光伏航拍红外图像的热斑自动检测方法

doi:10.3785/j.issn.1008-973X.2022.08.018

光伏航拍红外图像的热斑自动检测方法

夏杰锋^,, 唐武勤, 杨强^,

1. 浙江大学电气工程学院，浙江杭州 310027

2. 之江实验室，浙江杭州 310000

Automatic hot spot detection method for photovoltaic aerial infrared image

XIA Jie-feng^,, TANG Wu-qin, YANG Qiang^,

1. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China

2. Zhejiang Lab, Hangzhou 310000, China

通讯作者: 杨强，男，教授. orcid.org/0000-0002-0761-4692. E-mail: qyang@zju.edu.cn

收稿日期: 2021-08-12

基金资助:

国家自然科学基金资助项目（51777183）

Received: 2021-08-12

Fund supported:

国家自然科学基金资助项目（51777183）

作者简介 About authors

夏杰锋（1997—），男，硕士生，从事机器视觉研究.orcid.org/0000-0002-5273-5995.E-mail:jfxia@zju.edu.cn , E-mail：jfxia@zju.edu.cn

摘要

针对光伏电站传统巡检技术的高成本、低效率以及准确率不高等问题，提出二阶段式的航拍红外图像热斑检测方法，实现对红外图像中热斑缺陷的组件级定位及精细化分类诊断. 该方法将传统图像处理技术与深度学习方法融合，进一步提升缺陷诊断的准确率与效率. 基于航拍红外图像前、后景灰度值的差异，提出基于边缘检测的组件分割方法来提取光伏组件轮廓以实现组件级定位，该方法以相对较小的硬件需求实现光伏组件有效检出率可达99.3%. 考虑到热斑成因、危害及对应处理方式的差异性，提出基于EfficientNet的红外缺陷分类模型对热斑进行精细的四分类，为电站运维人员提供更为精准的决策支撑，该模型在空间占用20.17 MB的情况下获得97.0%的热斑分类准确率. 经过实验对比分析，论证了本研究所提出的方法在缺陷诊断的效率以及准确率上都较高.

关键词： 航拍图像 ; EfficientNet ; 深度学习 ; 热斑检测 ; 光伏 ; 边缘检测

Abstract

A two-stage hot spot detection method of aerial infrared image was proposed to realize component level positioning and fine classification diagnosis of hot spot defects in infrared image, aiming at the problems of high cost, low efficiency and low accuracy of traditional inspection technology of photovoltaic power station. This method combined the traditional image processing technology with the deep learning method to further improve the accuracy and efficiency of defect diagnosis. Specifically, firstly, based on the difference between the gray values of the front and back scenes of aerial infrared images, a component segmentation method based on edge detection was proposed to extract the contour of photovoltaic components to achieve component level positioning. This method achieved the effective detection rate of photovoltaic components up to 99.3% with relatively small hardware requirements. Secondly, considering the differences in the causes, hazards and corresponding treatment methods of hot spots, an infrared defect classification model based on EfficientNet was proposed to finely classify the hot spots, so as to provide more accurate decision support for the operation and maintenance personnel of the power station. The model obtained hot spot classification accuracy of 97.0% when it occupied 20.17 MB. Through experimental comparison and analysis, it is demonstrated that the proposed method has greatly improved the efficiency and accuracy of defect diagnosis.

Keywords： aerial image ; EfficientNet ; deep-learning ; hotspot detection ; photovoltaic module ; edge detection

PDF (2340KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

夏杰锋, 唐武勤, 杨强. 光伏航拍红外图像的热斑自动检测方法. 浙江大学学报(工学版)[J], 2022, 56(8): 1640-1647 doi:10.3785/j.issn.1008-973X.2022.08.018

XIA Jie-feng, TANG Wu-qin, YANG Qiang. Automatic hot spot detection method for photovoltaic aerial infrared image. Journal of Zhejiang University(Engineering Science)[J], 2022, 56(8): 1640-1647 doi:10.3785/j.issn.1008-973X.2022.08.018

随着能源和环境问题的不断凸显，世界各国对于清洁能源的投入和使用也在不断增加. 可再生能源的开发，尤其是太阳能的开发得到了格外的重视. 根据国家能源局^[1]公布的数据，近年来我国光伏发电量持续增长，在全国发电量中的占比也不断增加，截至2019年底，我国全年光伏发电量同比增长26.3%，占我国全年总发电量的3.1%. 随着光伏装机容量不断增长，传统人工巡检方式将不再适用. 因此，提出高效的缺陷检测策略就显得尤为重要. 近年来，计算机视觉、无人机硬件以及计算机相关技术都得到了迅猛的发展，使得基于无人机的自动巡检方式成为可能^[2-4].

