基于改进深度残差网络的光伏板积灰程度识别

doi:10.11772/j.issn.1001-9081.2021101715

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3733-3739.DOI: 10.11772/j.issn.1001-9081.2021101715

所属专题：人工智能

基于改进深度残差网络的光伏板积灰程度识别

孙鹏翔, 毕利(), 王俊杰

宁夏大学信息工程学院，银川 750021

收稿日期:2021-10-08 修回日期:2021-12-09 接受日期:2021-12-23 发布日期:2022-01-19 出版日期:2022-12-10
通讯作者: 毕利
作者简介:孙鹏翔（1998—），男，山西晋中人，硕士研究生，主要研究方向：图像识别、数据挖掘
王俊杰（1999—），男，四川都江堰人，硕士研究生，主要研究方向：图像识别、数据挖掘。
基金资助:
宁夏自然科学基金资助项目(2020AAC03034)

Dust accumulation degree recognition of photovoltaic panel based on improved deep residual network

Pengxiang SUN, Li BI(), Junjie WANG

School of Information Engineering，Ningxia University，Yinchuan Ningxia 750021，China

Received:2021-10-08 Revised:2021-12-09 Accepted:2021-12-23 Online:2022-01-19 Published:2022-12-10
Contact: Li BI
About author:SUN Pengxiang， born in 1998， M. S. candidate. His research interests include image recognition， data mining.
WANG Junjie，born in 1999， M. S. candidate. His research interests include image recognition， data mining.
Supported by:
Ningxia Natural Science Foundation(2020AAC03034)

摘要/Abstract

摘要：

光伏板积灰会降低光伏发电的转换效率，同时易造成光伏板的损坏；因此，对光伏板的积灰进行智能识别具有重大意义。针对以上问题，提出一种基于改进深度残差网络的光伏板积灰程度识别模型。首先，通过分解卷积和微调下采样，对次代残差网络（ResNeXt）50进行改进；然后，融合坐标注意力（CA）机制，将位置信息嵌入到通道注意力中，通过精确的位置信息对通道关系和长期依赖性进行编码，并通过二维全局池操作将特征图像分解为两个一维编码，以增强关注对象的表示；最后，用监督对比（SupCon）学习损失函数替代交叉熵损失函数，从而有效提高识别准确率。实验结果表明，在真实光伏电站4个等级的光伏板积灰程度识别中，改进后的ResNeXt50的识别准确率为90.7%，与原始ResNeXt50相比提升了7.2个百分点。所提模型可满足光伏电站智能运维的基本要求。

关键词: 光伏板, 积灰程度识别, 次代残差网络, 注意力机制, 监督对比学习损失

Abstract:

The dust accumulation on photovoltaic panels will reduce the conversion efficiency of photovoltaic power generation， and easily cause damage to the photovoltaic panels at the same time. Therefore， it is of great significance to recognize the dust accumulation of photovoltaic panels intelligently. Aiming at above problems， a dust accumulation degree recognition model of photovoltaic panel based on improved deep residual network was proposed. Firstly， the NeXt Residual Network （ResNeXt）50 was improved by decomposing convolution and fine-tuning down-sampling. Then， the Coordinate Attention （CA） mechanism was fused to embed the location information into channel attention， the channel relationship and long-term dependence were encoded by using the accurate location information， and the feature map was decomposed into two one-dimensional codes by using the two-dimensional global pooling operation， thereby enhencing the representation of the objects of attention. Finally， the cross-entropy loss function was replaced by the Supervised Contrast （SupCon） learning loss function to effectively improve the recognition accuracy. Experimental results show that in the recognition of the dust accumulation of photovoltaic panel at four levels of real photovoltaic power stations， the improved ResNeXt50 model has a recognition accuracy of 90.7%， which is increased by 7.2 percentage points compared with that of the original ResNeXt50. The proposed model can meet the basic requirements of intelligent operation and maintenance of photovoltaic power stations.

