耿欣 婁清輝 馮康康 潘天航 楊玉 朱旻昊

摘要：在露天環(huán)境中運行的太陽能電池板易受積塵等污染物覆蓋的影響，進(jìn)而降低其發(fā)電效率。為了定量評估污染物對太陽能電池板表面污染的程度，文章采用DeepLabv3+語義分割模型對太陽能電池板污染面積進(jìn)行分割與計算。首先，通過訓(xùn)練DeepLabv3+模型，實現(xiàn)對太陽能電池板圖像的精確分割，從而提取出污染區(qū)域。然后，通過計算污染區(qū)域像素點總數(shù)占整塊太陽能電池板圖像像素點總數(shù)的比例，量化污染物的面積。最后，在實際場景中的實驗表明，DeepLabv3+分割太陽能電池板污染物的精準(zhǔn)率、F1得分和平均準(zhǔn)確率分別達(dá)到97.17%、96.45%和96.79%。該方法為太陽能電池板的維護(hù)管理和效率優(yōu)化提供了科學(xué)依據(jù)。

關(guān)鍵詞：DeepLabv3+；太陽能電池板；面積分割

中圖分類號： TP3-05??文獻(xiàn)標(biāo)志碼： ?A

0?引言

太陽能發(fā)電作為一種清潔可再生能源，具有廣泛的地理分布特性，在發(fā)電過程中不產(chǎn)生溫室氣體和其他污染物，對緩解環(huán)境破壞具有顯著的作用［1］。隨著太陽能技術(shù)的持續(xù)進(jìn)步，太陽能發(fā)電的成本逐漸降低，已經(jīng)成為主流的發(fā)電方式之一。灰塵及鳥糞的積累不僅會遮擋電池板表面，減少太陽光的吸收，還可能導(dǎo)致熱斑效應(yīng)，引起局部溫度升高，從而降低發(fā)電效率。此外，污染物中的化學(xué)物質(zhì)可能對電池板表面造成腐蝕［2］。因此，定期監(jiān)測、清潔和維護(hù)太陽能電池板，以減輕污染物的影響，對于保持其發(fā)電效率至關(guān)重要。

針對太陽能電池板因積塵、鳥糞等污染而導(dǎo)致的效率下降問題，本研究采用深度學(xué)習(xí)技術(shù)中的語義分割模型DeepLabv3+，對太陽能電池板圖像上的污染物進(jìn)行精確監(jiān)測與分割［3］，并計算污染物在電池板上的覆蓋面積。這一方法為太陽能電池板的定期清理和維護(hù)提供了科學(xué)的理論基礎(chǔ)。DeepLabv3+模型是在DeepLabv3的基礎(chǔ)上發(fā)展起來的［4］，通過引入一個簡單有效的解碼器模塊來優(yōu)化物體邊界的分割精度。該模型將深度可分離卷積應(yīng)用于空洞空間金字塔池化（Atrous Spatial Pyramid Pooling， ASPP）和解碼器部分［5-6］，從而構(gòu)建了一個更快速、強(qiáng)大的編碼器-解碼器網(wǎng)絡(luò)。這種網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計旨在提高分割任務(wù)的效率和準(zhǔn)確性，特別是在處理太陽能電池板這樣的實際應(yīng)用場景時。

1?DeepLabv3+模型介紹

DeepLabv3+模型的核心架構(gòu)是編碼器-解碼器結(jié)構(gòu)。在這種結(jié)構(gòu)中，編碼器逐步減少特征圖的尺寸，同時捕獲更高層次的語義信息；解碼器的任務(wù)是從這些壓縮的特征中恢復(fù)出空間信息，以實現(xiàn)精確的圖像分割。在DeepLabv3的基礎(chǔ)上，DeepLabv3+引入了一個簡單而有效的解碼器模塊，這一模塊顯著提升了分割效果的清晰度和準(zhǔn)確性。DeepLabv3+模型的總體結(jié)構(gòu)如圖1所示，包含了編碼器、解碼器以及它們之間的交互過程。