热斑是光伏组件出现频率很高的一种典型缺陷. 该缺陷一般由局部遮挡或者组件内部缺陷引起，会很大程度地影响组件的运行效率，小的热斑可能降低的光伏组件效率，导致电量损失，严重时甚至会造成电池局部烧毁形成暗斑和焊点熔化永久性损坏^[5]. 因此，对热斑进行有效检测和排除，在光伏电站的持续高效运行中具有重要的意义. 近年来基于视觉的热斑检测方法^[6-8] 都以热斑作为缺陷检测目标. 然而，热斑形成的原因很多，比如组件外部的遮挡和内部组件损坏都可能会引起热斑，不同类型的热斑需要针对性的处理，以确保组件的健康、稳定运行.

在基于传统计算机视觉方法的热斑检测方面，Tsanakas等^[9]提出了基于标准红外图像和Canny边缘检测算子的热斑检测方法. 通过多次测量热图像来判断光伏组件是否有缺陷. Ngo等^[10]从K-mean聚类的方法出发，提出一种红外光伏图像的轮廓提取和热斑检测方法，但在背景环境复杂时，边缘信息容易被覆盖，难以提取. Chen等^[11]提出一种基于单通道的阈值分割和Canny的组件提取方法，取得了较好的分割效果，但其在对热斑缺陷检测时使用颜色空间的均值和标准差作为特征进行分类，虽然提高了泛化性能，但依然是基于统计特征的分类方式，会损失一部分图像中的信息.

随着深度学习在图像处理领域的快速发展，各种图像分类、目标检测以及分割的模型在各自的领域内都取得较好的效果，Faster RCNN^[12]、YOLO^[13]、SSD^[14]等方法相比传统的图像检测方法具备更高的鲁棒性. 通常，深度学习在复杂的环境下更能取得好的效果.

深度学习在上述问题上得到了大量应用. 吴涛等^[15]通过改进LeNet-5模型对光伏图像进行故障检测，以解决故障分类数少导致的欠拟合. 郭梦浩等^[16]通过Faster RCNN的方法，通过对于图像预处理和迁移学习方法的应用，对Faster RCNN进行了改进，相比于原始的Faster RCNN检测率提高了4.51%，在测试集上，取得了97.34%的平均检测率. Greco等^[17]通过YOLO框架实现热斑检测，在18个不同的数据集上均得到了有效的结果，得到了95%的准确率. 上述这些方法在组件的提取和分类上表现出比传统方法更好的效果，能处理复杂背景下的图片信息，解决了传统检测方法中的泛化能力差和准确率不足的问题，但其模型的参数数量过大，对硬件也有较高的需求.

深度网络通常需要大量的参数^[18]，对硬件的需求较高. 而传统的图像检测方法基于统计特征进行分类，信息损失大. 基于此，本研究提出一种传统图像处理与深度学习分类模型相结合的二阶段缺陷自动识别方法，主要贡献如下：1）搭建了一种加载红外相机的无人机巡检平台，通过畸变矫正算法降低组件安装角度和现场拍摄抖动畸变问题给航拍图像带来的影响. 2）提出针对红外图像的二阶段热斑目标检测方法. 基于前后景灰度差异、组件形态学特征之类的先验信息的边缘检测方法，对组件轮廓进行分割；基于EfficientNet的分类识别模型，对模型深度和宽度结构根据具体数据集的特征尺度进行自适应的搜索调整，实现高精度热斑识别. 3）搭建了一个用于红外巡检的无人机平台，并收集了一个包含标注的光伏组件红外数据集，该数据可以提供给非商业用途的研究.

