郝 帥，吳瑛琦，馬 旭，李 彤，王?，?/p>

（西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

1 引言

太陽能是重要的可再生能源之一，可以作為傳統(tǒng)燃料的清潔和可再生替代品。在眾多清潔能源中，太陽能越來越受到人們的青睞。光伏電池板在運(yùn)行過程中存在微裂紋、玻璃破損等缺陷，進(jìn)而導(dǎo)致出現(xiàn)熱斑故障，極大降低其運(yùn)行效率［1-3］。因此，對光伏電池板進(jìn)行熱斑故障檢測是保證光伏電站安全、高效運(yùn)行的有效措施。

目前，常用的熱斑檢測方法可分為電氣測量檢測方法和基于計(jì)算機(jī)視覺的故障檢測方法。電氣測量檢測方法主要是通過搭建外部電路獲取電壓電流等電氣量，與正常運(yùn)行值對比判斷進(jìn)行檢測［4］。計(jì)算機(jī)視覺的方式主要是對通過拍攝得到的圖像進(jìn)行特征提取分析［5］?；谟?jì)算機(jī)視覺的檢測方法可分為傳統(tǒng)檢測法和基于深度學(xué)習(xí)檢測方法。傳統(tǒng)目標(biāo)檢測方法主要依賴于濾波器或手工特征描述符對故障目標(biāo)進(jìn)行提取分割識別。孫海蓉等［6］受高斯分布啟發(fā)提出一種熱斑識別函數(shù)，采用改進(jìn)自私羊群算法對熱斑位置進(jìn)行尋優(yōu)，利用雙邊濾波對熱斑故障進(jìn)行分割，獲得熱斑故障檢測結(jié)果。蔣琳等［7］為抑制噪聲干擾，提出對紅外圖像灰度直方圖進(jìn)行B 樣條最小二乘擬合，提高檢測準(zhǔn)確率。Grimaccia 等［8］通過圖像鑲嵌技術(shù)和顏色濾波技術(shù)識別出光伏組件，結(jié)合紅外溫度信息檢測熱斑故障。上述算法雖然在一定條件下具有較高的檢測精度，但是由于采用人工提取特征其魯棒性較弱，泛化能力不足。深度學(xué)習(xí)借助于卷積網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)圖像特征信息，得到樣本具體特征表達(dá)，在目標(biāo)缺陷檢測任務(wù)中取得了顯著成效，具有較好的魯棒性和泛化能力［9-11］。因此，部分學(xué)者借助深度學(xué)習(xí)對光伏熱斑檢測展開研究。

目前，基于深度學(xué)習(xí)的檢測方法主要分為兩類：Two-stage 和One-stage。Two-stage 方法需要產(chǎn)生候選區(qū)域并對其進(jìn)行分類以確定目標(biāo)，代表算法 有Faster RCNN［12］，Sparse RCNN［13］等。樊濤等［14］在Faster RCNN 網(wǎng)絡(luò)中 結(jié)合注 意力機(jī)制以提升復(fù)雜環(huán)境下特征提取的有效性，進(jìn)而提升網(wǎng)絡(luò)檢測準(zhǔn)確率。但Two-stage 算法存在設(shè)計(jì)復(fù)雜、檢測效率低等問題。One-stage 算法通過回歸的方式檢測目標(biāo)，代表算法包括SSD［15-16］，YOLO 系列［17］等。王道累等［18］針對紅外熱斑圖像數(shù)據(jù)較少的問題，利用伽馬變換擴(kuò)充數(shù)據(jù)，并提出改進(jìn)YOLOv4-tiny 的金字塔結(jié)構(gòu)并融合注意力機(jī)制提升檢測準(zhǔn)確率。夏杰鋒等［19］針對熱斑成因的差異性提出基于EfficientNet 的缺陷分類網(wǎng)絡(luò)，利用邊緣檢測提取光伏組件輪廓進(jìn)行定位。Su 等［20］提出一種通道注意力特征加權(quán)的門機(jī)制進(jìn)行特征提取與過濾，實(shí)驗(yàn)證明該方法可有效檢測光伏熱斑故障。

