面向长尾分布光伏红外缺陷识别的自适应生成增强
《Solar Energy》:Adaptive generative augmentation for long-tailed photovoltaic infrared defect recognition
【字体:
大
中
小
】
时间:2026年10月22日
来源:Solar Energy 7.9
编辑推荐:
•ADLS-IRGAN 为长尾光伏识别合成尾部类别红外图像。
•自适应潜在建模与结构-感知约束相结合。
•相比仅使用真实数据训练,尾部宏 F1 分数提高了 26.04%。
•在三种分类器骨干网络上均观察到正向的数据增强收益。
•合成测试准确率在所有 11 个缺陷类别上均超过基
•ADLS-IRGAN 为长尾光伏识别合成尾部类别红外图像。
•自适应潜在建模与结构-感知约束相结合。
•相比仅使用真实数据训练,尾部宏 F1 分数提高了 26.04%。
•在三种分类器骨干网络上均观察到正向的数据增强收益。
•合成测试准确率在所有 11 个缺陷类别上均超过基线 GAN。
引言
在全球向低碳能源系统转型以及终端用电需求不断增加的背景下,光伏发电正迅速扩张。随着部署规模的持续增长,大量并网光伏组件将在多样化的环境和气候条件下服役数十年。在长期运行期间,裂纹、局部过热、二极管异常、表面污染和局部遮挡等缺陷可能会降低发电量,加速退化,增加电气和火灾风险,并提高非计划运维(O&M)成本 [1], [2], [3], [4], [5]。准确且可扩展地识别模块级异常对于提高光伏电站可靠性、维护效率和运行安全至关重要。
光伏故障可以通过电气特征或基于成像的测量来识别。电气方法通常分析电流-电压特性、功率信号或相对于健康运行基线的偏差 [6], [7], [8], [9], [10]。尽管这些方法对系统级监控很有用,但其响应可能会受到辐照度、环境温度、运行条件和组件老化的影响。相比之下,红外热成像(IRT)直接记录组件表面辐射的空间分布,可以揭示与电气失配、旁路二极管行为、损坏的电池片和外部覆盖物相关的局部热异常 [11], [12], [13], [14]。配备热成像相机的无人机的日益普及,使 IRT 在大型光伏电站快速检测方面具有特别的吸引力。近期关于航空热成像的综述进一步讨论了其在户外大面积监测中的应用 [15]。户外航空热成像受采集高度、视场角、大气条件、辐照度变化、图像配准和传感器分辨率的影响。这些因素可能会降低热对比度,使视觉上相似的缺陷模式更难区分。主动热成像的相关研究利用时空热信息在空间模式模糊时提高缺陷判别能力 [16]。
另一个挑战在于光伏检测数据集中高度不均匀的类别分布。正常模块和几种常见缺陷类别可能包含数千张图像,而罕见但对运行至关重要的类别可能仅包含几百个或更少的样本。这种自然的长尾分布导致分类器被多数类主导,并为少数故障学习稳定的决策边界提供了不足的观察样本。现有研究通过改进数据预处理、特征学习和训练策略来处理光伏红外识别问题。代表性方法包括更深或集成的卷积网络、轻量级模型、迁移学习、特征选择、直方图均衡化、过采样、类别加权损失和超参数优化 [17], [18], [19], [20], [21], [22]。近期研究进一步解决了光伏红外识别中的类别不平衡和特征表示问题。Wu 等人 [23] 将基于 PatchUp 的特征混合与多尺度残差网络相结合,以提高类别平衡和少数类识别能力。Guo 等人 [24] 开发了一种基于重参数化的框架,将多分支、多尺度特征提取与比例平衡权重非对称损失相结合,用于不平衡红外故障分类。Guo 等人 [25] 提出了 GEPFNet,集成了群等变卷积、多尺度上下文表示和并行特征融合,并在 Infrared Solar Module 和 PVF-10 数据集上进行了评估。这些进展通过特征学习、特征空间增强和训练优化提高了不平衡观测数据的使用效率。代表性不足类别的多样化真实热图可用性有限,也促使人们探索图像层面的增强。
从以数据为中心的视角来看,传统的图像变换,如翻转、旋转、裁剪和亮度调整,可以增加名义训练集的大小 [13]。然而,这些操作主要产生现有观测的变换版本,很少引入新的、具有语义意义的缺陷模式。生成对抗网络(GANs)通过学习类别条件图像分布并合成额外训练样本提供了另一种可能性 [26]。这些合成图像的效用取决于它们是否在保留缺陷识别所需特征的同时,提供了有意义的热模式变化。基于 GAN 的方法也在热成像无损检测中得到了探索。例如,Fang 等人 [27] 使用生成框架进行红外热图像的缺陷增强和降噪。在我们之前的研究中 [28],我们评估了几种代表性的 GAN,包括 DCGAN [29]、WGAN-GP [30] 和 R3GAN-LS(近期提出的 R3GAN 模型 [31] 的一种仅损失函数、共享骨干网络的变体)。实验证实了基于 GAN 的数据集增强的可行性,同时也揭示了两个对长尾光伏热成像尤为相关的局限性。首先,当仅有有限的真实样本时,固定的潜在先验可能无法充分覆盖多模态的类别特定分布。其次,缺乏足够结构和感知约束的多样性导向优化可能会产生近乎重复的样本、噪声驱动的变化或过度变形,而不是热点位置、范围、边界锐度和局部热强度梯度的有效变化。对于光伏热图,有用的合成变化必须同时保留加热区域的整体形状和空间范围,以及区分视觉上相似故障的局部边界、梯度和纹理特征。这些特征表示不佳会导致缺陷形态同质化或局部热模式不合理。
