1.一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，包括以下步骤：

1)获取光伏电站热斑检测数据集，构建热斑检测数据集，并对热斑检测数据集中的热斑信息进行标注，制作标签；

2)设置YOLOv3模型初始化，定义损失函数，采用K-means聚类获取最优先验候选框数量和大小；

3)修改神经网络结构--添加神经网络残差单元进行融合和改进YOLOv3模型主干网络结构的卷积单元分布，通过这两种优化方法优化YOLOv3模型得到UAV-YOLO的热斑检测模型，训练基于UAV-YOLO的热斑检测模型；

4)运用DeepLab V3+语义分割模型分割光伏面板，滤除不属于光伏板的热斑；

5)根据几何定位方法，通过图像中心点经纬度计算出热斑经纬度，其中分析不同偏航角和热斑所在图像位置的情况得到不同的方向角。

2.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤1)中的热斑检测数据集的获取包括：使用四旋翼无人机搭载红外相机和可见光相机，在高度一定的条件下，对光伏电站的太阳能光伏板进行水平拍摄，将具有热斑的图片作为热斑检测数据集；步骤1)中的标注热斑检测数据集，使用labelImg工具标注图片中的所有热斑，并得到所有图片的标注信息；将整理的无人机视角热斑图片按照6:1的比例随机分为训练集，测试集。

3.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤2)中的模型初始化过程如下：

2.1)模型的学习率设置方式为分步设置，按照模型训练轮数的大小衰减学习率；

2.2)将图片尺寸整合到指定大小，设定为640×512的分辨率；

2.3)设置模型的先验候选框数量为9个，其宽度和高度分别是10×13、16×30、33×23、

30×61、62×45、59×119、116×90、156×198和373×326(单位/像素)；计算热斑预测框的中心点、宽度和高度，公式如下：bx＝σ(tx)+cx

by＝σ(ty)+cy

其中bx，by，bw，bh是预测边框的中心坐标和宽高值，cx，cy是当前网格左上角到图像左上角的距离，要先将网格大小归一化，即令一个网格的宽、高等于1；pw，ph是先验框的宽和高；

tx，ty，tw，th是要学习的参数，分别用于热斑预测边框的中心、宽高；σ是进行sigmoid函数变换；

2.4)热斑预测边框的置信度得分，计算公式如下：

Scoreij＝P(Ci|Object)*Confidencej

其中 表示热斑预测边框的置信度得分，当grid  cell有对象

(object)时，Pr(object)为1，否则Pr(object)为0；IOU(intersection over union)表示交并比， 表示边界框的准确度，其用预测框(pred)与实际框(truth)的交并比来表征，表示预测框和物体真实区域的交集面积，即真实区域的像素面积；Scoreij代表着某个对象Ci存在于第j个预测框的可能性，即边界框类别置信度表征该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的概率；P(Ci|Object)表示该物体属于不同类别的概率，是在各个边界框置信度下的条件概率。

4.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤2)中的定义损失函数，损失函数计算公式如下：其中 表示网格i的第j个预测框中存在对象，λcoord表示网格中存在物体为1，否则为0，S表示网格大小，S2表示模型输出的3个预测框大小19*19、38*38、76*76，B表示每个网格产生B个候选框anchor box，xi、yi、 为标注框的中心坐标信息，ωi、 hi、 为标注框的高度宽度坐标信息，C为检测物体对象、 分类类别概率，class为对象属于的类别，表示网格i的第j个预测框中不存在对象， 代表模型参数置信度，模型训练过程中，通过不断训练使得误差函数收敛，得到最优的训练权重，模型损失函数为预测框的位置误差，分别代表

边框中心点误差和边框宽度、高度误差；

为预测框的置信度误差，分别代表边框内有对象的置信度误差和边框内无对象的置信度误差；

为对象分类的误差，且只有当对象存在于网格时才计入误差。

5.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤2)中的K-means聚类获取最优先验候选框数量和大小，K-means聚类算法将全部热斑样本点分配到对应聚类中，使热斑样本点与聚类中心点距离最近，采取基于欧几里得距离的K-means算法，计算公式如下：其中xn为归一化的边界框中心点横坐标，即边界框中心点距离输入图片左上角的横坐标差值占输入图片宽度的比例，yn为归一化的边界框中心点纵坐标，得到候选框数量为3、候选框数量为6以及候选框数量为9时K-means聚类的结果，本发明选择候选框数量为9。

6.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤3)中的YOLOv3神经网络的残差单元融合，针对YOLOv3的Resn单元进行修改，将它改成本文的RU_2单元，将两个RU_1单元合并为RU_2单元，RU_2单元相较于两个RU_1单元，网络层会增加一个add层，且会增加一条网络支路连通两个RU_1单元的第一个DBL输出。

7.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤3)中的UAV-YOLO模型主干网络架构改进，RU_2残差单元与RU_1单元需交替应用到这两块网络结构中，YOLOv3模型的主干网络为Darknet-53Backbone，UAV-YOLO模型的主干网络为Darknet-77Backbone，增加了3个add层和支路，将YOLOv3模型主干卷积集合中每一个的卷积单元分别为：1、2、8、改为2、3、7；相比YOLOv3模型，UAV-YOLO模型多进行了一次卷积单元的卷积操作，让模型在前段网络中更多地学习热斑深度外观特征信息；所述步骤3)中训练YOLOv3-UAV热斑检测模型，将热斑数据集输入到UAV-YOLO模型中，图片在网络中经过卷积层、BN层、残差单元、上采样层处理后，最终得到预测框的tx，ty，tw，th代学习参数。

8.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤4)DeepLab V3+语义分割模型分割光伏面板，主体模型采用编码解码结构，分割出光伏板和背景，滤除不属于光伏板的亮斑。

9.根据权利要求1所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤5)中的几何定位过程如下，

5.1)数据预处理，图片中心点经纬度，热斑在像素坐标系的坐标，中心点在像素坐标系的坐标，图片中单位像素点代表的实际距离，图片拍摄时的方向角；

5.2)建立两个坐标系，经纬度坐标系和像素点坐标系；根据热斑和中心点之间的像素点差值求出两者实际距离，将经纬度数据度分秒单位换算成度；

5.3)规定∠a为像素坐标系中，热斑和中心点之间连线与x轴的夹角；∠b为偏航角，规定∠c为热斑和中心点之间连线与南北轴的夹角，始终为正值；根据热斑在不同的象限和偏航角的不同进行分类讨论，得出对夹角b值；

5.4)根据两点连线距离和夹角b，计算出热斑在经纬坐标系下对应在经纬线上的距离，最后与中心点经纬度坐标加减得到热斑经纬度。

10.根据权利要求9所述的一种基于热红外图像的光伏电站热斑检测与定位方法，其特征在于，所述步骤5)中的分析不同偏航角和热斑所在图像位置的情况得到不同的方向角，首先判断偏航角属于下面哪个范围(0-90)、(90-180)、(0-(-90))、(-90-(-180))，接着判断热斑所在像素坐标系的哪个象限，根据作图得到所求方向角。