Key words: photovoltaic panel, dust accumulation degree recognition, NeXt Residual Network (ResNeXt), attention mechanism, Supervised Contrastive (SupCon) learning loss

中图分类号:

TP391.41

孙鹏翔, 毕利, 王俊杰. 基于改进深度残差网络的光伏板积灰程度识别[J]. 计算机应用, 2022, 42(12): 3733-3739.

Pengxiang SUN, Li BI, Junjie WANG. Dust accumulation degree recognition of photovoltaic panel based on improved deep residual network[J]. Journal of Computer Applications, 2022, 42(12): 3733-3739.

图/表 19

图1 ResNet与ResNeXt残差结构对比

Fig.1 Residual structure comparison of ResNet and ResNeXt

图2 Conv1模块改进

Fig.2 Conv1 module improvement

图3 下采样改进

Fig.3 Down-sampling improvement

图4 1×1卷积下采样

Fig. 4 1×1 convolutional down-sampling

图5 CA机制模块

Fig.5 CA mechanism module

图6 监督对比学习损失函数

Fig. 6 SupCon learning loss function

图7 改进后的整体网络结构

Fig. 7 Improved overall network structure

表1 网络参数设置

Tab. 1 Network parameter setting

网络层	输出大小	参数设置
Attention	224×224	1×224 x avg pool
		224×1 y avg pool
		1×1×16
		1×1×3
		1×1×3
Conv1	112×112	3×3×3，same
		3×3×3，same
		3×3×64，same
		3×3 max pool，stride 2
Conv2	56×56	1×1×128
		3×3×128，stride 2
		1×1×256
Conv3	28×28	1×1×256
		3×3×256，stride 2
		1×1×512
Conv4	14×14	1×1×512
		3×3×512，stride 2
		1×1×1 024
Conv5	7×7	1×1×1 024
		3×3×1 024，stride 2
		1×1×2 048

图8 光伏板积灰程度分类

Fig. 8 Classification of dust accumulation degree of photovoltaic panel

图9 图像增广

Fig. 9 Image augmentation

表2 分解卷积的实验结果

Tab. 2 Experimental results of decomposition convolution

模型	卷积大小	堆叠数量	准确率/%	参数量/KB
原始Conv1	7×7	1	83.5	9 472
分解卷积Conv1	3×3	3	84.7	1 792

表3 下采样微调实验结果

Tab. 3 Experimental results of down-sampling fine-tuning

模型	下采样位置	准确率/%
原始ResNeXt	首个1×1卷积	83.5
下采样微调ResNeXt	3×3卷积	85.1

图10 不同位置嵌入注意力模块

Fig. 10 Attention modules embedded in different positions

表4 不同位置嵌入CA注意力模块的实验结果

Tab. 4 Experimental results of embedding CA attention module in different positions

模型	嵌入位置	准确率/%
原始ResNeXt（a）	无	83.5
ResNeXt‑CA（b）	Conv1前	85.8
ResNeXt‑CA（c）	Conv2前	85.1
ResNeXt‑CA（d）	Conv3前	84.7
ResNeXt‑CA（e）	Conv4前	84.2
ResNeXt‑CA（f）	Conv5前	83.9

图11 不同位置嵌入CA注意力热图

Fig. 11 Heat maps of CA attention embedded in different positions

表5 不同注意力机制的实验结果 (%)

Tab.5 Experimental results of different attention mechanisms

模型	准确率	模型	准确率
ResNeXt	83.5	ResNeXt‑CBAM	85.1
ResNeXt‑SE	84.2	ResNeXt‑CA（b）	85.8

表6 SupCon学习损失函数的实验结果 (%)

Tab. 6 Experimental results of SupCon learning loss function

模型	准确率
ResNeXt‑交叉熵（Loss）	83.5
ResNeXt‑SupCon（Loss）	85.6

表7 不同模型的实验结果 (%)

Tab. 7 Experimental results of different models

模型	准确率	模型	准确率
随机森林	66.7	MobileNetV3	83.9
KNN	71.3	InceptionV3	84.2
SVM	75.8	Inception-ResNetV2	85.9
ResNeXt50	83.5	改进ResNeXt50	90.7
ResNet50	81.8

