基于加權(quán)灰度圖與混合閾值分割方法的光伏熱斑檢測(cè)

孫海蓉，伍金文

基于加權(quán)灰度圖與混合閾值分割方法的光伏熱斑檢測(cè)

孫海蓉，伍金文

（華北電力大學(xué) 自動(dòng)化系，河北 保定 071003）

在光伏紅外熱圖像中，熱斑和部分高溫工作區(qū)的亮度非常接近。在利用傳統(tǒng)的閾值分割技術(shù)提取熱斑時(shí)，往往會(huì)將工作區(qū)也一并分割出來，形成虛假熱斑。結(jié)合Otsu算法和Sauvola算法的優(yōu)點(diǎn)，提出了一種基于加權(quán)灰度圖的混合閾值分割方法。通過對(duì)灰度圖加權(quán)處理，降低工作區(qū)亮度，從而增強(qiáng)熱斑與工作區(qū)的對(duì)比度，改善熱斑的可視性。利用Otsu算法與Sauvola算法二值化灰度圖，并根據(jù)二值圖差異度計(jì)算混合閾值，以此消除虛假熱斑的干擾。實(shí)驗(yàn)證明，該方法適用于檢測(cè)存在高溫工作區(qū)的光伏板熱斑，能夠精準(zhǔn)有效地分割熱斑。

太陽能發(fā)電；光伏熱斑；Otsu算法；Sauvola算法；加權(quán)灰度圖；混合閾值分割

0 引言

光伏發(fā)電作為一種重要的發(fā)電方式，在能源工業(yè)發(fā)展過程中發(fā)揮著越來越大的作用。然而，光伏組件在發(fā)電過程中可能會(huì)受到區(qū)域遮擋的影響，從而產(chǎn)生熱斑效應(yīng)，進(jìn)而影響組件的發(fā)電功率[1]。熱斑效應(yīng)會(huì)導(dǎo)致光伏組件溫度升高，極易損壞光伏電池甚至引發(fā)火災(zāi)[2]。因此，對(duì)光伏太陽能板進(jìn)行熱斑檢測(cè)具有重要的意義。

學(xué)者們?cè)诠夥柲馨鍩岚邫z測(cè)領(lǐng)域已經(jīng)取得了一系列研究成果。深度學(xué)習(xí)方法如ResNet[3]、Faster RCNN[4]、SSD[5]、RCAG-Net[6]、VGGNet[7]、GoogleNet[8]、YOLO[9]在使用大型數(shù)據(jù)集進(jìn)行熱斑檢測(cè)時(shí)表現(xiàn)出高效性。然而，深度學(xué)習(xí)方法需要大量的計(jì)算資源，并且需要耗費(fèi)大量人力物力來收集標(biāo)注數(shù)據(jù)集。對(duì)于數(shù)據(jù)集較少的情況，可以基于圖像處理技術(shù)來設(shè)計(jì)特定的熱斑提取方法，以充分利用光伏紅外熱圖像中熱斑的特點(diǎn)。例如，文獻(xiàn)[10]提出的灰度轉(zhuǎn)化方法在處理非均勻噪聲的光伏熱斑圖像時(shí)表現(xiàn)出良好的檢測(cè)效果。該方法不僅成功檢測(cè)出熱斑，而且更好地反映了熱斑缺陷的程度。文獻(xiàn)[11]提出了一種基于局部統(tǒng)計(jì)特征的有效區(qū)域分割算法，對(duì)不同光照強(qiáng)度下的光伏熱斑圖像都表現(xiàn)出卓越的分割效果。用該方法能夠精確分割出光伏熱斑圖像的有效區(qū)域，進(jìn)而為后續(xù)的熱斑定位提供了便利。文獻(xiàn)[12]采用了基于灰度直方圖的B樣條最小二乘擬合方法，從根本上消除了灰度直方圖中的局部尖峰，從而提高了熱斑檢測(cè)的準(zhǔn)確性。文獻(xiàn)[13]提出了一種基于局部標(biāo)準(zhǔn)差的精準(zhǔn)分割方法，對(duì)于明暗差異較大的紅外光伏圖像也能準(zhǔn)確分割出光伏陣列，從而有效解決了光伏陣列難以定位的問題。文獻(xiàn)[14]引入了曲線擬合與灰度聚類相結(jié)合的方法，將紅外光伏圖像分成了環(huán)境、光伏陣列和熱斑3個(gè)灰度層次，有效抑制了環(huán)境噪聲與光伏板邊框的干擾。文獻(xiàn)[15]提出了可見光與紅外圖像融合的方法，成功消除了陽光反射引起的虛假熱斑，從而提高了熱斑檢測(cè)精度。這些基于圖像處理技術(shù)的方法對(duì)于處理特定類別的紅外光伏熱斑圖像具有良好的性能，并能夠提供直觀和可解釋的結(jié)果。

