基于红外热图像的光伏组件热斑深度学习检测方法

热斑效应是造成光伏板严重破坏的主要原因之一，为了快速、及时的检测出热斑并及时维护解决。该文提出一种基于改进YOLOv4-tiny的热斑检测方法。首先，针对热斑红外图像稀少且原始模型中mosaic数据增强不稳定的问题，提出采用伽马变换的方式对热斑数据集进行有效扩充；其次，为了使得模型更关注热斑红外图像中重要的特征，抑制不必要的特征，在网络结构中添加了注意力模块(convolutional block attention module,CBAM)；最后，针对原始模型感受野较弱，提取信息不充分的缺点，将模型中的特征金字塔结构融合了路径聚合网络(pathaggregation network,PANet)的思想，且在结构中加入少量卷积核为1×1的卷积层，减少了参数量。实验结果表明本文提出的改进YOLOv4-tiny模型AP50达到98.42%，相较于原始模型提升了3.63%，且检测速率在图形处理器(graphic processing unit,GPU)为GTX1070Ti的设备上达到50.06FPS，具有优秀的检测精确率并兼具良好实时性，基本接近实际应用需求。