熱斑影像辨識系統應用於太陽能模組缺陷探測技術

摘要：過去十年部署在現場的太陽能光伏(photovoltaic, PV)系統經常表現出細微缺陷如裂縫、焊接不良與配接不當，一系列的缺陷可能會影響發電廠的性能和能源產量，傳統判定可再生能源的太陽能光伏系統失效之方法，常利用人工逐一視覺查驗發電訊號異常，造成檢測判讀時間長，且視覺查驗特徵不明顯等問題，且人員判定基準無法標準化，如今，再生能源的太陽能板可利用無人機(unmanned aerial vehicle, UAV)技術加以輔助監測和檢測。本文藉由熱影像及可見光影像資料收集並導入產業資深人員專業判斷結果建置熱影像及可見光影像資料庫，以作為後續人為比對參考及人工智慧演算法訓練資料，幫助操作和維護操作員使用無人機進行太陽能光伏系統缺陷檢測。
Abstract：Solar photovoltaic systems deployed on-site over the past decade often exhibit subtle defects such as cracks, poor soldering and improper mating, a range of defects that can affect power plant performance and energy production, traditionally judged renewable energy. The failure method of the solar photovoltaic system uses manual visual inspection of abnormal power generation signals one by one, the detection and interpretation time is long, and the visual inspection features are not obvious which makes the judgment standard of personnel unable to standardize. Now, the solar panels of renewable energy can use unmanned aerial vehicle technology to assist monitoring and detection. This project collects and imports thermal image and visible image data and imports the professional judgment results of industry senior personnel to build a thermal image and visible image database, which will be used as a follow-up artificial comparison reference and artificial intelligence algorithm training data to help operation and maintenance operations Officers use drones for defect detection of solar photovoltaic systems.

關鍵詞：太陽能光伏系統、無人機、智慧演算法
Keywords：Solar photovoltaic systems, Unmanned aerial vehicle, Intelligence algorithm

前言
可再生能源(renewable energy sources, RES)對發電的貢獻幾乎代表了未來幾十年限制化石燃料使用和污染的基本替代方案。在過去的幾年中，許多國家都已經開始實行各種不同的政策來促進太陽能光伏技術的發展。根據全球可再生能源現狀報告[1]，2016年全球新增光伏裝機容量75 GW，全球總供應量達到約303 GW。這相當於每小時安裝超過約 7.75 兆瓦。光伏電站通常由成百上千個光伏組件串聯組成，一般而言，串聯中的所有光伏電氣特性都 相似，並在最大功率點 (maximum power point, MPP) 電流下運行，以實現每個光伏的最佳輸出，然而，光伏組件經 常暴露於嚴格的環境中影響其電力輸出，而當光伏電氣特性存在差異時，單串電流無法在每個光伏的 MPP 下運行，這會導致性能降低[2]。導致這種差異的最常見因素是部分遮蔽、退化、旁路二極管短路等，這些缺陷會增加光伏 溫度並導致熱點[3]，損壞光伏並降低太陽能光伏板的總功率輸出。

在大型發電廠中，檢查太陽光電系統是一個相當漫長的過程，因為大型光伏系統由成百上千個光伏組件組成，特別是如果它們位於建築物的屋頂或難以到達的區域。光伏組件檢測的方法包括人工檢測、激光檢測[4]、衛星觀測 [5] ，電致發光成像[6、7]。 人工檢測時間效率非常低，激光檢測和電致發光成像無法應用於光伏電站。而電致發光成 像因其易於使用和適用於大型光伏系統而受到廣泛關注。在此背景下，本文的主要目的是對無人機同時拍攝的可見 光RGB相機及紅外線(Infrared, IR)相機進行光伏裝置檢查的方法，對捕獲的數據自動分析並進行新的改進，旨在提 升檢測的速度與檢測性，以降低系統的監測和成本的時間。
巡檢無人機
隨著人們對光伏發電的認識逐漸廣泛，現在的趨勢尤其是轉向大型工廠，在這種規模下，傳統的檢測技術變得耗時且實施起來昂貴，而通過相機進行視覺和熱檢查，節省了時間和人力資源，此外它還允許大面積覆蓋、快速數據收集以及檢查難以到達的設施。在大型光伏電站中，無人機的使用可減少85%的熱成像檢查時間 [8]，不僅提高檢測太陽能光伏板的檢測速度，還可以解決在如此高的安裝位置危及人類生命的問題。