1. 检测方法

先通过无人机巡检平台采集光伏组件红外图像，为了避免图像采集和传输过程中产生失真，影响缺陷的识别准确率，首先对采集的红外图像进行畸变矫正，进而对光伏组件进行分割、提取，最后通过深度学习模型对组件是否存在热斑缺陷进行分类，具体流程如图1所示.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1 检测算法整体流程

Fig.1 Whole flow of detection algorithm

为了保证采集图像的有效性以提高光伏检测的准确性，搭建了一种加载红外相机的无人机巡检平台完成图像信息的采集. 平台主要分为硬件模块和畸变矫正模块. 硬件模块使用大疆M300型号无人机搭载H20T红外相机进行高效率稳定采集，其中通过RTK完成目标航线的巡检，并用SD卡完成数据存储与传输. 而畸变矫正主要是对气流干扰产生的图像畸变通过逆滤波加低通滤波的方式进行图像矫正复原.

1.1. 组件提取方法

方法的第1阶段是对组件位置信息进行提取分割，通过组件检测和轮廓分割简化模型结构参数.

1.1.1. 组件检测方法

在光伏组件检测环节，通过边缘检测的方式，对图像中的光伏组件进行识别，以减少计算量. 由于光伏板的灰度值与整体背景的灰度值差异较大，通过灰度分布包络线极点获取灰度阈值，将图像二值化，进行前、后景的分离.

在二值化后，光伏板的轮廓更加清晰，但背景中会有噪声干扰. 因为噪声和光伏板在形态学上存在差异，使用开运算来对噪声进行滤除. 开运算是先进行腐蚀运算再进行膨胀运算. 先进行腐蚀运算后进行膨胀运算，能够除去孤立的小点、毛刺和小桥，而总体的位置和形状不变. 开运算的原理如图2所示.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2 开运算原理示意图

Fig.2 Schematic diagram of open operation principle

去噪后使用Canny边缘检测算法检测轮廓，Canny检测算法^[19-21]一般是基于sobel算子，通过sobel水平和垂直算子与输入图像卷积，计算得到d_x和d_y：

(1) $ {{\boldsymbol{S}}_{{x}}} = \left[ {\begin{array}{*{20}{c}} { - 1}&0&1 \\ { - 2}&0&2 \\ { - 1}&0&1 \end{array}} \right]， $

(2) $ {{\boldsymbol{S}}_{{y}}} = \left[ {\begin{array}{*{20}{c}} 1&2&1 \\ 0&0&0 \\ { - 1}&{ - 2}&1 \end{array}} \right]， $

(3) $ {{\boldsymbol{d}}_{x}}\left( {{x,y}} \right) = f\left( {x,y} \right){{\boldsymbol{S}}_{{x}}}, $

(4) $ {{\boldsymbol{d}}_{y}}\left( {{x,y}} \right) = f\left( {x,y} \right){{\boldsymbol{S}}_{{y}}}. $

式中： ${{\boldsymbol{S}}_{x}}$、 $ {{\boldsymbol{S}}_y} $为 sobel算子， $ f\left( {x,y} \right) $表示图像像素值.

根据式（1）~（4）可以得到图像梯度的幅值：

(5) $ M\left( {x,y} \right) = \sqrt {{{d}}_x^2(x,y)+{{d}}_y^2(x,y)} . $

为了简化计算，可以将式（5）近似为

(6) $ M(x,y) = |{{{d}}_x}(x,y)|+|{{{d}}_y}(x,y)|. $

相角表达式为

(7) $ {\theta _M} = \arctan \;({{{d}}_y}/{{{d}}_x}). $

其中心点的梯度方向与边缘方向之间的关系如图3所示.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3 Canny算法梯度方向与边缘方向关系

Fig.3 Relationship between gradient direction and edge direction of Canny algorithm

1.1.2. 轮廓分割方法

首先根据边缘进行轮廓的提取，先对数字二值图像拓扑分析，通过编码的方式给边界赋值，确定外边界、孔边界与层次关系，从而得到图形的轮廓. 设(i,j)位置的像素值对外边界和孔边界的判定条件分别为

(8) $ f(i,j - 1) = 0,f(i,j) = 1, $

(9) $ f(i,j) \geqslant 1,f(i,j+1) = 0. $

对于图中的噪声，根据与组件的位置关系分为内噪声和外噪声. 对内噪声，通过对图像拓扑分析时得到的轮廓树筛选来进行滤除. 对组件外的噪声，由于其与组件的面积大小存在较大差异，通过轮廓面积统计，并设置最小阈值去除这种噪声.

