[发明专利]基于注意力神经网络的无人机光伏故障诊断及定位方法

说明书

本发明是基于注意力神经网络的无人机光伏故障诊断及定位方法，包括步骤：1、获取巡检无人机航拍的光伏组件红外图片，读取无人机实时位置信息和姿态数据；2、基于注意力机制和FPN结构构造FPT结构；3、构建BP神经网络，采用FPT结构进行信息融合，航拍图片作为输入，缺陷所在光伏组件的像素坐标作为输出，训练所构建的神经网络，得到针对红外图像缺陷检测的神经网络；4、对原始图像进行分割得到光伏组件掩模，再根据目标检测网络的定位结果确定有故障的光伏组件，得到目标组件的角点像素坐标；5、根据无人机拍摄实时坐标和姿态角构造坐标转换模型，根据地空几何关系将神经网络输出的像素坐标转化为大地坐标下的位置坐标，得到缺陷所在光伏组件的位置信息。该方法适用于基于无人机巡检的光伏组件缺陷检测定位，可以实现组件缺陷的实时监测，提高缺陷检测精度。

技术领域

本发明属于太阳能光伏电站故障智能化巡检领域，具体为基于注意力神经网络的无人机光伏故障诊断及定位方法。

背景技术

随着社会对绿色清洁能源的需求量增加，基于太阳能发电技术的光伏电站产业得到了快速的发展。光伏电站占地面积大，主要分布在沙漠、荒地、水面等野外自然环境中，光伏组件放置于恶劣的室外环境下，常年受到风吹日晒，导致其所面临的故障和缺陷问题严重。对发电系统进行实时管控检测及日常维护往往需要较高的人力成本，且存在主观性强、巡检手段单一等弊端，难以满足日益增长的巡检需求。为保证光伏电站的高效工作，急需无人智能化的巡检方式。智能化的缺陷检测及定位技术能够实现巡检模式多样化，同时充分发挥机器人精度高、反应灵活、全天候的优点，满足高频率无人化巡检的要求，对于提高光伏电站的发电效率及保证大型光伏电站的安全、高效运营具有重要意义。

近年来，基于图片的光伏组件缺陷检测主要包含传统信号处理算法和人工智能算法两大类。传统信号处理算法包括基于各向异性扩散滤波、匹配滤波、血管滤波等方法的缺陷定位分割算法，只能针对某一种缺陷，难以处理实际工作环境下种类繁多、外观差异明显的缺陷，应用价值不高；人工只能算法通常采用深度学习的卷积神经网络进行目标检测、实例分割实现缺陷检测和判断，通过对输入数据重复足够多次的训练实现全局损失最小，从而达到训练效果。考虑到缺陷种类繁多、表现形式差异较大、各类别样本分布不均，对神经网络的结构进行合理设计、选取高效的损失函数计算方法成为构建神经网络的关键，也是决定网络检测准确性和定位精度的主要因素。

航拍图像的位置信息获取主要包括基于光伏串CAD图的方法和基于移动载具与视觉位置信息融合的方法。基于光伏串CAD图的方法依赖于谷歌地球等卫星遥感数据，其定位精度低，影响无人机的巡检过程。基于移动载具与视觉位置信息融合的方法多通过二维、三维重建等方式还原高精度地图，但不包含语义信息，无法自动获取光伏区域的位置分布，且识别精度不高，仍需要人工修改，无法实现全自动化。

发明内容

为解决上述技术问题，本发明提出了基于注意力神经网络的无人机光伏故障诊断及定位方法，该方法缓解了深度学习目标检测定位精度不足的问题，适用于基于航拍图像的光伏电站缺陷检测，并且可以实现缺陷组件的实时定位，计算量小，实时性好，进而智能化光伏电站缺陷检测及定位的效率。

基于注意力神经网络的无人机光伏故障诊断及定位方法，包括如下步骤：

(1)获取巡检无人机航拍的光伏组件红外图片，读取无人机实时位置信息和姿态数据。其中无人机的飞行高度为h，GPS坐标为(x_D，y_D)，相机视野角γ，俯仰角θ_ZD，航向角ψ_ZD。

(2)基于注意力机制和FPN结构构造FPT模块，包含自转换器ST、植入转换器GT和渲染转换器RT三种转换器结构，分别实现特征层内的全局信息交互和自上而下、自下而上的层间局部信息交互：