1.1?空洞卷積

DeepLabv3+模型采用的空洞卷積技術(shù)通過調(diào)節(jié)深度卷積神經(jīng)網(wǎng)絡(luò)的特征分辨率，來調(diào)整卷積濾波器的視野，從而實現(xiàn)多尺度信息的捕獲。對于輸入的二維特征映射x，空洞卷積在其輸出映射y的每個位置i上應(yīng)用卷積濾波器w的過程可形式化為以下公式：

y|i|=∑kx［i+r·k］w［k］（1）

其中，參數(shù)r控制輸入特征的采樣步幅。當(dāng)r設(shè)置為1時，空洞卷積退化為標(biāo)準(zhǔn)的卷積操作。通過調(diào)整r的值，可以自適應(yīng)地修改濾波器的視角，從而在不同的感受野中捕獲多尺度的上下文信息。

1.2?深度可分離卷積

深度可分離卷積（Depthwise Separable Convolution）是一種高效的卷積操作［7］，它將標(biāo)準(zhǔn)卷積分解為2個步驟：先對每個輸入通道獨立執(zhí)行空間卷積，即深度卷積；然后，通過1×1的點卷積（也稱為逐點卷積）來組合這些深度卷積的輸出。這種分解過程如圖2所示。深度可分離卷積在保持模型性能的同時，能夠顯著降低模型的計算量，使其成為深度學(xué)習(xí)中常用的卷積操作之一。

1.3?編碼器

DeepLabv3+模型的解碼器部分包括2個主要組件：主干網(wǎng)絡(luò)（DCNN）和空洞空間金字塔池化（ASPP）模塊。解碼器中的第一個連接模塊是DCNN，用于提取太陽能電池板被污染圖像特征的主干網(wǎng)絡(luò)。DCNN的輸出連接到ASPP網(wǎng)絡(luò)，該網(wǎng)絡(luò)主要由1個1×1卷積、3個3×3的空洞卷積和1個全局池化層組成，用于對主干網(wǎng)絡(luò)的輸出進(jìn)行處理。處理后的結(jié)果通過1個1×1卷積來減少通道數(shù)。具體過程如下：

（1）主干網(wǎng)絡(luò)有2種網(wǎng)絡(luò)結(jié)構(gòu)選擇，一種是改用空洞卷積的ResNet系列，另一種是改進(jìn)的Xception網(wǎng)絡(luò)。從主干網(wǎng)絡(luò)中提取的太陽能電池板被污染的特征圖像分為2部分，一部分是最后一層卷積輸出的特征圖，另一部分是中間的低層特征圖。主干網(wǎng)絡(luò)的輸出第一部分被輸入到ASPP模塊，第二部分被輸入到解碼器模塊。

（2）主干網(wǎng)絡(luò)的輸出作為ASPP模塊的輸入。在ASPP中，采用了4種不同膨脹率的空洞卷積塊（每個塊包括卷積、批標(biāo)準(zhǔn)化（BN）和激活層）以及1個全局平均池化塊（包括池化、卷積、BN和激活層），共產(chǎn)生5組特征圖。這些特征圖連接起來，經(jīng)過1個1×1卷積塊（包括卷積、BN、激活和dropout層）處理，最后輸入到解碼器中。

1.4?解碼器

在DeepLabv3+模型的解碼器部分，輸入數(shù)據(jù)包括來自主干網(wǎng)絡(luò)中間層的低級特征圖和ASPP層的輸出。首先，對編碼器輸出的特征圖進(jìn)行雙線性上采樣，將其空間分辨率放大4倍。隨后，對來自主干網(wǎng)絡(luò)的底層特征圖執(zhí)行1×1卷積操作，以減少輸出通道的數(shù)量。接下來，將經(jīng)過上采樣的特征圖與經(jīng)過通道減少的特征圖進(jìn)行串聯(lián)。串聯(lián)后，使用3×3卷積操作對特征進(jìn)行細(xì)化，以增強(qiáng)特征的表示能力。最后，對細(xì)化后的特征進(jìn)行簡單的雙線性上采樣，再次將其空間分辨率放大4倍，以便與輸入圖像的分辨率匹配。這一系列操作確保了模型能夠生成與輸入圖像相同分辨率的精確分割圖。

2?數(shù)據(jù)集與實驗環(huán)境

本研究的數(shù)據(jù)集收集工作依托于大疆無人機(jī)［8］，該無人機(jī)搭載了禪思H20-四傳感器套件。該套件集成了高分辨率變焦廣角相機(jī)、無線網(wǎng)卡等設(shè)備。數(shù)據(jù)采集工作在甘肅省某實驗場進(jìn)行，確保了數(shù)據(jù)的代表性和多樣性。部分?jǐn)?shù)據(jù)圖像如圖3所示，以供參考和分析。

