孫海蓉，潘子杰,2，晏 勇,2

(1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003；2.華北電力大學(xué) 河北省發(fā)電過(guò)程仿真與優(yōu)化控制工程技術(shù)研究中心，河北 保定 071003)

0 引 言

光伏組件是光伏發(fā)電系統(tǒng)的核心組成部分。為了充分利用太陽(yáng)能，通常需要將多個(gè)光伏組件串聯(lián)或并聯(lián)組成更大的光伏陣列置于室外，當(dāng)光伏組件受高壓線、砂礫、灰塵、建筑物等不透明物體遮擋到一定程度時(shí)，部分電池片將會(huì)產(chǎn)生局部過(guò)熱現(xiàn)象，即熱斑效應(yīng)[1]。不同嚴(yán)重程度的熱斑效應(yīng)將導(dǎo)致不同后果，輕則降低光伏發(fā)電效率，重則損壞光伏組件內(nèi)部結(jié)構(gòu)甚至引發(fā)火災(zāi)[2]。因此，及時(shí)識(shí)別并定位熱斑區(qū)域?qū)档桶l(fā)電成本和提高發(fā)電安全性具有重要意義。

圍繞光伏熱斑識(shí)別與定位這一課題，國(guó)內(nèi)外相關(guān)領(lǐng)域?qū)W者對(duì)此做了大量研究。近年來(lái)，隨著深度學(xué)習(xí)算法的不斷發(fā)展與深入，基于圖像處理和深度學(xué)習(xí)的紅外圖像故障檢測(cè)方法憑借其低成本、高效率等優(yōu)點(diǎn)受到越來(lái)越多的關(guān)注。文獻(xiàn)[3]在原始Faster RCNN的基礎(chǔ)上，結(jié)合圖像預(yù)處理、遷移學(xué)習(xí)、改進(jìn)特征提取網(wǎng)絡(luò)模型以及錨框選區(qū)方案，得到熱斑缺陷檢測(cè)模型，準(zhǔn)確率較高但訓(xùn)練時(shí)間偏長(zhǎng)。文獻(xiàn)[4]以深度置信網(wǎng)絡(luò)(DBN)為基礎(chǔ)，通過(guò)學(xué)習(xí)大量樣本，得到訓(xùn)練樣本與無(wú)缺陷模板之間的映射關(guān)系，從而實(shí)現(xiàn)太陽(yáng)能電池片的缺陷檢測(cè)，該方法對(duì)樣本量需求較大且不具體針對(duì)熱斑缺陷。文獻(xiàn)[5]對(duì)電池片紅外圖像進(jìn)行狀態(tài)分類(lèi)與編碼，提出基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的熱斑檢測(cè)模型，實(shí)現(xiàn)了在電池片產(chǎn)生極高溫并造成損壞前診斷出熱斑故障，該網(wǎng)絡(luò)模型還有較大優(yōu)化空間。文獻(xiàn)[6]基于機(jī)器視覺(jué)的方法對(duì)太陽(yáng)能電池片表面缺陷檢測(cè)方法所涉及的各個(gè)環(huán)節(jié)進(jìn)行了綜述，證明了該方法的有效性，但在特征提取方面還有待改進(jìn)。

基于以上研究與缺少相關(guān)數(shù)據(jù)集的現(xiàn)況，本文以光伏熱斑紅外圖像為研究對(duì)象，采用深度卷積自編碼網(wǎng)絡(luò)模型以克服樣本量過(guò)少的問(wèn)題。該模型以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，將卷積操作與自編碼器相結(jié)合形成深度卷積自編碼網(wǎng)絡(luò)結(jié)構(gòu)，能夠更好的學(xué)習(xí)并提取小樣本數(shù)據(jù)集的有效特征，進(jìn)而通過(guò)迭代訓(xùn)練得到光伏熱斑識(shí)別與定位的模型。