考慮到光伏紅外熱圖像的數(shù)據(jù)集較少以及熱斑與高溫工作區(qū)亮度接近的特點(diǎn)，為有效消除虛假熱斑、提高熱斑故障檢測(cè)的準(zhǔn)確率，本文基于傳統(tǒng)圖像處理技術(shù)，提出了一種基于加權(quán)灰度圖的混合閾值分割方法：首先對(duì)紅外熱圖像的灰度圖加權(quán)處理，然后利用混合閾值對(duì)加權(quán)灰度圖分割處理。

1 熱斑與虛假熱斑分析

通過熱成像儀獲得紅外熱成像，是光伏電站進(jìn)行故障檢測(cè)的重要手段。光伏紅外熱圖像包含了光伏板的多種信息。圖1中包含2張光伏組件的紅外熱圖像。

圖1 光伏紅外熱圖像

以圖1（a）為例，光伏組件可分為熱斑、工作區(qū)A和工作區(qū)B。熱斑區(qū)域的溫度和亮度最高，溫度大約為50 ℃。工作區(qū)A的溫度較低，約為25 ℃，同時(shí)亮度也較低。工作區(qū)B的溫度較高，約為40 ℃，而亮度也較高。光伏板的正常溫度范圍在20 ℃到45 ℃之間，并且溫差在6 ℃以內(nèi)。需要注意的是，盡管工作區(qū)B的溫度較高，但由于沒有明顯的局部溫差，因此這部分區(qū)域的亮度雖然接近熱斑，但實(shí)際上并不是熱斑。利用Otsu閾值分割的區(qū)域?yàn)榧t外熱圖像亮度較高的區(qū)域，即熱斑與工作區(qū)B。對(duì)圖1（a）的灰度圖閾值分割，結(jié)果如圖2（b）所示：圓圈內(nèi)的白色區(qū)域表示熱斑，其余白色區(qū)域則是工作區(qū)B，即虛假熱斑。這樣的分割結(jié)果不能滿足熱斑故障檢測(cè)的需求。因此，本文的目的是消除這些虛假熱斑。

圖2 Otsu算法分割效果展示

2 熱斑分割算法

2.1 Otsu閾值計(jì)算

Otsu算法屬于全局閾值分割方法，又叫作最大類間方差法。該算法的思路是將灰度圖像分成背景和前景2個(gè)類別，并使2個(gè)類別差異最大化。

文中背景指光伏板正常工作區(qū)與周圍環(huán)境，前景則是光伏板上的熱斑。

Otsu閾值的計(jì)算步驟及公式如下：

1）計(jì)算灰度值總和。

式中：為灰度圖的灰度值總和；1為背景的平均灰度值；2為前景的平均灰度值；1為背景占灰度圖的比例；2為前景占灰度圖的比例。

2）求取使方差最大化的閾值。

式中：max為最大類間方差；0為Otsu閾值。

2.2 Sauvola閾值計(jì)算

Sauvola算法屬于局部自適應(yīng)閾值分割方法，其原理是基于圖像局部區(qū)域特征，通過計(jì)算每個(gè)像素位置的局部均值與標(biāo)準(zhǔn)方差來計(jì)算對(duì)應(yīng)分割閾值。

Sauvola閾值計(jì)算步驟及公式如下：

1）計(jì)算局部均值。

式中：2為窗口大小；(,)為以(,)為中心的窗口范圍內(nèi)局部均值；(,)為灰度圖中坐標(biāo)為(,)像素點(diǎn)的灰度值。

窗口是計(jì)算局部均值與局部標(biāo)準(zhǔn)方差的區(qū)域，本文設(shè)置的窗口大小6×6。

2）計(jì)算局部標(biāo)準(zhǔn)方差。

式中：(,)為以坐標(biāo)(,)為中心窗口范圍內(nèi)的局部標(biāo)準(zhǔn)方差。

3）計(jì)算Sauvola閾值。

式中：1(,)為Sauvola閾值；為修正參數(shù)；為局部標(biāo)準(zhǔn)方差的動(dòng)態(tài)范圍。

取修正參數(shù)=0.1，=128。

2.3 加權(quán)灰度圖

對(duì)灰度圖加權(quán)處理可以增強(qiáng)灰度圖中前景與背景的對(duì)比度，優(yōu)化后續(xù)的圖像分割結(jié)果。

根據(jù)灰度圖的二值圖與局部均值差異計(jì)算灰度值權(quán)重矩陣，并應(yīng)用權(quán)重矩陣對(duì)灰度圖加權(quán)處理。設(shè)紅外熱圖像灰度圖為(,)，求取加權(quán)灰度圖的步驟及公式如下。