表8 模型消耗对比

Tab. 8 Comparison of model consumption

模型	参数量/MB	推理时间/ms	训练时长/min
ResNeXt50	25.0	10.1	70.0
改进ResNeXt50	25.5	10.3	71.3

参考文献 24

1	曲宏伟，王靖雯. 积灰对光伏板输出特性影响理论和试验研究［J］. 太阳能学报， 2018， 39（8）：2335-2340.
	QU H W， WANG J W. Theory and experimental research of effect of dust deposition on output characteristics of PV module［J］. Acta Energiae Solaris Sinica， 2018， 39（8）： 2335-2340.
2	SAIDAN M， ALBAALI A G， ALASIS E， et al. Experimental study on the effect of dust deposition on solar photovoltaic panels in desert environment［J］. Renewable Energy， 2016， 92： 499-505. 10.1016/j.renene.2016.02.031
3	范思远，王煜，曹生现，等. 积灰对光伏组件输出特性影响建模与分析［J］. 仪器仪表学报， 2021， 42（4）：83-91. 10.19650/j.cnki.cjsi.J2007117
	FAN S Y， WANG Y， CAO S X， et al. Effect modeling and analysis of dust accumulation on output characteristics of photovoltaic modules［J］. Chinese Journal of Scientific Instrument， 2021， 42（4）：83-91. 10.19650/j.cnki.cjsi.J2007117
4	牛海明，崔青汝，刘厚旭. 积灰对光伏电池板输出特性影响研究［J］. 热力发电， 2021， 50（2）：110-117.
	NIU H M， CUI Q R， LIU H X. Effect of ash accumulation on output performance of photovoltaic panels［J］. Thermal Power Generation， 2021， 50（2）： 110-117.
5	赵波，张姝伟，曹生现，等. 基于状态监测的电池板积灰清洗周期确定与费用评估［J］. 中国电机工程学报， 2019， 39（14）：4205-4213. 10.13334/j.0258-8013.pcsee.172685
	ZHAO B， ZHANG S W， CAO S X， et al. Cleaning cycle determination and cost estimation for photovoltaic modules based on dust accumulating condition monitoring［J］. Proceedings of the CSEE， 2019， 39（14）： 4205-4213. 10.13334/j.0258-8013.pcsee.172685
6	吴春华，袁同浩，陈雪娟，等. 光伏电站不均匀积灰检测及优化控制［J］. 太阳能学报， 2017， 38（3）：774-780.
	WU C H， YUAN T H， CHEN X J， et al. PV plant uneven fouling detection and control optimization［J］. Acta Energiae Solaris Sinica， 2017， 38（3）： 774-780.
7	周晓明，朱周洪，陈军松，等.光反射型光伏板清洁度检测仪设计［J］. 中国计量学院学报， 2016， 27（1）：44-47， 72. 10.3969/j.issn.1004-1540.2016.01.008
	ZHOU X M， ZHU Z H， CHEN J S， et al. Design of a photovoltaic panel cleanness detector based on reflection light［J］. Journal of China University of Metrology， 2016， 27（1）： 44-47， 72. 10.3969/j.issn.1004-1540.2016.01.008
8	赵波，廖坤，邓春宇，等. 基于卷积神经学习的光伏板积灰状态识别与分析［J］. 中国电机工程报， 2019， 39（23）：6981-6989， 7111.
	ZHAO B， LIAO K， DENG C Y， et al. Image convolutional neural learning based image recognition and analysis method for dust on photovoltaic panel［J］. Proceedings of the CSEE， 2019， 39（23）： 6981-6989， 7111.
9	季长清，高志勇，秦静，等. 基于卷积神经网络的图像分类算法综述［J］. 计算机应用， 2022， 42（4）：1044-1049.
	JI C Q， GAO Z Y， QIN J， et al. Review of image classification algorithms based on convolutional neural network［J］. Journal of Computer Applications， 2022， 42（4）：1044-1049.
10	郑含博，李金恒，刘洋，等. 基于改进YOLOv3的电力设备红外目标检测模型［J］. 电工技术学报， 2021， 36（7）：1389-1398.
	ZHENG H B， LI J H， LIU Y， et al. Infrared object detection model for power equipment based on improved YOLOv3［J］. Transactions of China Electrotechnical Society， 2021， 36（7）： 1389-1398.
11	黄锐勇，戴美胜，郑跃斌，等. 电力设备红外图像缺陷检测［J］. 中国电力， 2021， 54（2）：147-155.
	HUANG R Y， DAI M S， ZHENG Y B， et al. Defect detection of power equipment by infrared image［J］. Electric Power， 2021， 54（2）： 147-155.
12	QI B H， DA Q Z， JIA S F. Coordinate attention for efficient mobile network design［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 13708-13717. 10.1109/cvpr46437.2021.01350
13	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
14	XIE S N， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 5987-5995. 10.1109/cvpr.2017.634
15	SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2818-2826. 10.1109/cvpr.2016.308
16	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
17	WOO S H， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 3-19.
18	KHOSLA P， TERERWAK P， WANG C， et al. Supervised contrastive learning［C/OL］// Proceedings of the 34th Conference on Neural Information Processing Systems. ［2021-04-23］..
19	严陆光，顾国彪，贺德鑫，等. 中国电气工程大典第七卷：可再生能源发电工程［M］. 北京：中国电力工业出版社， 2010：48-51.
	YAN L G， GU G B， HE D X， et al. China Electrical Engineering Canon Vol. 7： Renewable Energy Power Generation Engineering［M］. Beijing： China Electric Power Industry Press， 2010： 40-51.
20	LOSHCHILOV I， HUTTER F. SGDR： stochastic gradient descent with restarts［EB/OL］. （2017-05-03）［2021-08-03］..
21	SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 618-626. 10.1109/iccv.2017.74
22	杨萌林，张文生. 分类激活图增强的图像分类算法［J］. 计算机科学与探索， 2020， 14（1）：149-158.
	YANG M L， ZHANG W S. Image classification algorithm based on classification activation map enhancement［J］. Journal of Frontiers of Computer Science and Technology， 2020， 14（1）： 149-158.
23	HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 7132-7141. 10.1109/iccv.2019.00140
24	SZEGEDY C， IOFFE S， VANHOUCKE V， et al. Inception-v4， inception-ResNet and the impact of residual connections on learning［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2017： 4278-4284. 10.1609/aaai.v31i1.11231

