引言
新能源光伏电站作为一种可再生和高效的清洁能源，在人们的生产生活中得到了广泛的应用。新能源光伏电站基本搭建在崎岖复杂的山地，并且呈分布式搭建，给后期的维修保障人员带来了较大的不便。采用小型的无人机搭载高清相机以及准确率和实时性高的模型检测框架，能够对光伏组件的缺陷进行高效精确的检测。
Akram等人[1]提出了使用隔离神经网络训练结合迁移学习的方法对红外光伏组件缺陷图像进行检测，检测准确率达到了99.23%。Zhang等人[2]为了对光伏组件的表面缺陷进行检测，设计了独立的分量构建网络算法结合混淆矩阵缺陷图像，对部分区域增强进行缺陷检测。钟泳松等人[3]提出了注意力机制结合迁移学习迭代优化的SSD目标检测算法对光伏组件缺陷进行检测，精确率达到了96.6%。郭清华等人[4]提出了使用图像预处理方式结合U-Net分割网络对光伏组件缺陷进行检测，但由于光伏组件是在自然环境下工作的，易受到光线的影响使得预处理效果较差，降低了识别的准确率。任喜伟等人[5]提出了使用可分离卷积代替传统卷积的U-Net网络，完成对光伏板的缺陷区域分割。王哲等人[6]针对光伏玻璃的气泡、结石等缺陷，提出了使用图像对比结合图像签名的显著图，然后进行图像融合的检测方法。刘怀广等人[7]为解决尺寸较小的光伏电池片缺陷，提出了使用增强特征的卷积网络，并减小了模型的空间复杂度，精确率达到了87.55%。刘耀迪等人[8]针对光伏硅片和电池的缺陷，提出了使用形态学结合边缘检测的图像处理算法对隐裂、划伤和污染进行检测，该方法会受到光照的影响，泛化性较差。赵晓雨等人[9]针对光伏板的缺陷检测，提出了使用融合注意力机制的YOLOv5目标检测方法，准确率达到了97.5%。肖慧慧等人[10]为提高光伏电池板缺陷检测的效率和准确率，提出了使用图像预处理结合图像分割的传统算法。彭兴辉等人[11]针对太阳能硅片的缺陷检测，提出了使用形态学方法对数据进行预处理，然后生成对抗网络结合FID图像质量评价指标筛选数据集，最后使用YOLOv5目标检测进行缺陷定位，准确率达到了94.1%。黄彦乾等人[12]提出了使用小样本结合辅助数据集训练的方法，在AResNet网络进行光伏板缺陷分类预训练。闫号等人[13]为解决光伏面板缺陷检测准确率较低和成本较高的问题，提出了使用多源融合网络，以YOLOv3 tiny为主干特征提取网络，结果表明F1值达到了0.86%。李冰等人[14]为解决光伏板块缺陷尺寸变化较大，检测准确率低的问题，提出了使用多尺度自适应融合网络，精确率达到了76.2%。
以上总结了现有的光伏组件缺陷检测方法，主要包括传统图像处理算法和现阶段较为流行的神经网络框架。采用传统的图像处理算法易受到光照的影响，从而影响其分割阈值，降低检测的准确率。采用神经网络算法，比如YOLO系列网络、小样本学习的训练方法和SSD目标检测框架，虽然准确率较高，但检测速度较差。
为解决以上问题，本文提出了基于多尺度伸缩卷积与注意力机制的光伏组件缺陷分割网络，创新点主要包括：(1)在传统的U-Net网络中引入了多重扩张卷积模块，从而对高层语义信息完成精确分割；(2)将分割后的mask掩码与原图进行与操作，得到无背景噪声的分类数据集，然后采用轻量级网络MobileNetV3对光伏组件的缺陷进行准确的分类。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006397
作者信息：
党宁，李世峰，于坤義
（国家电投集团甘肃电力有限公司，甘肃 兰州 730000）