1）利用Otsu閾值二值化灰度圖(,)。

式中：(,)為Otsu二值化結(jié)果圖。

將灰度圖像中小于閾值的像素點(diǎn)賦值為0，而大于閾值的像素點(diǎn)賦值為255，通過這樣的處理獲得二值圖像。

2）計(jì)算灰度值權(quán)重。

式中：(,)為灰度圖權(quán)重。

利用二值圖與局部均值的差值計(jì)算權(quán)重矩陣，可以增強(qiáng)最高亮度的熱斑與較高亮度的工作區(qū)的對(duì)比度，從而突出灰度圖中的熱斑區(qū)域。

3）計(jì)算加權(quán)灰度圖。

式中：(,)為加權(quán)灰度圖。

2.4 混合閾值計(jì)算

混合閾值法綜合利用了Otsu與Sauvola兩種閾值方法的優(yōu)勢(shì)，可根據(jù)灰度圖的特點(diǎn)計(jì)算出更準(zhǔn)確的分割閾值。該方法基于自適應(yīng)權(quán)重法，利用Otsu和Sauvola這2種閾值算法對(duì)加權(quán)灰度圖進(jìn)行二值化，通過比較2種方法結(jié)果圖的局部均值動(dòng)態(tài)差異來分配權(quán)重因子。

1）利用Otsu算法與Sauvola算法二值化加權(quán)灰度圖(,)。

式中：0(,)為Otsu二值化加權(quán)灰度圖的結(jié)果圖；1(,)為Sauvola二值化加權(quán)灰度圖的結(jié)果圖。

2）計(jì)算局部均值差異度。

式中：(,)為局部均值差異度；0(,)為圖0(,)的局部均值；1(,)為圖1(,)的局部均值；為局部均值之差的動(dòng)態(tài)范圍。

局部均值的計(jì)算方法與式（3）相同，的取值為256。

3）計(jì)算混合閾值。

式中：(,)為混合閾值。

3 實(shí)驗(yàn)結(jié)果分析

本次實(shí)驗(yàn)使用筆記本電腦，各項(xiàng)配置為：Windows 10操作系統(tǒng)，處理器主頻1.80 GHz，8.0 GB內(nèi)存。

3.1 加權(quán)灰度圖分割結(jié)果

對(duì)像素點(diǎn)灰度值加權(quán)處理的目的是降低高溫工作區(qū)亮度，增強(qiáng)熱斑與工作區(qū)的對(duì)比度。圖3為灰度圖加權(quán)處理結(jié)果。

圖3 灰度圖加權(quán)處理結(jié)果

圖3（a）和圖3（b）分別為原灰度圖與加權(quán)灰度圖。根據(jù)大津閾值法的二值化結(jié)果圖與局部灰度均值計(jì)算灰度值權(quán)重，利用權(quán)重對(duì)灰度圖加權(quán)處理，使加權(quán)灰度圖的工作區(qū)域亮度下降。為了體現(xiàn)加權(quán)灰度圖法對(duì)閾值分割結(jié)果的影響，使用Otsu算法對(duì)原始灰度圖像和加權(quán)灰度圖像進(jìn)行分割，分割結(jié)果如圖4所示。

圖4 Otsu分割結(jié)果

在圖4中，圓圈內(nèi)的白色區(qū)域表示檢測(cè)到的熱斑，其余區(qū)域?qū)?yīng)虛假熱斑。值得注意的是，工作區(qū)域亮度降低導(dǎo)致錯(cuò)誤分類的虛假熱斑區(qū)域的面積變小。本文對(duì)加權(quán)灰度圖的分割結(jié)果的期望是熱斑區(qū)域和非熱斑區(qū)域完美區(qū)分開。然而，上述分割結(jié)果仍然不符合檢測(cè)要求，需要使用混合閾值分割方法進(jìn)一步分割。

