CN107481237B - 一种基于多帧温度特性的红外阵列图像热斑检测方法 - Google Patents
一种基于多帧温度特性的红外阵列图像热斑检测方法 Download PDFInfo
- Publication number
- CN107481237B CN107481237B CN201710751855.1A CN201710751855A CN107481237B CN 107481237 B CN107481237 B CN 107481237B CN 201710751855 A CN201710751855 A CN 201710751855A CN 107481237 B CN107481237 B CN 107481237B
- Authority
- CN
- China
- Prior art keywords
- temperature
- hot spot
- image
- array
- image block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 241000196324 Embryophyta Species 0.000 description 7
- 238000003491 array Methods 0.000 description 2
- 210000003850 cellular structure Anatomy 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于多帧温度特性的红外阵列图像热斑检测方法,首先读入当前帧以及相邻的前后多帧红外阵列图像,根据多帧红外图像估计当前红外图像中阵列的平均温度,然后对当前红外图像分块计算其最高温度与平均温度,根据图像块和阵列的平均温度差异选出可能存在热斑的可疑图像块,对可疑图像块根据其最高温度与平均温度的差异确定候选热斑,最后根据周围邻域图像块的温度梯度特性挑选出真正热斑,并根据热斑最高温度与阵列平均温度的比值对热斑进行严重程度的分类。本发明通过多帧温度特性来估计阵列的平均温度,提高了热斑检测的准确性;直接根据温度特性在整帧图像内进行热斑的检测和分析,避免了阵列识别不准确对热斑检测的影响。
Description
技术领域
本发明涉及一种基于多帧温度特性的红外阵列图像热斑检测方法,属于光伏电站中的阵列热斑故障自动检测与分析技术领域。
背景技术
近年来,光伏太阳能产业进入了突飞猛进的增长阶段,光伏电站的规模也越来越大。光伏电站包含多个光伏阵列,每个阵列由规则排列的多个电池组件构成。光伏阵列常铺设在露天阳光充足的环境中,很容易受到灰尘、草丛、鸟粪、空中电线或相邻阵列等物体的遮挡。当组件被遮挡到一定程度或自身存在缺陷时,将被当作负载消耗其它光伏组件所产生的电能,从而局部大量发热,形成所谓的热斑。热斑会对整个光伏电站形成潜在的危害,轻则影响发电效率,重则烧坏光伏阵列,甚至引起火灾。因此,热斑故障的检测和排除是光伏电站安全生产的重要保障。
目前阵列热斑检测方法大致分为两大类:一是基于光伏电池组件的电压与电流输出特性,二是基于阵列红外图像的温度特性。基于光伏电池组件电压与电流输出特性的热斑检测方法,主要是通过在电池组件的***搭建一些物理电路,监控各个电池组件的输出电压与电流之间的关系,并通过分析关系曲线,判断是否存在热斑。该类方法的成本较高且检测效率低,也容易破坏电池组件自身的物理结构。而基于阵列红外图像温度特性的热斑检测方法,通过红外摄像机直接捕获阵列的温度分布数据,并通过红外图像分析的方法自动地检测热斑,热斑检测的准确性高,且自动化水平和可视化程度也更高。目前基于红外图像分析的热斑检测方法通常先识别红外阵列图像中的各个光伏阵列,再基于各个阵列区域检测热斑。该方法的热斑检测效果依赖于阵列识别的精度,如当阵列与背景(如地面)的温差较小时,阵列识别的准确度降低,从而导致热斑检测效果变差。
发明内容