1 圖像預(yù)處理與數(shù)據(jù)集的制作

1.1 圖像預(yù)處理

圖1展示了通過(guò)紅外成像設(shè)備獲得的光伏陣列紅外圖像，包括一塊完整的光伏組件和5塊分裂的光伏組件以及最右端的色彩條，每塊組件都有或多或少的電池片已產(chǎn)生熱斑效應(yīng)。由于不同工作狀態(tài)下的電池片溫度和輻射出的電磁波不盡相同，經(jīng)過(guò)紅外成像設(shè)備對(duì)波長(zhǎng)的處理后直觀表現(xiàn)為紅外圖像的顏色差異[7]。

圖1 光伏紅外圖像Fig.1 Photovoltaic infrared image

為準(zhǔn)確識(shí)別并定位光伏紅外圖像中的熱斑區(qū)域，需對(duì)原始紅外圖像進(jìn)行預(yù)處理：首先分離光伏組件與背景區(qū)域，將原始圖像通過(guò)濾波降噪、圖像分割、透視變換等操作形成如圖2所示10*6的組件區(qū)域[8]；然后根據(jù)組件規(guī)格對(duì)其做進(jìn)一步的等距離分割，得到60個(gè)電池片單元圖像；最后對(duì)電池片狀態(tài)進(jìn)行分類(lèi)并制作為數(shù)據(jù)集用于網(wǎng)絡(luò)訓(xùn)練。整個(gè)圖像預(yù)處理流程圖如圖3所示。

圖2 光伏組件單元圖像Fig.2 Photovoltaic module unit image

圖3 光伏紅外圖像預(yù)處理流程圖Fig.3 Photovoltaic infrared image preprocessing flow chart

1.2 數(shù)據(jù)集的制作

光伏紅外圖像中電池片的不同顏色代表其不同的工作狀態(tài)，隨著溫度的升高，電池片依次表現(xiàn)為藍(lán)色、綠色、黃色、紅色和白色。訓(xùn)練網(wǎng)絡(luò)需要將這五種顏色的電池片打上1～5的狀態(tài)標(biāo)簽，其對(duì)應(yīng)關(guān)系如圖4所示，其中類(lèi)型1對(duì)應(yīng)的電池片溫度最低，類(lèi)型5對(duì)應(yīng)的電池片溫度最高，且定義為熱斑區(qū)域。

圖4 光伏電池片狀態(tài)類(lèi)型Fig.4 Photovoltaic battery chip status type

經(jīng)過(guò)篩選和預(yù)處理后，得到3 900張光伏紅外電池片圖像，其中電池片的命名結(jié)合了原光伏電池圖片名和電池片在光伏組件的位置[9]，如第7張光伏組件紅外圖像的第三行第三列的電池片命名為IR007-2-2，并將電池片的大小統(tǒng)一改為64pix*64pix，便于后續(xù)神經(jīng)網(wǎng)絡(luò)中圖像的批量輸入和光伏組件熱斑的精準(zhǔn)定位。原始的3 900張電池片中，5種類(lèi)型的電池片數(shù)量嚴(yán)重分布不均，類(lèi)型1和類(lèi)型5的數(shù)量最少，處于中間狀態(tài)的2、3、4類(lèi)型數(shù)量遠(yuǎn)遠(yuǎn)多于1和5，為解決類(lèi)別不平衡問(wèn)題，分別從每類(lèi)電池片中隨機(jī)抽取300張即共1500張電池片單元圖像作為本次實(shí)驗(yàn)的小樣本數(shù)據(jù)集，部分?jǐn)?shù)據(jù)集如圖5所示，其中訓(xùn)練集、驗(yàn)證集、測(cè)試集的比例為8∶1∶1。