3.2 分割方法效果比較

本文進(jìn)一步使用混合閾值對(duì)加權(quán)灰度圖像進(jìn)行二值化處理，得到最終分割效果。為了強(qiáng)調(diào)這種混合閾值分割方法的優(yōu)秀分割性能，本文對(duì)大津閾值、Sauvola閾值以及上述的混合閾值分割加權(quán)灰度圖的結(jié)果進(jìn)行比較分析。圖5展示了這些閾值分割方法的結(jié)果。

以圖5（a）為例。大津閾值法分割結(jié)果如圖5（b）所示，部分高溫工作區(qū)被誤分為熱斑，產(chǎn)生了虛假熱斑的現(xiàn)象。Sauvola算法分割結(jié)果如圖5（c）所示，盡管該方法較好地實(shí)現(xiàn)了將熱斑與工作區(qū)分開，但因其主要考慮像素周邊的灰度值，導(dǎo)致灰度值為0的電池板邊框和電池板周邊環(huán)境被錯(cuò)誤地分割出來。圖5（c）中的白線代表電池板的邊框，大片的白色區(qū)域則代表太陽能電池板周圍的環(huán)境，這些都與本文的熱斑檢測(cè)需求相悖。相比之下，圖5（d）所示混合閾值的分割結(jié)果最為準(zhǔn)確，熱斑區(qū)域與非熱斑區(qū)域區(qū)完美分開。在圖5（e）—（h）中，3種方法的閾值分割效果與圖5（a）—（d）完全相同，進(jìn)一步證實(shí)了本文提出的基于加權(quán)灰度圖的混合閾值分割方法可以有效滿足熱斑檢測(cè)的需求。

4 結(jié)論

本文對(duì)存在高溫工作區(qū)的光伏熱斑圖像進(jìn)行了研究，提出了一種基于加權(quán)灰度圖的混合閾值分割方法。實(shí)驗(yàn)證明該方法能降低高溫工作區(qū)亮度，從而增強(qiáng)熱斑區(qū)域與非熱斑區(qū)域的對(duì)比度并改善熱斑的可視性，可有效消除虛假熱斑的干擾。本文方法為高溫工作區(qū)太陽能電池板的紅外熱圖像熱斑檢測(cè)提供了一種實(shí)際可行的方法。

[1] DHIMISH M, MATHER P, HOLMES V. Evaluating power loss and performance ratio of hot-spotted photovoltaic modules[J]. IEEE Transactions on Electron Devices, 2018, 65(12): 5419-5427.

[2] CHIRIAC G, NITUCA C, CUCIUREANU D, et al. Analysis of hot-spots effects on the performances of a photovoltaic system used in Romania[C]//2017 International Conference on Electromechanical and Power Systems (SIELMEN). Iasi, Romania: IEEE, 2017: 239-244.

[3] 王奇, 任一峰, 王璐. 小型光伏熱斑的全卷積網(wǎng)絡(luò)模型檢測(cè)[J]. 測(cè)試技術(shù)學(xué)報(bào), 2022, 36(3): 199-205. WANG QI, REN YIFENG, WANG LU. Full convolutional network model detection for small photovoltaic hot spots[J]. Journal of Test and Measurement Technology, 2022, 36(3): 199-205(in Chinese).

[4] 郭夢(mèng)浩, 徐紅偉. 基于 Faster RCNN 的紅外熱圖像熱斑缺陷檢測(cè)研究[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2019, 28(11): 265-270. GUO MENGHAO, XU HONGWEI. Hot spot defect detection based on infrared thermal image and Faster RCNN[J]. Computer Systems & Applications, 2019, 28(11): 265-270(in Chinese).

[5] 鐘泳松, 徐凌樺, 周克. 基于改進(jìn)SSD算法的光伏組件缺陷檢測(cè)研究[J]. 微處理機(jī), 2022, 43(1): 22-25.

ZHONG YONGSONG, XU LINGHUA, ZHOU KE. Research on defect detection of photovoltaic module based on improved SSD algorithm[J]. Microprocessors, 2022, 43(1): 22-25(in Chinese).

[6] SU B, CHEN H, LIU K, et al. RCAG-Net: residual channelwise attention gate network for hot spot defect detection of photovoltaic farms[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-14.

[7] SIMON M, MEYER E L. Detection and analysis of hot-spot formation in solar cells[J]. Solar Energy Materials and Solar Cells, 2010, 94(2): 106-113.