[1]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[2]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[3]	赵志强, 马培红, 黑新宏. 基于双重注意力机制的人群计数方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2886-2892.
[4]	薛凯鹏, 徐涛, 廖春节. 融合自监督和多层交叉注意力的多模态情感分析网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2387-2392.
[5]	汪雨晴, 朱广丽, 段文杰, 李书羽, 周若彤. 基于交互注意力机制的心理咨询文本情感分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2393-2399.
[6]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[7]	李钟华, 白云起, 王雪津, 黄雷雷, 林初俊, 廖诗宇. 基于图像增强的低照度人脸检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2588-2594.
[8]	莫尚斌, 王文君, 董凌, 高盛祥, 余正涛. 基于多路信息聚合协同解码的单通道语音增强[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2611-2617.
[9]	刘丽, 侯海金, 王安红, 张涛. 基于多尺度注意力的生成式信息隐藏算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2102-2109.
[10]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[11]	李大海, 王忠华, 王振东. 结合空间域和频域信息的双分支低光照图像增强网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2175-2182.
[12]	魏文亮, 王阳萍, 岳彪, 王安政, 张哲. 基于光照权重分配和注意力的红外与可见光图像融合深度学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2183-2191.
[13]	熊武, 曹从军, 宋雪芳, 邵云龙, 王旭升. 基于多尺度混合域注意力机制的笔迹鉴别方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2225-2232.
[14]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[15]	毛典辉, 李学博, 刘峻岭, 张登辉, 颜文婧. 基于并行异构图和序列注意力机制的中文实体关系抽取模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2018-2025.

基于改进深度残差网络的光伏板积灰程度识别

Dust accumulation degree recognition of photovoltaic panel based on improved deep residual network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 24

相关文章 15

编辑推荐

Metrics