圖5 部分?jǐn)?shù)據(jù)集展示Fig.5 Partial dataset display

2 模型與方法

2.1 模型基本思路

基于樣本數(shù)據(jù)量較小的特點(diǎn)，本文首先構(gòu)建一個(gè)簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)交叉驗(yàn)證的思想訓(xùn)練小樣本光伏熱斑圖像，經(jīng)優(yōu)化得到一個(gè)訓(xùn)練效果最好的卷積神經(jīng)網(wǎng)絡(luò)模型；然后丟棄其全連接層，保留其卷積池化結(jié)構(gòu)作為卷積自編碼器模型的編碼器部分，在編碼器結(jié)構(gòu)的基礎(chǔ)上通過(guò)反操作構(gòu)造出解碼器，再對(duì)小樣本光伏熱斑圖像進(jìn)行預(yù)訓(xùn)練并保留訓(xùn)練效果最好的編碼器結(jié)構(gòu)和權(quán)重；最后在此結(jié)構(gòu)后增加原始卷積神經(jīng)網(wǎng)絡(luò)的全連接層并訓(xùn)練，得到最終的深度卷積自編碼網(wǎng)絡(luò)模型[10]。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)作為深度學(xué)習(xí)的代表算法之一，是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，常被用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域[11]。其結(jié)構(gòu)主要包括輸入層(Input Layer)、卷積層(Convolution Layer)、池化層(Pooling Layer)和全連接層(Fully Connected Layer),卷積層和池化層通常被并稱(chēng)為卷積層[12]。

本文首先采用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)小樣本光伏熱斑圖像進(jìn)行學(xué)習(xí)和識(shí)別，其卷積池化結(jié)構(gòu)如圖6所示，包括1個(gè)輸入層，2個(gè)卷積層，2個(gè)池化層。同時(shí)為了優(yōu)化神經(jīng)網(wǎng)絡(luò)，在模型中加入了Dropout層和Batch Normalization(BN)層。Dropout方法可以破壞節(jié)點(diǎn)之間的相關(guān)性，使網(wǎng)絡(luò)學(xué)到更有泛化性的特征，有效防止過(guò)擬合。而B(niǎo)N算法使得每一層輸入都規(guī)范到一個(gè)N(0,1)的高斯分布，從而固定每一層輸入信號(hào)的均值和方差，能有效防止梯度爆炸或消失問(wèn)題，增強(qiáng)網(wǎng)絡(luò)魯棒性[13]。

圖6 卷積神經(jīng)網(wǎng)絡(luò)的卷積池化結(jié)構(gòu)Fig.6 Convolution pooling structure of convolutional neural network

通過(guò)灰度化將輸入層圖像的大小設(shè)置為64*64*1，第一層卷積層采用64個(gè)kernel_size為3*3的卷積核，padding項(xiàng)選擇Same，激活函數(shù)選擇ReLU(Rectified Linear Unit)，且在激活函數(shù)前增加BN層以減弱數(shù)據(jù)偏移或增大的負(fù)面影響；第二層池化層采用最大池化(Max Pooling)方式，步長(zhǎng)為2，kernel_size為2，然后加入Dropout層以防止過(guò)擬合，Dropout值大小為0.15；第三層卷積層采用16個(gè)kernel_size為3*3的卷積核，其他參數(shù)同層1；第四層池化層參數(shù)同層2，Dropout值大小仍為0.15。

卷積神經(jīng)網(wǎng)絡(luò)的全連接層包括3個(gè)線性層，對(duì)卷積操作后的特征圖進(jìn)行降維和分類(lèi)，其結(jié)構(gòu)如圖7所示。第5層和第6層的線性層分別包含1 024和512個(gè)神經(jīng)元，激活函數(shù)均采用ReLU，Dropout值大小均設(shè)為0.15；第7層采用多分類(lèi)回歸模型Softmax進(jìn)行分類(lèi)。

圖7 全連接層結(jié)構(gòu)Fig.7 Fully connected layer structure

2.3 卷積自動(dòng)編碼器

2.3.1 自動(dòng)編碼器

自動(dòng)編碼器(AutoEncoder，AE)是一種典型的輸入等于輸出的無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，簡(jiǎn)稱(chēng)自編碼器[14]。一個(gè)簡(jiǎn)單的全連接神經(jīng)網(wǎng)絡(luò)自編碼器模型如圖8所示。以隱藏層為界限，左邊為編碼器(Encoder),右邊為解碼器(Decoder)，訓(xùn)練過(guò)程中，輸入經(jīng)過(guò)編碼后再解碼，即將輸入壓縮為特征，再將特征還原為輸入。其中，隱藏層是整個(gè)自編碼器的核心，其神經(jīng)元數(shù)目遠(yuǎn)遠(yuǎn)低于輸入層，相當(dāng)于用更少的特征去表達(dá)輸入數(shù)據(jù)，從而達(dá)到降維壓縮的功能，這在圖像分類(lèi)任務(wù)上具有重要意義[15]。