[8] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA: IEEE, 2015: 1-9.

[9] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: IEEE, 2016: 779-788.

[10] 柳揚(yáng), 陳美珍, 徐勝彬, 等. 基于熱成像與灰度轉(zhuǎn)換技術(shù)的光伏陣列缺陷檢測(cè)方法[J]. 電子測(cè)量技術(shù), 2021, 44(11): 96-102. LIU YANG, CHEN MEIZHEN, XU SHENGBIN, et al. Defect detection method for photovoltaic arrays based on thermal imaging and gray conversion technology[J]. Electronic Measurement Technology, 2021, 44(11): 96-102(in Chinese).

[11] 毛峽, 石天朋. 光伏熱斑圖像有效區(qū)域分割算法研究[J]. 太陽能學(xué)報(bào), 2018, 39(5): 1270-1276. MAO XIA, SHI TIANPENG. Research on segmentation algorithm of effective region in photovoltaic hot spot image[J]. Acta Energiae Solaris Sinica, 2018, 39(5): 1270-1276(in Chinese).

[12] 蔣琳, 蘇建徽, 施永, 等. 基于紅外熱圖像處理的光伏陣列熱斑檢測(cè)方法[J]. 太陽能學(xué)報(bào), 2020, 41(8): 180-184. JIANG LIN, SU JIANHUI, SHI YONG, et al. Hot spots detection of operating PV arrays through IR thermal image[J]. Acta Energiae Solaris Sinica, 2020, 41(8): 180-184(in Chinese).

[13] 陳文勤. 一種基于紅外圖像識(shí)別的光伏組件熱斑檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[D]. 南京: 南京郵電大學(xué), 2021. CHEN WENQIN. Research and implementation of a photovoltaic module hot spot detection system based on infrared image recognition[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2021(in Chinese).

[14] 謝七月, 孫武彪, 申忠利, 等. 基于灰度聚類的光伏紅外熱斑圖像分割方法[J]. 太陽能學(xué)報(bào), 2023, 44(9): 117-124. XIE QIYUE, SUN WUBIAO, SHEN ZHONGLI, et al. Photovoltaic infrared hot spot image segmentation method based on gray clustering[J]. Acta Energiae Solaris Sinica, 2023, 44(9): 117-124(in Chinese).

[15] 蔣琳, 蘇建徽, 李欣, 等. 基于可見光和紅外熱圖像融合的光伏陣列熱斑檢測(cè)方法[J]. 太陽能學(xué)報(bào), 2022, 43(1): 393-397. JIANG LIN, SU JIANHUI, LI XIN, et al. Hot spot detection of photovoltaic array based on fusion of visible and infrared thermal images[J]. Acta Energiae Solaris Sinic, 2022, 43(1): 393-397(in Chinese).

Photovoltaic Hot Spot Detection Based on Weighted Gray Image and Hybrid Threshold Segmentation

SUN Hairong, WU Jinwen

(Department of Automation, North China Electric Power University, Baoding 071003, China)

In the photovoltaic infrared thermal image, the brightness of the hot spot and part of the high-temperature working area is very close. When the traditional threshold segmentation technique is used to extract hot spots, the working area is often separated to form false hot spots. Combining the advantages of Otsu algorithm and Sauvola algorithm, a hybrid threshold segmentation method based on weighted gray image is proposed. The brightness of the working area is reduced by weighting the gray-scale image, so that the contrast between the hot spot and the working areais enhanced and the visibility of the hot spot is improved. By using Otsu algorithm and the Sauvola algorithm, the gray-level image is binarized, and the mixing threshold is calculated according to the difference degree of the binary image. The experiments results show that this method is suitable for detecting hot spots of photovoltaic panels in hot working area and can segment hot spot accurately and effectively.

solar power generation; photovoltaic hot spot;Otsu algorithm; Sauvola algorithm; weighted grayscale map; mixed threshold segmentation

10.3969/j.ISSN.1672-0792.2024.01.007

TK514

A

1672-0792(2024)01-0063-06

河北省省級(jí)科技計(jì)劃資助項(xiàng)目（22567643H）。

2023-09-06

孫海蓉（1972—），女，副教授，研究方向?yàn)閳D像識(shí)別、深度學(xué)習(xí)、建模與控制、智能控制理論及應(yīng)用；

伍金文（1999—），男，碩士研究生，主要從事圖像處理、深度學(xué)習(xí)在發(fā)電領(lǐng)域的應(yīng)用方面研究。

伍金文