随着红外成像技术的发展和应用,基于红外成像的诊断技术被广泛应用于光伏面板故障检测和诊断。在这种情况下,会有大量的光伏面板红外图像需要被检测和诊断,而其中对红外图像进行分割是实现光伏面板故障检测和诊断的重要前提。但大量的光伏面板红外图像一般是由专业技术人员人工进行分割,这种方式耗时耗力,对人员的要求非常高,且红外图像具有对比度低,边缘模糊等特点,这些因素均会导致红外图像的分割结果存在误差。因此,为了提升光伏面板红外图像的分割效果,本文在现有的图像分割算法基础上,分别提出了基于模糊聚类的分割方法、基于灰度共生矩阵和区域生长法的分割方法与基于改进型UNet网络的分割方法。主要研究内容如下:1、针对光伏面板红外图像对比度低,边缘模糊等特点以及采用模糊聚类方法会出现误分割的现象,本文在模糊C均值方法和模糊核C均值方法的基础上,提出了一种引入邻域空间信息的改进模糊核C均值方法,并通过K-means聚类方法初始化聚类中心。实验结果验证了改进模糊核C均值分割方法的有效性。2、针对光伏面板红外图像内容的复杂性和周围环境的干扰,本文提出了基于灰度共生矩阵和区域生长的分割方法。该方法通过融合图像的熵特征与梯度边缘特征对图像进行预处理,然后通过改进的区域生长法对预处理后的图像进行分割和形态学处理进行优化。实验结果验证了该方法可有效的分割光伏面板红外图像。3、以上红外图像分割方法均是利用图像的低级语义信息,如图像的形状、纹理等特征。相比之下,基于深度学习网络的分割方法能够提取更深层次的语义信息,获得更丰富的图像特征。因此,本文提出了基于U-Net的改进型网络方法,该方法通过引入残差结构和空洞卷积对原始U-Net网络结构进行更改。实验结果表明与原始的U-Net网络相比,分割效果更准确有效。综上所述,本文提出的三种图像分割方法可以很好的将光伏面板区域分割出来,并且能够为光伏面板红外图像故障检测和诊断提供有效的依据。