圖8 簡(jiǎn)單自編碼器結(jié)構(gòu)Fig.8 Simple autoencoder structure

z=f(x)=s(wx+b)

(1)

式中：x∈Rn×1表示輸入數(shù)據(jù)，n表示輸入數(shù)據(jù)的維度；z∈Rn×1表示隱層的特征表達(dá)，r表示隱層的神經(jīng)元數(shù)目；w∈Rr×n表示隱層的輸入權(quán)值；b∈Rr×1表示隱層輸入偏置；s表示激活函數(shù)，本文采用的是ReLU函數(shù)，它會(huì)將輸入中小于0的數(shù)據(jù)置為0，大于0的數(shù)據(jù)保持不變，具有一定的對(duì)數(shù)據(jù)的稀疏表達(dá)能力，其函數(shù)表達(dá)式如式(2)所示[17]：

f(x)=max(0,x)

(2)

式中：x表示輸入數(shù)據(jù)，f(x)表示輸出數(shù)據(jù)。

解碼過(guò)程即隱層的特征表達(dá)z通過(guò)解碼過(guò)程映射為輸入數(shù)據(jù)x，函數(shù)表達(dá)式如式(3)所示：

x=g(z)=s(w′z+b′)

(3)

式中：w′∈Rn×r，b′∈Rr×1。

2.3.2 卷積自動(dòng)編碼器

簡(jiǎn)單全連接神經(jīng)網(wǎng)絡(luò)在使用時(shí)對(duì)一維信號(hào)沒(méi)有影響，但是對(duì)二維圖像或視頻信號(hào)，全連接層會(huì)損失空間信息，且在訓(xùn)練時(shí)參數(shù)十分復(fù)雜，需要更長(zhǎng)的訓(xùn)練時(shí)間，因此，無(wú)法滿(mǎn)足大多實(shí)際情況的需求[18]。卷積自動(dòng)編碼器(簡(jiǎn)稱(chēng)卷積自編碼器)則利用了傳統(tǒng)自編碼器的無(wú)監(jiān)督學(xué)習(xí)方式，又結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)中的卷積池化操作來(lái)實(shí)現(xiàn)特征提取，能夠很好地保留二維信號(hào)的空間信息，且訓(xùn)練速度更快，重構(gòu)誤差更低[19]。

由卷積神經(jīng)網(wǎng)絡(luò)組成的卷積自編碼器用卷積層替換了簡(jiǎn)單自編碼器的全連接層，與圖像的二維拓?fù)浣Y(jié)構(gòu)恰好吻合，可以避免圖像重構(gòu)導(dǎo)致二維信息的損失。本文采用的卷積自編碼器模型如圖9所示，左側(cè)為卷積網(wǎng)絡(luò)，右側(cè)為反卷積網(wǎng)絡(luò)[20]。該模型的編碼器部分即為左側(cè)的卷積網(wǎng)絡(luò)，其結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)的卷積池化部分相同，具有兩層卷積池化操作，故對(duì)應(yīng)的解碼器部分即右側(cè)的反卷積網(wǎng)絡(luò)需先進(jìn)行反池化操作再進(jìn)行反卷積操作。由于編碼器部分中卷積層的卷積核數(shù)量(也稱(chēng)為輸出的特征數(shù))依次為64和16，故解碼器部分中反卷積層的卷積核數(shù)量依次為16和64，池化方式和參數(shù)與編碼器部分相同，激活函數(shù)同樣選擇ReLU激活函數(shù)。