在对组件轮廓进行提取时，个别图片会出现组件黏连的情况，即多个组件被提取到了同一个轮廓当中. 主要是一些组件的边界相比于其他的边界较为明显，容易将其判别为同一个整体. 本研究提出2种解决方法，如图4所示. 图中，H、W分别为图像高度和宽度.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4 组件黏连解决方法

Fig.4 Solution to component adhesion

方法1是根据分割得到的图片进行再分割，此时由于外部的边界已经被分割，内部的边界就可以被突显出来，原理如图5所示. 方法2是根据其他组件大小提出尺寸约束，对超出尺寸范围的组件进行自适应提取.上述2种方法都能对于此问题进行较好的解决，但由于方法2是根据特定数据集提出的，泛化性差，只能在图片中组件大小差异不大的情况下作用.

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5 组件再分割原理

Fig.5 Principle of component resegmentation

1.2. 组件分类方法

方法第2阶段是对组件类别信息进行提取，通过EfficientNet网络根据具体数据集组件大小和故障形态空间尺度信息对网络结构进行调整，搜索出最有效的模型结构，实现高精度的故障检测.

为了对提取得到的样本集进行精确的热斑识别，获得高精度的热斑判据，根据IEC技术规范^[22]将热斑由成因分为如图6所示的4类，从而实现高精度的组件热斑诊断和热斑成因分类.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6 组件热斑类别

Fig.6 Component hot spot category

遮挡热斑（见图6(a)）是指组件表面有异物遮挡而引起，组件最高温度超过平均温度2度以上；接点过热（见图6(b)）是指组件间金属连接点温度超过周围3 °C以上；单电池过热（见图6(c)）指由电池破损引起的缺陷，表现为温差在10 °C以上热斑^[22]；如图6(d)所示为正常组件. 由于图6(a)~(c)都会对组件的正常运行产生危害，将这3类组件定义为热斑缺陷组件.

本研究使用基于深度学习的网络模型对缺陷组件进行分类. 由于卷积神经网络通常在固定的计算资源下进行设计和运行，在资源多余或不足时，可以将模型结构进行放缩，以获得更好的精度. 通过复合系数对网络深度d、宽度w和分辨率r进行统一缩放，使得三者在约束中平衡出一个更好的性能：

(10) $ \left.\begin{aligned} & d = {\alpha ^\phi },\;w = {\beta ^\phi },\;r = {\gamma ^\phi } ; \\ & \quad {\rm{s}}.{\rm{t}}.{\text{ }}\alpha\; {\beta ^2}\; {\gamma ^2} \approx 2,\;\alpha ,\;\beta ,\;\gamma \; \geqslant 1. \end{aligned}\right\} $

式中： $\alpha $、 $\beta $、 $\gamma $为长宽分辨率基本系数， $\phi $ 为缩放比例.

从而可以得到一系列网络模型，将其称为EfficientNets^[23]. 其中EfficientNet-B0的网络结构如表1所示. 表中，S、C、L分别为输入大小、输出通道数、层数. 其中深度可分离卷积会通过将乘法转化为加法，在保证精度的情况下，大大降低运算成本. 以交叉熵作为损失函数，表达式如下：

表 1 EfficientNet-B0的网络结构

Tab.1 Network structure of EfficientNet-B0

网络层	S/像素	C	L
Conv3×3	224×224	32	1
MBConv1,k3×3	112×112	16	1
MBConv6,k3×3	112×112	24	2
MBConv6,k3×3	56×56	40	2
MBConv6,k3×3 MBConv6,k3×3 MBConv6,k3×3 MBConv6,k3×3 Conv1*1&Pooling&FC	28×28 14×14 14×14 7×7 7×7	80 112 192 320 1280	3 3 4 1 1

新窗口打开| 下载CSV

(11) $ {{L}}(p,{p^*}) = - \ln \;[p{p^*}+(1 - p)(1 - {p^*})]. $

式中： $p$、 $ {p^*} $分别表示真实分布和预测分布.

2. 实验结果

2.1. 红外光伏原始数据集

本研究使用的数据集是来自海南某光伏电站的总共1128张红外图像. 在对其进行标注后，对正常和缺陷图像进行样本均衡，然后按照7∶2∶1划分训练集、验证集和测试集. 此外，引入江苏某光伏电厂2 000张红外图像（数据集2）和内蒙某光伏电厂760张红外图像（数据集3）进行横向对比，验证算法的泛化性并增加实验结果的可信度.

