基于空中成像的太阳能光伏电池板土壤检测系统 清洁检查 清洁检查

科学领域:

• 可再生能源可再生能源是可再生能源.
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 太阳能光伏 (PV) 面板检查依赖于带有视觉摄像头的无人机进行监控.
• 污染,尤其是鸟类便,大大减少了太阳能电池板的发电量,并可能导致热点.
• 从空中拍摄的图像中检测小,模糊的污垢,如鸟便,是一个重大挑战.

研究的目的:

• 使用无人机捕获的RGB图像开发用于太阳能光伏电池板的AI辅助污染检测方法.
• 创建一个自主,端到端的污染检测模型,能够识别常见的污染类型,如尘埃和鸟类便.
• 为了应对在航空图像中检测小而模糊的鸟类便的特殊挑战.

主要方法:

• 开发了一种定制的人工智能模型SDS-YOLO (污染检测系统YOLO),其中包含一个卷积块注意模块 (CBAM).
• 该模型具有两个专用检测头,优化用于区分灰尘和鸟类便.
• 收集了一组空中RGB图像的数据集,其中包括带有尘埃和鸟类便的光伏电池板,用于培训和验证.

主要成果:

• 与现有的YOLO模型 (v5,v8,v11) 相比,SDS-YOLO显示了与现有的YOLO模型相比,鸟类便的检测准确度显著提高.
• 整合CBAM导致mAP50增加了40.2%,鸟类降落检测F1得分提高了26.6%.
• 该模型还在尘埃检测方面表现出强的性能,具有改进的特征提取和减少由于CBAM导致的错误阳性.
• SDS-YOLO实现了参数数量的24%的减少,提高了其适用于边缘计算的适用性.

结论:

• 拟议的SDS-YOLO模型有效地检测太阳能电池板上的各种污垢类型,特别擅长识别具有挑战性的鸟类便.
• 集成CBAM对于增强特征提取和提高检测准确性至关重要,特别是对于小型和模糊的物体.
• SDS-YOLO为太阳能电池板检查和监控提供了一种高效准确的解决方案,适合在边缘设备上部署.