关于改进的YOLOv9算法在检测光伏面板污渍和损伤方面的研究

《Renewable Energy》：Study on an Enhanced YOLOv9 Algorithm for Detecting Stains and Damage in Photovoltaic Panels

光伏面板智能清洁机器人视觉检测算法优化研究。本文提出基于改进YOLOv9t算法的光伏面板污损检测方法，通过集成AOD-Net图像去雾模块解决过曝和模糊问题，采用SPD-Conv空间深度卷积提升检测精度，并引入iRMB-EMA机制增强复杂背景下的检测能力。实验表明，该算法mAP提升5.83%，模型体积缩减18.21%，有效解决现有清洁机器人识别精度低、实时性差的问题，为大型光伏电站自动化运维提供新方案。

　　

Mingcheng Ling|Jiahao Zhu|Yuxi Yang|Huiyi Li|Jiangang Yi|Jun Gao|Li Wang

中国湖北省武汉市江汉大学

摘要

近年来，光伏（PV）面板在全球范围内得到了越来越多的应用。然而，它们的表面容易受到损坏和污染，这可能会对光伏模块的输出特性产生负面影响。虽然智能清洁机器人现已被广泛用于维护光伏面板，但它们仍存在一些局限性，例如识别精度低以及识别污垢的实时性能较差。为了解决这些问题，本研究提出了一种基于改进的YOLOv9t模型的算法，用于检测光伏面板上的污渍和损坏。改进措施包括添加全合一去雾网络（AOD-Net）以减少捕获图像中的过度曝光和模糊现象；用空间深度转换卷积（SPD-Conv）替换原有的卷积层以提高精度并降低计算复杂度；以及引入反向残差移动块高效多尺度注意力（iRMB-EMA）机制，以改善算法在复杂背景和相机移动时的识别精度。实验结果表明，与其它算法相比，改进后的YOLOv9t算法将mAP提高了5.83%，并将权重文件大小减少了18.21%。这使得它成为光伏面板维护的一个有前景的解决方案，并为大规模光伏电站自动化提供了一种新的方法，有望显著降低成本并提高太阳能发电效率。

引言

随着能源资源的重要性日益增加，化石燃料的缺点也变得越来越明显。过去几十年里，全球对可再生能源的研究激增[1]。可再生能源包括太阳能、风能、地热能、水能和生物质能等。太阳能是最重要的可再生能源之一[2]，并且在大多数地区都非常丰富[3]。其主要应用是通过光伏面板发电。然而，在使用过程中，光伏面板容易受到灰尘、鸟粪和其他杂物的污染，以及物理损坏。这些问题会降低面板的输出特性[4]，并导致过热，从而缩短其使用寿命[5]。

目前，能够在视觉识别面板后进行精确清洁的智能清洁机器人是维护光伏面板的主要方法[6]。由于光伏面板通常安装在光照强烈的户外环境中，捕获的图像往往会出现过度曝光的情况，而频繁的大气雾气也会降低识别精度。此外，当光伏面板被树木、建筑物、电线杆、云层等遮挡时[7]，识别精度也会下降。由于成本限制，清洁机器人中的处理器通常性能较低。当识别算法的参数过大时，实时反馈效果也会较差。

随着神经网络和深度学习的发展，许多研究人员将这些技术应用于光伏行业。Cavieres R等人[8]使用Mask RCNN来识别光伏面板表面的污垢。Zhang J等人[9]提出了PSA-YOLOv7用于快速检测光伏电池的异常，但其数据量相对较大，且对机器人的计算能力要求较高。Chen X等人[10]使用YOLO模型检测受火灾影响的光伏组件缺陷。Vlaminck等人[11]使用改进的Faster RCNN模型检测光伏面板的异常。Venkatesh S N等人[12]结合卷积神经网络、J48决策树算法和懒惰分类器来识别影响光伏面板使用寿命的因素。Guo Z等人[13]使用U-Net和Vision Transformer的耦合模型在遥感图像中识别光伏面板，然后预测发电量。H. Tella等人[14]使用基于集成学习的深度学习框架识别和分类太阳能电池缺陷。H. Tella等人[15]专注于太阳能面板中的缺陷检测，并提出了基于YOLOS的YOLOS-PV模型。他们研究的优点和缺点如表1所示。