2.2. 实验环境和参数

本研究的检测分割算法基于opencv实现，深度模型均在pytorch框架下实现. 实验采用NVIDIA TITAN Xp进行加速. 实验训练使用784张均衡样本，批尺寸为4，初始学习率0.0015，训练轮数50.

2.3. 实验评价指标

在组件提取阶段，使用正确检出率（CDR），黏连组件率（CAR）和错误检出率（FDR）3个指标对组件提取方法进行评价，总组件数量为N，正确检出数为CD，黏连组件数为CA，错误检出数为FD. 指标表达式如下：

(12) $ {\text{CDR}} = {{\text{CD}}}/{N}, $

(13) $ {\text{CAR}} = {{\text{CA}}}/{N}, $

(14) $ {\text{FDR}} = {{\text{FD}}}/{N}. $

在组件分类阶段，使用精确率（Precision），召回率（Recall）和准确率（Accuracy）3个指标对组件提取方法进行评价，定义如下：

(15) $ {\rm{Precision}} = \frac{{{\text{TP}}}}{{{\text{TP+FP}}}}, $

(16) $ {\rm{Recall}} = \frac{{{\text{TP}}}}{{{\text{TP+FN}}}}, $

(17) $ {\rm{Accuracy}} = \frac{{{\text{TP+FP}}}}{{{\text{TP+TN+FP+FN}}}}. $

在整体检测性能比较上，计算BoundingBox与每个真值的交并比（IoU）值，取其中最大的MaxIoU. 当MaxIoU达到阈值时，记录其置信度，否则记为FP，从而得到PR曲线.

2.4. 实验结果与对比

2.4.1. 组件提取结果

如图7所示为全图像集灰度值分布特征. 图中，x为灰度值，y为像素个数. 得到图像的平均灰度分布，由于组件和背景的灰度值差异明显，可以通过灰度分布包络线极点获取灰度阈值，对灰度图像进行二值化.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7 全图像集灰度分布

Fig.7 Gray distribution of full image set

在二值化将组件从背景中突出后，部分背景噪声也被突出，如图8（a）所示. 用开运算对背景噪声滤除后，消除了大部分的背景噪声，如图8（b）所示. 在开运算处理后，除了少量的背景噪声外，轮廓之间的界线清晰明显，去除了绝大多数无效的干扰信息. 然后对其进行Canny边缘检测，如图8（c）所示,组件间的界线清晰分离.

图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8 光伏组件检测过程

Fig.8 PV module detection process

2.4.2. 组件分类结果

对如图6所示的遮挡热斑、接点过热、单电池过热和正常组件进行四分类，其结果如图9混淆矩阵所示. 图中，N_s为样本数量. 其中各类故障的识别率如下：遮挡热斑97.1%，接点过热97.4%，单电池过热96.5%.

图 9

新窗口打开| 下载原图ZIP| 生成PPT

图 9 组件分类结果混淆矩阵

Fig.9 Confusion matrix of component classification result

2.4.3. 算法效果对比

为了验证本方法各阶段的有效性及优势，给整体二阶段算法的高精度提供理论依据，对各阶段分别进行验证实验.

在第1阶段的组件提取任务中，分别在带干扰的稀疏和稠密组串图像集上，将本方法与仅使用Canny和LSD^[24]提取组件的效果进行对比（见图10）. 可以看出，相比于Canny和LSD，本方法在组串稀疏分布时的抗干扰能力和稠密分布时的提取率都更优. 最后对全数据集中组件提取效果在正确检出率R_c、黏连组件率R_a和错误检出率R_e上与传统检测方法进行比较，结果如图11所示. 可以看出，本方法在数据集1中达到99.3%的正确检出率，此外在数据集2、3中也达到97.3%、97.9%，说明本方法的高效检测具有泛化性.

图 10

新窗口打开| 下载原图ZIP| 生成PPT

图 10 光伏组件提取方法效果对比

Fig.10 Comparison of photovoltaic module extraction methods

图 11

新窗口打开| 下载原图ZIP| 生成PPT

图 11 全数据集方法检出率对比

Fig.11 Comparison of detection rate of full dataset method

通过本方法，每个光伏组件都被有效检测且边缘清晰，实现了像素级高精度轮廓提取，提高了整体识别率. 相比于直接使用Canny边缘检测，本方法能较好去除背景噪声对提取的影响，提高正确检出率.

