基于CenterNet 的光伏阵列遮盖物检测

陈诗坤，卢箫扬，冯 锴

（福州大学 物理与信息工程学院，福建 福州 350108）

0 引 言

近年来，太阳能作为一种可再生能源，凭借无污染、安全发电、无噪音运行和低安装成本等优点得到了快速发展［1-2］。然而，光伏性能的可靠性受实际运行中各种故障的影响［3］。在这些故障中，由光伏周围建筑物、树木、落叶、鸟类污染物以及灰尘等引起的阴影故障最常见［4］。阴影对光伏的影响并非恒定不变。研究发现，部分阴影达到20%时，光伏输出功率可下降到17.65%。事实上，部分阴影已导致每年10%～20%的电力生产损失［5-6］。此外，光伏组件上存在局部阴影会导致阴影单元过热。

视觉检测方法可以无接触、无损地监测光伏系统，且快速简便地提供位置信息，因此在光伏监测研究上优势明显［7］。此外，近年来快速发展的卷积神经网络，在图像分类和目标检测等视觉识别任务中表现优秀，因此已有大量研究将其应用于光伏故障检测［8-11］。

本文为提供更精准的光伏阵列监测状态信息，基于CenterNet 网络通过迁移学习训练了可见光遮盖物检测模型，实现了对不同光照方向、不同远近距离及不同遮挡程度等条件下对光伏阵列遮盖物的准确检测，为光伏阵列健康状态监测提供了可靠参考。

1 CenterNet 网络

1.1 网络简介

CenterNet 是Zhou 等 人 于2019 年 提 出 的［12］，相 比 于One-stage（如YOLO）和Two-stage（如Faster R-CNN）等目标检测网络，提供了一种更简洁的思路。该网络通过主网络得到了一个热力图，根据热力图提取峰值中心点，再根据中心点回归目标的尺寸、位置等。该网络是无锚点目标检测网络，不需要提前设置锚点的超参数和区分正负样本，大大降低了模型的计算量和训练时间，在速度和精度上优势明显。……