本发明目的是提供一种基于多帧温度特性的红外阵列图像热斑检测方法,该方法在热斑检测时不进行阵列与背景分离的步骤,直接对红外摄像机采集到的光伏电站图像进行热斑检测及热斑严重程度的分类,很好地避免了阵列识别不准确对热斑检测准确性的影响,且整体计算复杂度更低;另外通过时间上相邻的多帧红外图像进行阵列温度特性的分析,增强了热斑检测的鲁棒性和准确性。
为了达到上述目的,本发明采用的技术方案为一种基于多帧温度特性的红外阵列图像热斑检测方法,具体包括如下步骤:
步骤1)读入包含当前红外阵列图像(It)以及时间上相邻的前后各k帧红外图像,组成共有2k+1帧的红外图像序列{It-k,…,It-1,It,It+1,…,It+k};
步骤2)根据连续多帧红外阵列图像的温度数据估计当前红外图像中阵列的平均温度
步骤3)对当前红外图像按照不重叠的5×5块大小进行分块,之后用结构体数组存储当前帧所有5×5图像块的相关统计信息,第i个结构体的成员具体包括图像块的编号i、图像块i的左上角像元在当前帧中的横纵坐标(xi,yi)、图像块i的最高温度和平均温度其中图像块的编号按照一帧从上到下、从左到右的顺序进行编号,最左上角图像块的编号为1;
步骤4)通过比较步骤3中得到的各个5×5图像块的平均温度与步骤2得到的阵列平均温度的比值大小,选出可能存在热斑的可疑图像块;
步骤5)对步骤4得到的可疑图像块进一步筛选以保证各可疑热斑仅由唯一的图像块表示,具体步骤如下:通过比较步骤4得到的可疑图像块集合中任意两个可疑块之间的编号差值,判断两个可疑图像块是否在空间位置上相邻,具体准则如下:
其中i与j为可疑图像块的编号,表示红外图像一行中5×5图像块的数目,即当两个可疑图像块编号的绝对差值等于中的某个值时,判定两个可疑块在空间位置上相邻,存在多个可疑块重复表示同一个可疑热斑的问题;否则,不存在重复表示问题;之后,对存在重复表示的多个可疑图像块,通过比较空间位置上相邻的各个可疑块最高温度的大小,只保留温度值最高的可疑图像块,以每个可疑热斑仅由唯一的可疑图像块表示;
步骤6)根据步骤5中筛选出的可疑图像块,考虑其最高温度与平均温度的差异特性来确定候选热斑,具体操作是对步骤5中得到的可疑图像块i,根据步骤3中记录的图像块i的最高温度和平均温度进行判断,具体准则如下:
设置阈值Th2,即当可疑图像块的最高温度与平均温度的比值大于阈值Th2时,把该可疑图像块作为候选热斑,并将可疑图像块的编号添加到候选热斑集合中;否则,不把该可疑图像块作为候选热斑;
步骤7)对步骤6得到的候选热斑,根据周围8邻域图像块的温度梯度特性挑选出真正热斑;
步骤8)对步骤7检测到的热斑,根据热斑最高温度与阵列平均温度的比值大小对热斑进行严重程度的分类,具体操作是对步骤7得到的热斑图像块i,根据步骤3中记录的图像块i的最高温度和步骤2得到的阵列平均温度的比值大小进行判断,具体准则如下:
其中的判定阈值由实验统计得到。
作为优选,上述步骤1中,其中k根据经验取值为3。
进一步,步骤2中根据连续多帧红外阵列图像的温度数据估计当前红外图像中阵列的平均温度的方法具体包括:
a)将多帧红外图像的温度数据放到同一个温度集合中,并统计得到实际温度的最小值T′min和最大值T′max;
b)以整数温度间隔划分温度区间,取总温度区间的左端点和右端点分别为与其中和分别表示向下取整和向上取整,则整数划分的温度区间为[TminTmin+1],[Tmin+1Tmin+2],…,[Tmax-1Tmax];
c)统计各温度区间内的像元数目,得到温度分布直方图;
d)将温度直方图的峰值所对应的温度作为阵列的平均温度
进一步,步骤4的具体操作是计算图像块的平均温度与阵列平均温度的比值,若比值大于某个阈值Th1时,认为该图像块可能存在热斑,将此图像块编号加入到可疑图像块集合中。
作为优选,上述阈值Th1的取值根据实验统计设置为1.2。
进一步,作为优选,步骤6中所述阈值Th2根据实验统计设置为1.6。
进一步,上述步骤7对候选热斑根据周围8邻域图像块的温度梯度特性挑选出真正热斑的方法如下:
a)以步骤6中的每一候选热斑为中心,以5×5图像块为单位取周围的8邻域,若候选热斑位于图像边界,则周围邻域数目相应减小;
b)利用下式计算周围邻域内每一像元温度的垂直梯度幅值;