在第2阶段的组件分类方面，如表2所示，在精确率、召回率、准确率、模型参数大小P以及模型运行时梯度传播所需的内存Me这5个指标上，将EfficientNet与常用的CNN网络VGG^[25]、ResNet^[26]、DenseNet^[27]和轻量化网络SqueezeNet^[28]、MobileNet^[29]、ShuffleNet^[30]进行比较. 可以看出，在基于提取组件的热斑缺陷检测中，EfficientNet在组件热斑是否存在的检测任务上召回率达到100%，准确率达到99.74%，在分类性能上优于其他模型. 相较于VGG、ResNet和DenseNet，EfficientNet在召回率上提升了0.5%~1.0%，在准确率上也有一定提高. 在模型参数大小上，EfficientNet明显更小更加轻量化，能够布置在硬件条件受限的环境下. 相较于SqueezeNet、MobileNet和ShuffleNet这些轻量化网络，EfficientNet在精确率和召回率上提升更多. 在模型参数大小上虽然大于MobileNet、ShuffleNet，但在运行内存上，EfficientNet远小于前两者，在实际运行时也更快. 因此相较于这些轻量化网络，EfficientNet具有准确率更高且运行速度更快的优势.

表 2 分类模型性能对比

Tab.2 Comparison of classification model performance

算法	Precision	Recall	Accuracy	P/MB	Me/MB
VGG16	0.9948	0.9847	0.9898	448.18	232.28
ResNet50	0.9949	0.9949	0.9949	97.49	309.46
DenseNet121	0.9913	0.9951	0.9930	30.44	299.11
SqueezeNet	0.9847	0.9753	0.9804	30.16	290.67
MobileNetV2	0.9608	0.9755	0.9657	12.62	408.23
ShuffleNetV2	0.9755	0.9659	0.9706	8.54	813.55
EfficientNet	0.9949	1.0000	0.9974	20.17	231.66

新窗口打开| 下载CSV

为了整体上验证算法在热斑组件目标检测任务中的性能优势，将本方法与一阶段目标检测方法YOLO-V3、SSD和二阶段目标检测方法Faster-RCNN、SPP-Net^[31] 在运算速度v和PR曲线上进行比较，如图12所示. 可以看出，方法第1阶段中像素级的高精度组件定位，使得本方法在精确率和召回率上具有更优的性能. 第2阶段中EfficientNet能够调整出更适应数据集的模型结构，在同等算力下，较通用的图像分类模型，有可观的性能提升.

图 12

新窗口打开| 下载原图ZIP| 生成PPT

图 12 算法运算速度与准确性能比较

Fig.12 Comparison of operation speed and accuracy of algorithm

3. 结　语

本研究提出基于传统图像处理和深度学习相结合的二阶段光伏热斑检测方法. 通过阈值分割将红外图像二值化，通过开运算对环境中的干扰噪声进行去除，并增强了组件的边缘. 使用Canny算子进行边缘检测，实现了组件的像素级定位分割，简化了模型结构参数和冗余候选框，最后通过EfficientNet对组件热斑缺陷进行分类，判断热斑是否存在及热斑类型.

通过基于边缘检测的组件提取方法对组件进行分割，实现了99.3%的有效检出率；使用EfficientNet对热斑的分类效果进行提升，对组件是否存在热斑的检测准确率达到99.7%；对具体热斑类型的检测率：遮挡热斑达到97.1%，接点过热达到97.4%，单电池过热达到96.5%. 本方法对于硬件的需求不高，能够在较低的硬件条件下得到较好的效果，以适应不同环境.

由于组件提取使用的是传统的图像处理方法，虽然在本数据集上能够取得较好的效果，但其泛化能力仍然有待考量. 后续也可以引入一些自适应的处理手段来对模型的泛化能力进行相应的提升，从而能够处理更加复杂多变的检测问题.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

国家能源局. 国家能源局网上新闻发布会文字实录(2012-2019)[EB/OL]. [2021-08-01]. http://www.nea.gov.cn/.