綜上，基于深度學(xué)習(xí)的光伏熱斑檢測算法相較于基于人工特征的檢測算法具有明顯優(yōu)勢，但是基于深度學(xué)習(xí)的光伏熱斑檢測方法依然存在以下難點(diǎn)：第一，現(xiàn)有算法主要針對單尺度目標(biāo)開展研究，而光伏熱斑故障目標(biāo)存在尺度差異大，導(dǎo)致特征難以有效表達(dá)；第二，熱斑故障紋理特征較弱且存在邊緣模糊現(xiàn)象，易淹沒于復(fù)雜背景中，導(dǎo)致目標(biāo)特征顯著度較低，難以獲??；第三，現(xiàn)有算法難以兼顧檢測精度和網(wǎng)絡(luò)輕量化。

針對上述問題，本文提出一種融合知識蒸餾和注意力模型的光伏熱斑檢測算法（Knowledge Distillation and Attention Network，KDANet）。針對熱斑故障存在多尺度的問題，設(shè)計(jì)一種高階空間交互和通道注意力相融合的特征提取模塊以加強(qiáng)網(wǎng)絡(luò)對于多尺度目標(biāo)特征的有效表達(dá)。為解決檢測環(huán)境復(fù)雜導(dǎo)致檢測困難的問題，構(gòu)建一種結(jié)合通道和位置的注意力模塊來增強(qiáng)故障目標(biāo)顯著度，抑制背景信息干擾，進(jìn)而增強(qiáng)檢測準(zhǔn)確率。為提升網(wǎng)絡(luò)檢測精度的同時(shí)減少網(wǎng)絡(luò)參數(shù)量，基于知識蒸餾思想框架將教師網(wǎng)絡(luò)的知識遷移至學(xué)生網(wǎng)絡(luò)中，兼顧網(wǎng)絡(luò)精度與網(wǎng)絡(luò)輕量化。

2 基于知識蒸餾的光伏熱斑檢測

為提升復(fù)雜環(huán)境下多尺度熱斑故障檢測能力，本文提出一種融合知識蒸餾和注意力機(jī)制的光伏熱斑檢測算法。其中，學(xué)生網(wǎng)絡(luò)為需要實(shí)現(xiàn)高精度的小型網(wǎng)絡(luò)，保證模型參數(shù)量少，故選擇YOLOv5s 作為學(xué)生網(wǎng)絡(luò)；而教師網(wǎng)絡(luò)需要保證足夠高的檢測精度，構(gòu)建出檢測精度高的網(wǎng)絡(luò)，模型參數(shù)量較大。為提升網(wǎng)絡(luò)對多尺度熱斑特征信息的表達(dá)能力，本文設(shè)計(jì)一種高階空間信息交互和通道注意力相融合的模塊；為提升復(fù)雜背景下網(wǎng)絡(luò)對熱斑信息的正確表達(dá)，本文設(shè)計(jì)一種結(jié)合通道和位置信息的注意力模塊。本文檢測網(wǎng)絡(luò)結(jié)構(gòu)主要分為三部分，分別為教師網(wǎng)絡(luò)部分、學(xué)生網(wǎng)絡(luò)部分和蒸餾部分，原理如圖1 所示。

圖1 基于知識蒸餾的檢測原理圖Fig.1 Schematic diagram of detection based on knowledge distillation

訓(xùn)練具體步驟如下：

（1）選取YOLOv5 作為教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)的基準(zhǔn)，教師網(wǎng)絡(luò)將主干網(wǎng)絡(luò)部分替換為高階空間交互和通道注意力相融合的特征提取模塊（Fusion Channel Attention and Higher-order Spatial Interactions，F(xiàn)CAHSI）以增強(qiáng)多尺度目標(biāo)在網(wǎng)絡(luò)中的權(quán)重信息，提升網(wǎng)絡(luò)檢測準(zhǔn)確率。

（2）將教師網(wǎng)絡(luò)中檢測頭部分替換為本文設(shè)計(jì)的結(jié)合通道和位置信息的注意力模塊（Combining Channel and Location information Attention，CCLA）來抑制復(fù)雜背景的干擾，增強(qiáng)目標(biāo)顯著度，借以提升熱斑目標(biāo)的檢測精度。

（3）將光伏熱斑數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集，訓(xùn)練集分別送入教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始權(quán)重。

（4）利用初始權(quán)重進(jìn)行蒸餾訓(xùn)練，即獲取教師網(wǎng)絡(luò)預(yù)測層輸出特征，將其遷移至學(xué)生網(wǎng)絡(luò)預(yù)測層，輔助學(xué)生網(wǎng)絡(luò)學(xué)習(xí)熱斑故障信息。過程中通過蒸餾損失控制學(xué)習(xí)熱斑故障特征，實(shí)現(xiàn)提升學(xué)生網(wǎng)絡(luò)檢測精度的目的。