圖9 卷積自編碼器模型Fig.9 Convolutional autoencoder model

3 實(shí)驗(yàn)分析

本次實(shí)驗(yàn)運(yùn)行環(huán)境為64位的win10系統(tǒng)，內(nèi)存8GB，CPU2.8GHZ，基于Python語(yǔ)言編寫(xiě)，使用的深度學(xué)習(xí)框架為Keras。數(shù)據(jù)集一共1 500張電池片紅外圖像，5種類(lèi)型各自300張，其中訓(xùn)練集1 200張，驗(yàn)證集150張，測(cè)試集150張。

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)模型的卷積池化結(jié)構(gòu)和全連接結(jié)構(gòu)分別如圖6和圖7所示。使用小樣本光伏熱斑圖像數(shù)據(jù)集對(duì)該模型進(jìn)行訓(xùn)練和分類(lèi)，結(jié)果如圖10所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.10 Training results of convolutional neural network

由圖10(a)可知，當(dāng)?shù)螖?shù)小于20時(shí)，訓(xùn)練集損失迅速下降，驗(yàn)證集損失先升高后下降，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練集損失穩(wěn)定下降，但驗(yàn)證集損失下降緩慢，最后停滯于0.8。在圖10(b)中，訓(xùn)練集準(zhǔn)確率快速上升，驗(yàn)證集準(zhǔn)確率在20次迭代后才開(kāi)始上升，隨后趨于穩(wěn)定，沒(méi)有隨訓(xùn)練集準(zhǔn)確率的升高繼續(xù)升高。經(jīng)過(guò)分析可知，由于樣本集數(shù)量過(guò)少，卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)了過(guò)擬合現(xiàn)象。此外，在測(cè)試集中的平均準(zhǔn)確率為83.35%，相對(duì)較低。

3.2 深度卷積自編碼網(wǎng)絡(luò)

卷積自編碼器的網(wǎng)絡(luò)模型如圖9所示。首先使用卷積自編碼器模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，迭代次數(shù)Epoch設(shè)為200次，Batchsize設(shè)為64，優(yōu)化器選擇Adam，學(xué)習(xí)率Ir設(shè)置為0.001，損失函數(shù)選擇均方差損失函數(shù)MSE[21]，卷積自編碼器訓(xùn)練結(jié)果如圖11所示。

圖11 卷積自編碼器訓(xùn)練結(jié)果Fig.11 Training results of convolution autoencoder

通過(guò)對(duì)卷積自編碼器模型進(jìn)行優(yōu)化，將其輸入與輸出間的損失降至最低，訓(xùn)練集降至0.000 455，驗(yàn)證集降至0.001 2，即編碼器部分能最大程度的對(duì)小樣本光伏熱斑圖像特征進(jìn)行壓縮和表達(dá)。

保留預(yù)訓(xùn)練好的卷積自編碼器模型中編碼器部分的結(jié)構(gòu)和權(quán)重，丟棄解碼器部分，再加上卷積神經(jīng)網(wǎng)絡(luò)的全連接層，構(gòu)成本文采用的深度卷積自編碼網(wǎng)絡(luò)模型，其結(jié)構(gòu)與原始卷積神經(jīng)網(wǎng)絡(luò)相同，但卷積池化層參數(shù)已更新為使卷積自編碼器模型損失降至最低時(shí)的編碼器權(quán)重參數(shù)。使用小樣本光伏熱斑圖像數(shù)據(jù)集對(duì)該新構(gòu)建的模型進(jìn)行訓(xùn)練和分類(lèi)，得到訓(xùn)練結(jié)果如圖12所示。

圖12 深度卷積自編碼網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.12 Training results of deep convolutional autoencoder network

由圖12(a)和圖12(b)可知，深度卷積自編碼網(wǎng)絡(luò)模型在迭代次數(shù)達(dá)到20次之前，驗(yàn)證集損失隨訓(xùn)練集損失的降低顯著降低，驗(yàn)證集準(zhǔn)確率隨訓(xùn)練集準(zhǔn)確率的升高顯著升高，在20次時(shí)準(zhǔn)確率就已達(dá)到90%，收斂速度明顯更快，準(zhǔn)確率也明顯升高。

