基于DenseNet的红外图像热斑状态分类研究

光伏热斑故障对光伏组件的运行会产生严重影响,为从图像数据中进行有效的热斑检测,提出一种基于密集连接网络(DenseNet)的深度学习方法。利用数据增强、改进模型结构和迁移学习的方法,在红外光伏故障图形数据集上训练优化,并针对构建的样本数据集具有分布不平衡性的特点,选择采用Focal损失函数缓解样本的非均衡。实验结果表明,该模型网络训练构建的光伏组件红外图像热斑状态数据集,能够实现较高准确度的图像识别,与原始DenseNet模型相比,能够提升准确率。

改进的残差网络对红外图像热斑状态分类研究

为提高光伏组件红外热斑图像识别准确率,提出一种基于多尺度残差和注意力机制相结合的新型卷积神经网络AMSRnet。在残差模块引入多卷积核,充分提取图像的深层特征信息,采用多层注意力模块,减少不必要的特征学习,增强特征的判别性,同时采用数据扩充方法防止模型过拟合。实验结果表明,AMSRnet模型训练识别自制的光伏组件红外图像热斑状态数据集,准确率高达95%,与VGG16等现有模型进行对比,AMSRnet模型的识别准确率比其他模型提高了4.41%~13.82%,且训练过程中准确率未出现明显的抖动现象,具有较高稳定性。