2.1 FCAHSI 模塊

針對網(wǎng)絡(luò)對多尺度熱斑信息表達(dá)能力弱，導(dǎo)致算法檢測性能不足的問題，本文設(shè)計(jì)了一種融合高階空間交互和通道注意力的結(jié)構(gòu)，如圖2所示。

圖2 FCAHSI 結(jié)構(gòu)圖Fig.2 Structure of FCAHSI

首先，將輸入圖像調(diào)整成統(tǒng)一尺寸，求取輸入圖像的全局平均池化Fgap得到通道注意權(quán)重圖，并利用WC獲得全局故障信息關(guān)注，計(jì)算式定義如式（1）和式（2）所示：

其中：Xdiv∈RC×W×H，指只通過一次跳躍連接拼接特征得到的特征圖，XC∈RC×1×1，指代特征圖通過全連接層后得到的權(quán)重圖，σ是sigmoid 激活函數(shù)，F(xiàn)gap代指通道全局平均池化，A是通過計(jì)算得到的一種通道關(guān)注特征描述子，Xrefine代表計(jì)算得到的通道特征圖。

其次，為實(shí)現(xiàn)故障目標(biāo)特征有效保留，將上述特征圖輸入至HB 模塊中，經(jīng)過門控卷積的多次空間計(jì)算，保留故障信息。令x∈RHW×C代表輸入特征，其計(jì)算式如式（3）～式（5）所示。

其中：φin，φout表示通道混合后的線性投影層，f是深度可分離卷積，p，q分別代表相鄰特征，通過上式計(jì)算相鄰特征之間的內(nèi)在聯(lián)系。

為實(shí)現(xiàn)更高層次的特征空間交互，采用遞歸的方式增加模型容量。首先，使用φin獲得一組特征p0和

然后遞歸執(zhí)行門控卷積，得到如式（7）所示特征：

其中：使用1/α將輸出縮放，穩(wěn)定訓(xùn)練；{fk}是一組深度卷積層，{gk}用于不同順序匹配維度，定義如式（8）所示：

最后，將最后一個(gè)遞歸φout的輸出饋送至投影層p0，獲得更高階的空間信息交互結(jié)果。為限制高階空間交互作用引入的計(jì)算開銷，將每階通道維度按照式（9）設(shè)置。

低階特征使用較少的通道計(jì)算，可實(shí)現(xiàn)特征從粗到細(xì)全方位交互，保證目標(biāo)信息的完整性。由此，可融合通道注意力和高階空間交互，實(shí)現(xiàn)目標(biāo)特征信息有效保留。

2.2 CCLA 模塊

針對網(wǎng)絡(luò)難以準(zhǔn)確檢測復(fù)雜環(huán)境下熱斑故障信息的問題，本文設(shè)計(jì)一種結(jié)合位置信息和通道信息的注意力模塊，將其嵌入檢測網(wǎng)絡(luò)中，提升故障目標(biāo)的表達(dá)能力，借以提升網(wǎng)絡(luò)檢測準(zhǔn)確率和精度。具體結(jié)構(gòu)如圖3 所示。

圖3 CCLA 結(jié)構(gòu)圖Fig.3 Structure of CCLA

為增強(qiáng)注意力利用精確的位置信息在空間上捕捉長距離的相互作用，將全局池化分解為兩個(gè)1 維方程表示。具體而言，給定輸入X，使用池化函數(shù)(H，1)和(1，W)分別對水平方向和垂直方向的通道信息進(jìn)行編碼。由此可得高度h第c通道的輸出如式（10）所示：

同樣地，由此可得寬度w第c通道的輸出如式（11）所示：

上述兩個(gè)變換分別沿著兩個(gè)空間方向聚合特征信息，產(chǎn)生一對方向感知特征圖，可以捕獲沿一個(gè)空間方向的長距離依賴關(guān)系，同時(shí)保留沿另一空間方向的精確位置信息，有助于檢測網(wǎng)絡(luò)更加準(zhǔn)確的定位感興趣的目標(biāo)。融合后的特征圖如式（12）所示：