3.3 對(duì)比分析

卷積神經(jīng)網(wǎng)絡(luò)和深度卷積自編碼網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)如表1所示，識(shí)別準(zhǔn)確率對(duì)比如表2所示。

表1 網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)Tab.1 Network model structure parameters

表2 兩種網(wǎng)絡(luò)模型準(zhǔn)確率對(duì)比Tab.2 Comparison of accuracy of two network models

相同網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)下，經(jīng)過(guò)200次迭代后，深度卷積自編碼網(wǎng)絡(luò)模型的驗(yàn)證集準(zhǔn)確率比卷積神經(jīng)網(wǎng)絡(luò)高出8.07%，測(cè)試集準(zhǔn)確率比卷積神經(jīng)網(wǎng)絡(luò)高出7.98%。卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集和驗(yàn)證集上的準(zhǔn)確率差異明顯大于深度卷積自編碼網(wǎng)絡(luò)模型，說(shuō)明深度卷積自編碼網(wǎng)絡(luò)模型在小樣本光伏熱斑圖像數(shù)據(jù)集上泛化能力和魯棒性更強(qiáng)，且能有效減少過(guò)擬合現(xiàn)象，加快收斂速度。

3.4 光伏組件熱斑區(qū)域定位

為了實(shí)現(xiàn)對(duì)熱斑電池片的及時(shí)維護(hù)與更換并驗(yàn)證上述網(wǎng)絡(luò)模型的有效性，需進(jìn)一步在熱斑圖像識(shí)別的基礎(chǔ)上對(duì)其進(jìn)行精準(zhǔn)定位，將熱斑電池片實(shí)時(shí)標(biāo)記于光伏組件并輸出其具體位置。首先加載已經(jīng)訓(xùn)練好的深度卷積自編碼網(wǎng)絡(luò)模型，然后輸入并遍歷待檢測(cè)的電池片對(duì)其進(jìn)行狀態(tài)識(shí)別，返回符合類(lèi)型5的電池片的圖片名稱(chēng)，進(jìn)而得到該熱斑電池片的具體位置信息并在相應(yīng)的光伏組件中進(jìn)行標(biāo)記。具體算法流程圖如圖13所示。

圖13 熱斑定位算法流程圖Fig.13 Flow chart of hot spots location algorithm

隨機(jī)選取兩張光伏組件圖片，采用本文已訓(xùn)練好的深度卷積自編碼網(wǎng)絡(luò)模型對(duì)組件單元模型中的熱斑進(jìn)行識(shí)別與定位，同時(shí)輸出熱斑電池片的所處位置分別為：9-2,9-3,9-4,9-5,9-6和8-6,9-4,9-5,9-6,10-5,10-6。最終的定位結(jié)果如圖14所示。

圖14 光伏熱斑定位結(jié)果Fig.14 Results of photovoltaic hot spots location

4 結(jié) 論

本文針對(duì)小樣本光伏熱斑圖像數(shù)據(jù)集采用深度卷積自編碼方法代替?zhèn)鹘y(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)光伏熱斑進(jìn)行識(shí)別與定位。通過(guò)實(shí)驗(yàn)對(duì)比分析有以下結(jié)論：

(1)深度卷積自編碼網(wǎng)絡(luò)在小樣本光伏熱斑圖像數(shù)據(jù)集上的測(cè)試準(zhǔn)確率比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)高出7.98%，大大提高了熱斑識(shí)別和定位的準(zhǔn)確率，對(duì)大型光伏發(fā)電系統(tǒng)的熱斑檢測(cè)具有重要意義。

(2)本文采用的深度卷積自編碼網(wǎng)絡(luò)模型能夠在一定程度上避免過(guò)擬合現(xiàn)象，縮短訓(xùn)練時(shí)間，提高小樣本圖像識(shí)別的準(zhǔn)確率，具有更強(qiáng)的泛化能力和魯棒性，可以將該方法改進(jìn)并嘗試應(yīng)用于除光伏熱斑識(shí)別領(lǐng)域外的其它圖像識(shí)別問(wèn)題。