本實驗在配備了Ubuntu 18.04操作系統(tǒng)、NVIDIA RTX 3090顯卡和Pytorch 1.8框架的服務(wù)器環(huán)境中順利開展。該服務(wù)器環(huán)境為實驗提供了強(qiáng)大的計算能力和穩(wěn)定的軟件支持，確保了實驗的順利進(jìn)行和結(jié)果的準(zhǔn)確性。

3?實驗結(jié)果與分析

3.1?評價指標(biāo)

本實驗使用精準(zhǔn)率（P）、召回率（R）、F1得分（F1-Score）和平均準(zhǔn)確率（mAP）作為整個分割模型的評價指標(biāo)，同時使用了污染率（CR）表示污染面積占整塊太陽能光板面積的比例。

P表示語義分割的類別像素的準(zhǔn)確率，R表示預(yù)測值和真實值均為真所占樣本的比例，P和R可表示為：

P=TPTP+FP（2）

R=TPTP+FN（3）

其中，TP表示將正類判斷為正類，F(xiàn)P表示將負(fù)類判斷為負(fù)類，F(xiàn)N表示將正類判斷為負(fù)類。F1得分為精準(zhǔn)率和召回率的調(diào)和平均數(shù)，可以表示為：

F1-Score=2·P·RP+R（4）

mAP用于計算每一類分類正確的像素點數(shù)和該類的所有像素點數(shù)的比例的平均值，可以表示為：

mAP=1k+1∑ki=0pii∑kj=0pij（5）

其中，k表示類別的個數(shù)；p表示該類分類正確的點數(shù)個數(shù)。

CR用于衡量一塊太陽能電池板的污染程度，當(dāng)CR達(dá)到10%及其以上時，則會嚴(yán)重影響太陽能電池板的采光性能。由于有些污染物對太陽能電池板具有一定的腐蝕作用，CR值越高的太陽能電池板應(yīng)該優(yōu)先清理。CR可表示為：

CR=nN×100%（6）

其中，n表示被污染的像素點個數(shù)；N表示整塊太陽能電池板像素點個數(shù)。

3.2?實驗結(jié)果與可視化

在所采集的數(shù)據(jù)集上，將DeepLabv3+、SegNet［9］、RefineNet［10］、DeepLabv3進(jìn)行對比實驗，實驗結(jié)果如表1所示。

DeepLabv3+模型在3個評價指標(biāo)上都表現(xiàn)出最佳性能，其精準(zhǔn)率達(dá)到97.17%、F1分?jǐn)?shù)為96.45%、平均準(zhǔn)確率為96.79%；這表明DeepLabv3+在太陽能電池板污染數(shù)據(jù)集上具有很高的準(zhǔn)確性和穩(wěn)健性，能夠有效地對不同類別的像素精確分割出污染物。SegNet模型在3個指標(biāo)上的表現(xiàn)相對較弱，其精準(zhǔn)率為92.22%、F1分?jǐn)?shù)為90.05%、平均準(zhǔn)確率為89.67%；這表明SegNet在保持高精準(zhǔn)率的同時，可能在某些類別上出現(xiàn)了較多的誤分類，導(dǎo)致F1分?jǐn)?shù)和平均準(zhǔn)確率相對較低。RefineNet模型的表現(xiàn)位于DeepLabv3+和SegNet之間，其精準(zhǔn)率為93.88%、F1分?jǐn)?shù)為93.55%、平均準(zhǔn)確率為92.33%；RefineNet的設(shè)計旨在通過多尺度特征的融合提高分割性能，盡管其性能略低于DeepLabv3+，但仍然表現(xiàn)出較高的分割精度。DeepLabv3模型的表現(xiàn)緊隨DeepLabv3+之后，其精準(zhǔn)率為95.96%、F1分?jǐn)?shù)為95.47%、平均準(zhǔn)確率為94.99%；這表明DeepLabv3同樣具有很高的分割精度和穩(wěn)健性，盡管在某些情況下可能略遜于DeepLabv3+。

總之，DeepLabv3+模型在評估太陽能電池板污染語義分割中展現(xiàn)了最優(yōu)的性能，如圖4所示為采用DeepLabv3+對有污染的太陽能電池板圖片的分割效果。