其中：[ ·，·]指沿空間維度進(jìn)行串聯(lián)，F(xiàn)1是1×1 的卷積變換函數(shù)，δ是非線性激活函數(shù)，fu表示將水平方向和垂直方向上的空間信息進(jìn)行編碼所得的中間特征圖。fu沿著空間維度分解為fh和fw，通過公式（13）和公式（14）將通道數(shù)調(diào)整至和輸入X相同。

最后，位置信息注意力部分可寫為式（15）所示：

為保留通道信息，將上述擁有位置信息的特征圖進(jìn)行全局平均池化，壓縮特征為具有全局信息的1×1×C的數(shù)列（C為特征通道數(shù)）；然后不降維的情況下調(diào)整大小為k的快速以為卷積生成通道權(quán)重，進(jìn)行局部擴(kuò)通道交互，共享通道參數(shù)，獲取各個(gè)通道之間的相關(guān)依賴關(guān)系，如式（16）所示：

其中，ω為特征權(quán)重，捕獲跨通道局部交互信息；CID為一維卷積，k決定擴(kuò)通道局部交互的范圍。

特征通道數(shù)C與k正相關(guān)，計(jì)算關(guān)系如式（17）所示：

確定通道維數(shù)C后，計(jì)算卷積核k大小如式（18）所示：

其中，γ和b分別取2 和1。最后，將生成的特征圖加權(quán)到原來的輸入特征圖上。

2.3 基于知識蒸餾的目標(biāo)檢測

知識蒸餾是一種模型輕量化的方法，由教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)組成。和學(xué)生網(wǎng)絡(luò)相比，教師網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練后獲得的檢測精度更高，通過遷移教師網(wǎng)絡(luò)大模型的知識到學(xué)生網(wǎng)絡(luò)小模型中，可輔助學(xué)生網(wǎng)絡(luò)更好地學(xué)習(xí)到故障目標(biāo)信息，實(shí)現(xiàn)檢測精度和速度兼顧。

針對標(biāo)準(zhǔn)蒸餾方法中學(xué)生網(wǎng)絡(luò)會(huì)從教師網(wǎng)絡(luò)預(yù)測的背景區(qū)域中學(xué)習(xí)錯(cuò)誤的邊界框?qū)е鲁霈F(xiàn)檢測能力降低的問題，本文將教師網(wǎng)絡(luò)的預(yù)測層內(nèi)容進(jìn)行蒸餾，并使用蒸餾損失函數(shù)控制學(xué)生網(wǎng)絡(luò)學(xué)習(xí)。本文采用如式（19）所示的蒸餾損失函數(shù)，使得蒸餾過程中學(xué)生網(wǎng)絡(luò)只學(xué)習(xí)教師網(wǎng)絡(luò)預(yù)測的目標(biāo)概率值較高的邊界框位置和類別概率：

2.4 函數(shù)優(yōu)化

當(dāng)預(yù)測框和真實(shí)框相互包含或出現(xiàn)寬和高對齊時(shí)，該損失函數(shù)會(huì)退化為IoU，使得定位不準(zhǔn)確，導(dǎo)致預(yù)測框收斂方向出現(xiàn)偏差，容易造成漏檢問題。因此，本文采用Focal-CIoU 損失函數(shù)替代原損失函數(shù)，其計(jì)算公式如式（23）～式（26）所示：

其中：α和υ為長寬比，w，h，wgt和hgt分別表示預(yù)測框的寬、高和真實(shí)框的寬和高，γ用于控制曲線弧度。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)中軟硬件平臺(tái)配置如表1 所示。

表1 軟硬件平臺(tái)配置Tab.1 Configuration of Hardware and software

實(shí)驗(yàn)使用的數(shù)據(jù)集是來自某光伏電站通過無人機(jī)攜帶熱紅外相機(jī)拍攝所得，總共1 028 張紅外圖像，使用LabelImg 工具進(jìn)行標(biāo)注工作，按照6∶2∶2 劃分訓(xùn)練集、驗(yàn)證集和測試集。在網(wǎng)絡(luò)訓(xùn)練時(shí)，首先將輸入圖像調(diào)整到統(tǒng)一的640×640大小，并采用動(dòng)量項(xiàng)為0.937 的梯度下降算法進(jìn)行訓(xùn)練。同時(shí)，為保證學(xué)習(xí)率隨網(wǎng)絡(luò)的學(xué)習(xí)程度而自適應(yīng)，本文使用余弦退火學(xué)習(xí)率方法對學(xué)習(xí)率做自適應(yīng)調(diào)整。每個(gè)批次訓(xùn)練的batch 中包含8 張圖像，分為77 次送入網(wǎng)絡(luò)。