本研究针对有监督长尾光伏红外缺陷识别。每个目标类别都提供带标签的真实训练图像,但代表性不足的类别包含的样本要少得多,相应的热模式变化也有限。本研究的目的是在固定的下游分类协议下,通过有针对性的生成增强来提高尾部类别的识别能力。完整的自然不平衡 12 类任务作为主要评估基准,而两个二分类缺陷识别任务用于特征空间分析。
基于两个二分类缺陷识别任务,本研究探讨了图像质量指标与下游效用之间的关系,结果表明分布保真度、结构冗余度和感知多样性与生成热图的下游识别效用相关。这些观察结果指导了 ADLS-IRGAN 的设计,这是一种面向长尾光伏红外缺陷识别的以数据为中心的生成增强框架。首先,自适应可变形潜在空间(Adaptive Deformable Latent Space, ADLS)用可学习的混合分布取代了固定的高斯先验,并纳入了带显式正则化的自适应扰动,在提高潜在空间灵活性的同时限制方差坍缩和不稳定变形。其次,结构 - 感知对比目标结合 MS-SSIM、特征空间距离权重和基于间隔的 LPIPS 项,以抑制近乎重复的生成并促进有效的热模式多样性。
本工作的主要贡献总结如下。
(1) 面向下游效用的生成增强设计框架。基于两个二分类缺陷识别任务,我们探讨了生成图像质量指标与下游识别效用之间的关系。分析表明,分布保真度、结构冗余度和感知多样性与下游识别效用的关联更为一致,这些观察结果被用于指导 ADLS-IRGAN 的设计。
(2) 用于类别特定分布覆盖的自适应可变形潜在空间。ADLS 使用可学习的混合组件对潜在先验进行建模,并将它们的位置、尺度和自适应扰动参数与生成器一起优化。尺度和扰动正则化器约束潜在空间坍缩和不稳定变形,使得潜在空间在真实样本有限时能够表示更广泛的类别特定变化。
(3) 用于有效热模式多样性的结构 - 感知对比目标。MS-SSIM 惩罚结构上的近似重复,特征空间距离权重将惩罚集中在感知邻近的样本对上,而基于间隔的 LPIPS 项保留了细粒度的感知变化。它们的组合鼓励全局热形态和局部细节的变化,同时减少噪声驱动或热成像上不合理的变化。
所提方法在五个固定分层划分的去重、自然不平衡 12 类基准上进行了评估。进一步进行了组件级消融、跨骨干验证、增强规模敏感性和类别语义保真度分析,以检查单个组件的贡献、不同分类器骨干上的性能、对生成数据量的敏感性以及类别级语义保真度。
章节摘要
数据协议与问题定义
本节定义了数据集清单、去重控制程序、固定数据划分、主要长尾识别任务以及后续实验使用的下游评估协议。相同的清洗后图像集和划分清单用于全分布基准、组件级消融、跨骨干验证和增强规模分析。
探索性指标 - 效用分析
生成图像质量由多个方面表征,单个生成指标的提升不一定对应于下游效用的增加。我们检查了常用生成指标与生成光伏红外图像的下游识别性能之间的关联。观察到的关系用于指导后续模型设计。
ADLS-IRGAN
第 3 节的指标 - 效用分析显示,FID、MS-SSIM 和 LPIPS 在两个二分类缺陷识别任务中与合成测试准确率表现出相对较强且一致的关联。这些指标分别表征了特征分布一致性、结构相似性和感知变化。基于这些观察,ADLS-IRGAN 沿两个方向设计:提高潜在空间覆盖率和分布保真度,以及增强结构和
基线与实现设置
所有下游识别实验均使用去重控制后建立的五个固定分层划分进行。对于每个划分,训练、验证和测试子集在比较的方法之间保持不变。使用合成图像时,仅添加到训练子集中,而验证和测试子集仅包含真实图像。所有基于 GAN 的增强方法均使用相同的四个尾部类别和按类别的增强协议。
九种策略
在自然不平衡 12 类基准上的性能
表 7 展示了九种训练策略(M0–M8)在完整的自然不平衡 12 类基准上的性能。M7 在所有五个评估指标中取得了最高的平均性能,准确率为 0.8332 ± 0.0023,宏 F1 为 0.7082 ± 0.0064,加权 F1 为 0.8290 ± 0.0028,平衡准确率为 0.6909 ± 0.0089,尾部宏 F1 为 0.6322 ± 0.0166。在这些指标中,宏 F1、平衡准确率和尾部宏 F1 对各类别的性能给予了更大的关注
结论
本研究解决了有监督长尾光伏红外缺陷识别的生成增强问题。ADLS-IRGAN 被开发为一种以数据为中心的增强方法,旨在通过自适应潜在建模提高潜在空间覆盖率,同时调节生成样本间的结构和感知变化。生成图像仅用于补充尾部类别训练数据,下游分类器架构保持不变。主要评估是在
CRediT 作者贡献声明
刘旭江:撰写 – 初稿,方法学,概念化。杨婷婷:软件。刘洋:正式分析。朱广宇:撰写 – 审查与编辑,监督,项目管理。李志刚:项目管理。
资金
本工作得到内蒙古自治区重点研发计划与成果转化项目的支持。(2025YFDZ0034)。
利益冲突声明
作者声明他们不存在已知的竞争经济利益或个人关系,这些关系可能影响本文报告的工作。
致谢
作者感谢编辑和匿名审稿人对本文提出的宝贵意见和建设性建议。
刘旭江|杨婷婷|刘洋|朱广宇|李志刚
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号