近年来，随着机器视觉技术的发展，出现了许多网络模型，包括YOLO[16]、R-CNN[17]和SSD[18]系列算法。其中，YOLO系列算法在实际应用中最为广泛[19]。与原始YOLO系列相比，YOLOv9t算法[18]引入了可编程梯度信息（PGI）[20]，并基于梯度路径规划设计了一种轻量级网络架构，即通用高效层聚合网络（GELAN）[21]。PGI可以为目标任务提供完整的输入信息以计算目标函数，从而获得可靠的梯度信息来更新网络权重。GELAN结合了跨阶段部分网络（CSPNet）[22]和高效长距离注意力网络（ELAN）[23]，可以有效提高算法的精度和鲁棒性[24]。

尽管YOLOv9t在COCO数据集上的检测精度和速度表现良好，但其较大的参数大小可能导致在复杂环境中的检测精度降低，在微型计算机上直接应用于光伏面板维护机器人时及时性不足。因此，本文提出了一种基于改进的YOLOv9t的光伏面板维护识别算法来解决这些问题。

本文的主要贡献

本文重点关注光伏面板维护机器人的实际应用需求，并对YOLOv9t算法进行了改进。通过集成AOD-Net图像去雾网络，减轻了捕获图像中过度曝光和模糊现象对识别的影响，从而在复杂光照条件下提高了算法的精度。用空间深度转换卷积（SPD-Conv）替换原有的卷积层旨在提高网络精度，同时降低计算复杂度

对YOLOv9t算法的改进

在本研究中，我们对YOLOv9t算法进行了一系列改进，以提高其在复杂场景下的性能。主要修改如下：

• (1)
  集成图像去雾网络（AOD-Net）

将AOD-Net模块集成到YOLOv9t主干网络的前端。这一修改旨在减轻捕获图像中过度曝光和模糊现象的不利影响，这些现象会显著降低识别精度。通过对输入图像进行预处理以减少

数据集构建

本实验使用的图像是在一个面积为140,000平方米的光伏电站内拍摄的，共包含120,000块光伏面板。从中选取了具有代表性的面板进行拍摄，得到了1,638张图像。为了考虑清洁机器人操作过程中遇到的不确定光照和环境条件，我们在晴天和阴天不同时间拍摄了图像，以确保机器人在不同条件下的功能

结论

本研究提出了一种改进的YOLOv9t算法，用于光伏面板清洁机器人，有效解决了清洁机器人在识别光伏面板污渍和损坏方面的低精度和实时性能差的问题。本研究的主要发现和总结如下：

• (1)
  提出了一种改进的YOLOv9t算法。通过集成图像去雾网络（AOD-Net），减轻了过度曝光、曝光不足和模糊现象对识别的影响

CRediT作者贡献声明

Mingcheng Ling：项目管理、方法论、形式分析、概念化。Jiahao Zhu：可视化、软件、数据管理。Jiangang Yi：资源管理、项目管理、方法论、形式分析。Jun Gao：项目管理、形式分析、概念化。Yuxi Yang：验证、监督、调查、形式分析。Huiyi Li：可视化、验证、软件。Li Wang：验证、资源管理、形式分析

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

本工作得到了湖北工业烟气和粉尘污染控制重点实验室（项目编号HBIK2023-03）和江汉大学研究基金（项目编号2023KJZX34）的支持。

致谢

本工作得到了湖北工业烟气和粉尘污染控制重点实验室（项目编号HBIK2023-03）和江汉大学研究基金（项目编号2023KJZX34）的支持。