3.2 評價(jià)指標(biāo)

為客觀評價(jià)KDANet 算法的優(yōu)勢，本文選取召回率MR，準(zhǔn)確率MP，mAP50 和模型推理時(shí)間Mt作為客觀評價(jià)指標(biāo)，各指標(biāo)的公式定義如式（27）～式（29）所示：

其中：NTP為網(wǎng)絡(luò)正確檢測出缺陷的個(gè)數(shù)，NFN代表未正確檢測的缺陷個(gè)數(shù)，NFP代表誤檢的故障個(gè)數(shù)，和分別表示網(wǎng)絡(luò)檢測開始和結(jié)束的時(shí)間。

3.3 KDANet 消融實(shí)驗(yàn)

為客觀評估KDANet 算法的檢測性能，將KDANet 與YOLOv5 網(wǎng)絡(luò)做對比分析，其中損失函數(shù)對比曲線如圖4 所示。

圖4 損失函數(shù)對比曲線Fig.4 Loss function contrast curves

從圖4 可以看出，本文采用的損失函數(shù)可以更快的將訓(xùn)練損失降到最低。

平均準(zhǔn)確值對比曲線如圖5 所示。圖5 中本文算法精度在約150 輪后超過基準(zhǔn)YOLOv5 算法，達(dá)到平衡且最終穩(wěn)定于84.5%。

圖5 平均準(zhǔn)確值對比曲線Fig.5 Different module action experiments

為進(jìn)一步驗(yàn)證各改進(jìn)模塊的有效性，本文設(shè)計(jì)的教師網(wǎng)絡(luò)在原始YOLOv5 網(wǎng)絡(luò)基礎(chǔ)上通過加入不同改進(jìn)策略對測試集進(jìn)行消融實(shí)驗(yàn)，所有實(shí)驗(yàn)均使用相同的數(shù)據(jù)樣本和參數(shù)設(shè)置，對比結(jié)果如表2 所示。

表2 不同模塊作用實(shí)驗(yàn)Tab.2 Different module action experiments

由表2 結(jié)果可知，和基準(zhǔn)網(wǎng)絡(luò)相比，教師網(wǎng)絡(luò)中單獨(dú)使用本文設(shè)計(jì)的FCAHSI 模塊后，準(zhǔn)確率提升14.4%，召回率提升13.7%，AP50 提升15.9%。單獨(dú)使用CCLA 模塊后，準(zhǔn)確率提升13.3%，召回率提升11.3%，AP50 提升15.3%。實(shí)驗(yàn)結(jié)果說明本文提出的FCAHSI 和CCLA 模塊對于熱斑故障信息檢測能力提升顯著。

3.4 蒸餾對比實(shí)驗(yàn)

為驗(yàn)證本文設(shè)計(jì)的蒸餾網(wǎng)絡(luò)性能，將教師網(wǎng)絡(luò)、學(xué)生網(wǎng)絡(luò)和蒸餾后的網(wǎng)絡(luò)進(jìn)行測試對比，蒸餾溫度設(shè)置為20，蒸餾損失平衡系數(shù)λD設(shè)置為1，結(jié)果如表3 所示。

表3 蒸餾實(shí)驗(yàn)結(jié)果Tab.3 Result of distillation experiment

從表3 結(jié)果可以看出，教師網(wǎng)絡(luò)模型最大，檢測精度最高，但檢測時(shí)間最長。學(xué)生網(wǎng)絡(luò)的檢測準(zhǔn)確率、回歸率和精度均最低，經(jīng)過蒸餾之后各個(gè)指標(biāo)均有不同程度的提升，尤其在不添加任何模型復(fù)雜度的情況下，檢測精度較原來提升14.2%，而檢測時(shí)間減少0.2 ms，說明本文設(shè)計(jì)的蒸餾網(wǎng)絡(luò)可將教師網(wǎng)絡(luò)的優(yōu)勢無條件遷移至學(xué)生網(wǎng)絡(luò)，從而提升學(xué)生網(wǎng)絡(luò)的檢測性能。

3.5 對比實(shí)驗(yàn)