4?結(jié)語

本研究旨在解決太陽能電池板因積塵、鳥糞等污染而導(dǎo)致的效率下降問題，為此采用深度學(xué)習(xí)技術(shù)中的DeepLabv3+模型對太陽能電池板上的污染物圖像進(jìn)行精確分割。通過對比實驗，驗證了DeepLabv3+模型在太陽能電池板污染物圖像分割任務(wù)中的卓越性能，其精準(zhǔn)率、F1分?jǐn)?shù)和平均準(zhǔn)確率分別達(dá)到了97.17%、96.45%和96.79%，顯著優(yōu)于SegNet、RefineNet和DeepLabv3傳統(tǒng)模型。在太陽能電池板污染物圖像的分割過程中，本研究通過計算污染物像素點的數(shù)量，得出污染物覆蓋太陽能電池板的比例，這一比例對于評估污染的程度和范圍至關(guān)重要。DeepLabv3+模型的應(yīng)用，不僅為太陽能電池板污染面積的快速計算提供了可能，而且為及時清除污染物、確保太陽能電池板高效運行和維護(hù)系統(tǒng)的安全穩(wěn)定提供了堅實的技術(shù)支持。因此，本研究的成果對于推動太陽能電池板的智能化維護(hù)和管理具有重要的理論和實踐意義。

［參考文獻(xiàn)］

［1］閆云飛， 張智恩， 張力， 等. 太陽能利用技術(shù)及其應(yīng)用［J］. 太陽能學(xué)報， 2012（增刊1）： 47-56.

［2］楊景發(fā)， 邱鵬飛， 李冰， 等. 太陽能電池板跟蹤與除塵裝置的設(shè)計［J］. 機(jī)械設(shè)計與制造， 2013（9）： 60-62.

［3］WANG Z， WANG J， YANG K， et al. Semantic segmentation of high-resolution remote sensing images based on a class feature attention mechanism fused with Deeplabv3+［J］. Computers & Geosciences， 2022（14）： 1334-1348.

［4］CHEN L C， PAPANDREOU G， SCHROFF F， et al. Rethinking atrous convolution for semantic image segmentation［J］. arXiv， 2017（10）： 1045-1060.

［5］CHEN L C， PAPANDREOU G， KOKKINOS I， et al. Deeplab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected crfs［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017（4）： 834-848.

［6］周可鑫， 左云波， 谷玉海， 等. 基于 YOLO-GT 網(wǎng)絡(luò)的零售商品目標(biāo)檢測方法［J］. 重慶理工大學(xué)學(xué)報 （自然科學(xué)）， 2021（6）： 174-184.

［7］王丹峰， 陳超波， 馬天力， 等. 基于深度可分離卷積的 YOLOv3 行人檢測算法［J］. 計算機(jī)應(yīng)用與軟件， 2020（6）： 218-223.

［8］何道敬， 杜曉， 喬銀榮， 等. 無人機(jī)信息安全研究綜述［J］. 計算機(jī)學(xué)報， 2019（5）： 1076-1094.

［9］BADRINARAYANAN V， KENDALL A， CIPOLLA R. Segnet： a deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017（12）： 2481-2495.

［10］?ZHOU H， CHEN H， ZHANG Y， et al. Refine-net： normal refinement neural network for noisy point clouds［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022（1）： 946-963.

（編輯?沈強(qiáng)）

Research on solar panel contamination area segmentation and

calculation algorithm based on DeepLabv3+

GENG ?Xin1， ?LOU ?Qinghui1， ?FENG ?Kangkang1， ?PAN ?Tianhang1， ?YANG ?Yu1， ?ZHU ?Minhao2

（1.Nanjing NR Electric Co.，Ltd.， Nanjing 210000，China; 2.Nari Group Co.，Ltd.， Nanjing 210000，China）

Abstract： ?Solar panels operating in open environments are susceptible to the accumulation of dust accumulation， which can reduce their power generation efficiency. To quantitatively assess the extent of the contamination on the surface of solar panels， this study employs the DeepLabv3+ semantic segmentation model to segment and calculate the area of the contamination on solar panels. Firstly， by training the DeepLabv3+ model， precise segmentation of solar panel images is achieved， thereby extracting the contaminated areas. Then， by calculating the proportion of the total number of pixel points in the contaminated area to the total number of pixel points in the entire solar panel image， the area of contamination by the contamination is quantified. Finally， experiments in real-world scenarios show that the precision， F1 score， and average accuracy of DeepLabv3+ segmenting the contamination on solar panels reach 97.17%， 96.45%， and 96.79% respectively. This method provides a scientific basis for the maintenance management and efficiency optimization of solar panels.

Key words： DeepLabv3+; solar panels; area segmentation.