網(wǎng)絡(luò)學(xué)習(xí)中增加了一步先降維后升維的操作，然而經(jīng)過降維再升維之后，最后輸出維度雖不變，過程中有些關(guān)鍵信息卻損失掉了。文獻[3]經(jīng)過大量實驗表明在使用通道注意力時避免降維和適當跨信道交互可在保持網(wǎng)絡(luò)性能基礎(chǔ)上降低模型復(fù)雜度，因此ECA可通過一維卷積在不降維的基礎(chǔ)上通過跨信道交互降低模型參數(shù)而保證優(yōu)良的性能和較低的模型復(fù)雜度度，它依靠一維卷積不降維局部跨信道交互策略和自適應(yīng)選擇一維卷積核大小的方法來確定局部跨信道交互的覆蓋率。

ECA模塊可以通過卷積核大小為k的一維卷積來實現(xiàn)通道之間的信息交互，如下式：

式中C1Dk表示只涉及k個參數(shù)信息的一維卷積?？梢钥闯鯡CA模塊模型復(fù)雜度相對較低的同時還保留了模型效率和性能，也能發(fā)現(xiàn)k決定了交互通道覆蓋范圍，其取值與通道C有關(guān)。k和通道C的最優(yōu)映射關(guān)系無法直接求得，只知k和C成非線性比例，因此用參數(shù)話指數(shù)函數(shù)可以寫作：

整理公式(2)可以得出k和C的映射關(guān)系如下：

至此，k的最優(yōu)解可以由公式(3)算出，其中|·|odd為選擇最近奇數(shù)，r=2，b=1。

4 SSD算法改進及網(wǎng)絡(luò)訓(xùn)練

改進SSD算法模型如圖1所示。

圖1 嵌入ECA模塊的改進SSD網(wǎng)絡(luò)結(jié)構(gòu)

改進的方法是在conv3、conv4之間，以及conv7、conv8、conv9、conv10、conv11之間加入ECA模塊。在前向網(wǎng)絡(luò)訓(xùn)練過程中，添加ECA模塊會增加光伏板位置所占比例，因此更大程度發(fā)揮了各個通道的作用，相較于其他注意力機制只引入少量的參數(shù)，改進方法提升了光伏板特征提取效率，并且在之后的回歸定位步驟中提高了誤差的計算精確度。

在訓(xùn)練深度網(wǎng)絡(luò)時往往需要大量訓(xùn)練數(shù)據(jù)，為避免因缺乏足夠的樣本數(shù)據(jù)造成網(wǎng)絡(luò)欠擬合，在此引入遷移學(xué)習(xí)的策略來彌補訓(xùn)練樣本的不足。遷移學(xué)習(xí)是把已訓(xùn)練好的模型（預(yù)訓(xùn)練模型）參數(shù)遷移到新的模型來幫助新模型訓(xùn)練[5]，大部分數(shù)據(jù)或者任務(wù)都存在相關(guān)性。通過遷移學(xué)習(xí)，可將已經(jīng)學(xué)習(xí)到的模型參數(shù)通過某種方式分享給改進后的模型，以改善模型學(xué)習(xí)效率[6-7]。

選擇與光伏板檢測數(shù)據(jù)集任務(wù)領(lǐng)域具有相似性的車輛、桌子作為原始訓(xùn)練資源[8],對特征提取網(wǎng)絡(luò)進行預(yù)訓(xùn)練。在所得的模型基礎(chǔ)上用準備好的光伏板圖像數(shù)據(jù)對模型參數(shù)進行精調(diào)。完成預(yù)訓(xùn)練之后，凍結(jié)前半部分網(wǎng)格層參數(shù)，再利用準備的光伏板圖像數(shù)據(jù)集對模型進行精調(diào)，使特征提取網(wǎng)絡(luò)后半部分的權(quán)重隨著網(wǎng)絡(luò)訓(xùn)練的迭代同步更新。

5 實驗與分析

5.1 數(shù)據(jù)集準備和平臺配置

實驗使用的開發(fā)平臺為Windows10，平臺具體配置由表1列出。實驗現(xiàn)場的實物擺放情況如圖2所示。

表1 實驗平臺參數(shù)

圖2 實驗現(xiàn)場實物布置

為了能讓神經(jīng)網(wǎng)絡(luò)提取足夠多的樣本特征，需要對現(xiàn)有樣本進行擴充。實驗采用方式為以相同比例對樣本進行亮度、對比度增強和旋轉(zhuǎn)平移等。算法網(wǎng)絡(luò)運用Pascalvoc2007權(quán)重數(shù)據(jù)集，選取300張完好狀態(tài)光伏組件圖像、300張積灰狀態(tài)圖像、300張碎裂狀態(tài)圖像、300張發(fā)黃狀態(tài)圖像，當完整度大于80%時才做標記。完整光伏板標記為“wu”；碎裂光伏板標記為“broke”；發(fā)黃光伏板標記為“yellow”，積灰光伏板標記為“dust”。按照9：1比例劃分訓(xùn)練集和數(shù)據(jù)集.使用軟件Labelimg對數(shù)據(jù)集進行標注。

為避免算法本身采集到背景樣本（負樣本）遠大于其他樣本數(shù)量使模型本身精確度降低，正樣本對負樣本（背景樣本）的比例為1：3。

5.2 實驗結(jié)果分析

實驗得到引入遷移學(xué)習(xí)模型前后的損失率，結(jié)果曲線如圖3所示。從圖中可以看出使用遷移學(xué)習(xí)后模型損失率下降更快，可用更少的數(shù)據(jù)集達到良好的訓(xùn)練結(jié)果，訓(xùn)練速度也提升了，整體效果較為理想，證明遷移學(xué)習(xí)對本模型有性能上的提高。

圖3 使用遷移學(xué)習(xí)前后的損失率變化

實驗對比了主流目標檢測算法Faster-RCNN、YoLo3、VGG16-SSD與改進算法在該數(shù)據(jù)集的光伏缺陷檢測性能的差異，實驗結(jié)果如表2所示。

表2 不同算法性能對比

可見，改進的光伏板檢測算法雖然在檢測速度并沒有達到最高，但在精確率和召回率上有了很大提升，尤其精確率也是幾種算法中最高的。對于光伏板缺陷檢測來說，如此的檢測速度在可接受范圍內(nèi)，精度也達到了預(yù)期。

6 結(jié)束語

全面無人機巡檢將是未來智能光伏電站發(fā)展的必然趨勢，運用高精度高速度人工智能代替人工巡檢和人工判斷缺陷類型，將大大提升巡檢效率和準確率，減少人員配比，降低勞動強度和企業(yè)成本。改進的SSD神經(jīng)網(wǎng)絡(luò)算法可以用于光伏板缺陷檢測，通過在原網(wǎng)絡(luò)上嵌入注意力模塊和并運用遷移學(xué)習(xí)策略，模型的檢測精度有了有效的提升，檢測速度也加快了。改進算法已在實際應(yīng)用中嵌入到無人機終端中，有效提升了無人機巡檢效率。