為客觀評價(jià)KDANet 的檢測性能，選取SSD，CenterNet，EfficientDet，F(xiàn)COS 4 種經(jīng)典算法在多尺度、小目標(biāo)、密集目標(biāo)、復(fù)雜背景4 種不同情景下進(jìn)行對比測試（原圖中綠色框標(biāo)出所有熱斑故障，實(shí)驗(yàn)圖白色框標(biāo)出所有漏檢、誤檢情況）。實(shí)驗(yàn)用原圖和算法檢測圖如圖6 所示（彩圖見期刊電子版）。

圖6（a）為實(shí)驗(yàn)用原圖，從左到右4 組實(shí)驗(yàn)結(jié)果及分析如下。

第1 組實(shí)驗(yàn)：多尺度熱斑目標(biāo)檢測。從第1組實(shí)驗(yàn)結(jié)果可以看出，SSD，EfficientDet 和FCOS 算法均存在漏檢問題，本文算法因使用FCAHSI 模塊，多尺度信息保留能力較強(qiáng)，可較好的解決故障尺度不同導(dǎo)致檢測困難問題，檢測結(jié)果更為準(zhǔn)確。

第2 組實(shí)驗(yàn)：小目標(biāo)熱斑檢測。SSD，EfficientDet 算法有漏檢情況，其余3 種算法可檢測出小目標(biāo)熱斑故障。本文算法因使用了CCLA模塊，增強(qiáng)網(wǎng)絡(luò)對小目標(biāo)位置信息的特征表述，提升了對小目標(biāo)的檢測能力。

第3 組實(shí)驗(yàn)：密集目標(biāo)檢測。對于故障所處區(qū)域較為密集的情況，所有算法均可檢測出。其中，EfficientDet 和FCOS 存在誤檢情況，無法準(zhǔn)確檢測出所有故障，而SSD 算法檢測框較真實(shí)檢測框存在一定偏移。

第4 組實(shí)驗(yàn)：復(fù)雜背景下熱斑目標(biāo)檢測。實(shí)驗(yàn)結(jié)果表明，CenterNet 算法可檢測出熱斑故障，但也存在誤檢情況。其余對比算法均可檢測出熱斑故障，而本文算法使用CCLA 模塊，提升網(wǎng)絡(luò)對于復(fù)雜背景下熱斑故障的表達(dá)能力，不僅可以準(zhǔn)確檢測出故障，還擁有最高的置信度。

為進(jìn)一步驗(yàn)證KDANet 算法的優(yōu)勢，將KDANet 算法與8 種經(jīng)典目標(biāo)檢測算法進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)過程中所有目標(biāo)檢測算法均使用相同數(shù)據(jù)樣本和參數(shù)進(jìn)行訓(xùn)練，其檢測結(jié)果如表4所示。從表4 的實(shí)驗(yàn)結(jié)果可以看出本文算法有最高的檢測精度，與Yolov7 算法相比，在檢測精度上更為優(yōu)異，能夠較好的兼顧檢測精度和實(shí)時(shí)性具有良好的檢測性能。

表4 不同算法檢測結(jié)果對比Tab.4 Comparison of detection results of different algorithms

4 結(jié)論

本文提出了一種融合知識蒸餾和注意力模型的光伏熱斑故障檢測方法。通過對比實(shí)驗(yàn)分析，得到如下結(jié)論：

（1）通過本文設(shè)計(jì)的融合通道注意力和空間交互能力的模塊可以有效增強(qiáng)多尺度熱斑故障的表征能力，提高目標(biāo)故障的檢測準(zhǔn)確率。

（2）通過在檢測網(wǎng)絡(luò)中采用本文設(shè)計(jì)的結(jié)合通道和位置注意力模塊，檢測網(wǎng)絡(luò)可以準(zhǔn)確感知復(fù)雜背景下故障目標(biāo)的具體坐標(biāo)位置，借以提升檢測精度。

（3）通過知識蒸餾的知識遷移過程，學(xué)生網(wǎng)絡(luò)可以更好地學(xué)習(xí)光伏熱斑故障，進(jìn)而提高熱斑故障的檢測精度，其檢測結(jié)果較原始網(wǎng)絡(luò)高14.2%。

（4）通過某光伏電站無人機(jī)拍攝所得到的數(shù)據(jù)對本文算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文算法能夠?qū)崿F(xiàn)復(fù)雜環(huán)境下多類故障目標(biāo)的準(zhǔn)確檢測，檢測精度高達(dá)84.8%，并且具有良好的實(shí)時(shí)性。