光伏板是光伏发电厂的生命源泉,是发电系统中最主要的来源,其健康程度直接关系到整个光伏发电厂的发电效率和安全性。如果光伏电厂发生问题,会造成重大的经济损失,甚至人员伤亡。因此为了保障光伏电厂的正常和可靠运行,进行光伏电厂的故障检测及诊断非常有必要,且具有关键的经济价值和实际意义。然而,随着逐渐普及的深度学习方法,基于深度学习的巡检图像的故障诊断方案亟需确立。因为传统的光伏故障检测方法大都面向人工巡检,或依靠大量的检测物理特征的传感器传递反馈信息,抑或是通过遥感图像判别,其成本大,准确率较低,且使用范围较窄,针对性单一,不适用于现有的检测方案。对于机器人巡检得到的图像数据进行检测的方法,并不适用于目前现有的检测方案,主要存在以下三个方面的问题:(1)异物检测的判别准则因人而异,缺少真正统一意义的故障检测标准;(2)经济成本高,不适用于所有光伏电厂;(3)缺少基于巡检机器人的实时检测光伏板故障的诊断方案。针对以上问题,本文针对光伏电厂巡检特点,从光伏板识别,光伏面板感兴趣区域获取,异物检测三个方面阐述光伏电厂巡检图像异物检测的方法。重点研究了基于遗传算法的阈值分割检测方法在光伏电厂巡检图像中的应用研究。首先,结合国家标准,总结了现有的光伏电厂异常的检测方法,对光伏电厂故障和故障检测方法进行分类总结,详细阐述了主要类别故障检测方法所用到的技术及原理,并进行了对比分析。其次,提出利用深度学习的方法对巡检图像中光伏板识别,该方法利用单发多框检测技术准确的识别图像中的光伏板,可以适用于所有的光伏电厂巡检,解决了经济成本高,适用范围狭隘的问题。然后,研究了光伏面板感兴趣区域的获取方法,以及基于遗传算法的阈值分割对光伏板异物分割的检测方法,并针对有故障和无故障的数据进行仿真实验。该方法通过基于遗传算法的阈值分割将实际问题转化为图像分割的问题,利用多组巡检图像数据的仿真实验测试得到完整、一致、可靠的实验结论。最后,针对光伏板的异物检测结果进行了分析和总结。