本文使用安裝在無人機上的可見光RGB相機及紅外線熱像儀相機對 PV 檢查進行了大量工作，以檢測PV故障， 而使用無人機進行高效的 PV 檢查需要遵守一系列條件。首先，對於 RGB 圖像，相機圖像必須垂直拍攝，傾斜度最好低於3°，此外環境條件也會影響 RGB 視覺檢查的質量，例如破壞無人機穩定性的風、導致過度照明圖像的太陽光 線在模塊表面的反射[9]等。而對於能產生紅外線圖像的熱像儀檢測，所使用的熱像儀之感測器波段應在8-14 μm波 段內，建議的熱靈敏度應低於0.08K以檢測微小的溫差[10]，且需在足夠的太陽輻照度下確保足夠的熱對比度，因此 建議穩定值介於500 W/m2和700 W/m2之間。對於熱像儀的定位，建議相對於面板表面垂直線的視角為5-60°。此外，為了避免模塊表面出現不良反射和無人機遮蔽，建議在清晨或傍晚進行測量，能更好地區分IR捕獲的剖面溫度[11] 。而本文圖像由配備 RGB 相機及紅外線熱像儀相機的WINAICO CARE無人機拍攝，如圖1，此無人機配備有效載 荷並與人工智能框架配對以實現特定功能，不僅可以減少太陽能光伏面板的檢測時間，還可以解決在如此高的安裝位置危及人類生命的問題。

圖1 WINAICO CARE紅外線無人機健檢太陽能系統 (由有成精密提供)

缺陷圖像
如果單純以熱像儀拍攝的熱點方式鑒察缺陷，將有存在其困難度，因熱點會因不同程度的故障造成不同相關聯 的幾何無法判別的圖像，而且還需考慮了許多不同的太陽能光伏板樣本，這些考慮因素包括視角、不同類型的太陽能光伏板以及有缺陷和無缺陷的太陽能光伏板，因此本文借助RGB可見光與熱點視覺圖像，如圖2，可以通過互相比對來檢測裂紋、變色、污染、分層和腐蝕等缺陷。
本文歸類出幾大類去得影像的瑕疵定義，有模組開路(Module in open circuit)、玻璃破裂(Broken front glass)、模組內子串列短路(Substring in short circuit)、遮蔭(Module with cells shaded)...等。使用可見光相機獲取在太陽能光伏板上方不同高度的各種缺陷如陰影、污垢和白點，捕獲特徵例如形狀、大小、顏色、位置等，如圖3顯示。

使用紅外線相機取得影像的原理，即利用每個物體都會以電磁波的形式發出熱輻射[12]，發射的輻射與體溫成正比，它以光速[13]傳播，不需要材料接觸或中間溫度梯度[14]。使用熱像儀可捕獲這種輻射，因其感測器的像素包含溫度值，即透過演算法將其轉換為電信號以提供熱點圖。在獲取的照片一定尺度上，拼湊的圖案可表明整個模塊是否短路或其他因素，如圖4，顯示一個太陽能光伏板明顯比其他太陽能光伏板顏色緩和則表明存在斷路效應，而太陽能光伏板較熱的部分則表明存在裂縫，其有可能是尖銳物或禽鳥等異物掉落造成。

圖2 RGB可見光與熱影像太陽能板圖像，通過互相比對來檢測

圖3 太陽能板各種缺陷如陰影、污垢和白點

圖4 太陽能光伏板各種缺陷(箭頭指出)熱點圖

智能化熱斑影像分析演算法模組
太陽能光伏板的不同瑕疵都需求進行判定後，將其導入影像標籤之決策輔助，影像擷取為有成公司人員利用無人機飛行技術提取高空太陽能光伏板面形資訊，進行資料庫部屬與資料擷取、處理分析及不同瑕疵狀態，而建構人工智慧(artificial intelligence, AI)專案中，需花大量時間準備足夠數量的資料和對應的標籤，在深度學習決策系統訓練前的物件標註對於專家等來說是沉重的負擔，首先需要經過輸入訓練資料集和對應的標註到人工智慧模型，主要目的是讓AI學習資料尋找目標物特徵，而標註方式通常是把未標註的資料交付給數個專家，根據專家的領域知識來 辨識這些資料並做標註的紀錄，最後經過不同專家的檢驗，確定標註的正確性後，完成標註的收集，因此，為了使用 目前發展較為成熟的AI深度學習技術，並且降低收集高品質標注所花費的成本，本文設計標籤介面平台提供使用者進行提取的影像特徵做標籤，以便後續訓練深度學習能分類定位找出圖像中特徵物件，如圖5。

圖5 瑕疵訓練資料集標示步驟