其中Tm,n是周围邻域内(m,n)位置的像元温度,是(m,n)位置温度的垂直方向上的梯度幅值;
c)计算周围邻域内温度垂直梯度幅值大于1的像元数目占周围邻域内总像元数目的比例,当比例小于0.5时,认为该候选热斑处于光伏阵列区域,判定为真的热斑,否则,认为该候选热斑处于背景区域,判定为虚假热斑。
与现有技术相比,本发明具有以下有益效果:
1、本发明基于多帧温度特性的红外阵列图像热斑检测方法,通过时间上相邻的多帧红外图像进行阵列平均温度的分析,提高了阵列平均温度估计的准确性,进而有效提高了热斑检测和严重程序分类的鲁棒性和准确性。
2、本发明在热斑检测时不进行阵列与背景分离的步骤,直接根据温度特性对光伏电站连续红外图像的温度数据进行热斑检测和分析,很好地避免了阵列识别不准确对热斑检测准确性的影响,且整体流程的计算复杂度很低,便于实时处理。
3、本发明根据热斑温度特性给出了热斑严重程度的分类结果,可以为光伏电站运维人员的分析与决策提供帮助。
附图说明
图1为本发明的基于多帧温度特性的红外阵列图像热斑检测方法整体流程图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
如图1所示,本发明的基于多帧温度特性的红外阵列图像热斑检测方法,以红外摄像机采集到的连续多帧光伏电站图像温度数据为处理对象,其具体实施方案如下:
1)读入包含当前红外阵列图像(It)以及时间上相邻的前后各k帧红外图像,组成共有2k+1帧的红外图像序列{It-k,…,It-1,It,It+1,…,It+k},其中k根据经验取值为3。
2)根据连续多帧红外阵列图像估计当前红外图像中阵列的平均温度包括如下子步骤:
a)将多帧红外图像的温度数据放到同一个温度集合中,并统计得到实际温度的最小值T′min和最大值T′max;
b)以整数温度间隔划分温度区间,取总温度区间的左端点和右端点分别为与其中和分别表示向下取整和向上取整,如而则整数划分的温度区间为[TminTmin+1],[Tmin+1Tmin+2],…,[Tmax-1Tmax];
c)统计各温度区间内的像元数目,得到温度分布直方图;
d)将温度直方图的峰值所对应的温度作为阵列的平均温度基于多帧红外图像估计阵列平均温度的方法尤其在某一红外图像中阵列区域所占比例较小的情况下,有效提高了阵列温度估计的鲁棒性和准确性。
3)对当前红外图像按照不重叠的5×5块大小进行分块,以提高热斑检测的效率并减少背景噪声的影响,之后用结构体数组存储当前帧所有5×5图像块的相关统计信息。第i个结构体的成员(即图像块i的统计信息)具体包括图像块的编号i、图像块i的左上角像元在当前帧中的横纵坐标(xi,yi)、图像块i的最高温度和平均温度其中图像块的编号按照一帧从上到下、从左到右的顺序进行编号,最左上角图像块的编号为1。
4)通过比较步骤3)中得到的各个5×5图像块的平均温度与步骤2)得到的阵列平均温度的比值大小,选出可能存在热斑的可疑图像块。具体操作是根据热斑的平均温度明显高于阵列平均温度的特性,当图像块的平均温度与阵列平均温度的比值大于某个阈值Th1时,认为该图像块可能存在热斑,将此图像块编号加入到可疑图像块集合中,其中阈值Th1的取值根据实验统计设置为1.2。
5)对步骤4)得到的可疑图像块进一步筛选以保证各可疑热斑仅由唯一的图像块表示。具体步骤如下:首先,对实际热斑的大小和形状进行统计,可知热斑大多呈块状且其平均直径约占5个像元,因此一个热斑最多只能覆盖步骤4)中的四个相邻5×5图像块;之后,通过比较步骤4)得到的可疑图像块集合中任意两个可疑块之间的编号差值,判断两个可疑图像块是否在空间位置上相邻,具体准则如下:
其中i与j为可疑图像块的编号,表示红外图像一行中5×5图像块的数目,即当两个可疑图像块编号的绝对差值等于中的某个值时,判定两个可疑块在空间位置上相邻,存在多个可疑块重复表示同一个可疑热斑的问题;否则,不存在重复表示问题;最后,对存在重复表示的多个可疑图像块,根据热斑中心点温度最高的先验知识进行筛选,具体操作是通过比较空间位置上相邻的各个可疑块最高温度的大小,只保留温度值最高的可疑图像块,从而保证每个可疑热斑仅由唯一的可疑图像块表示。
6)根据步骤5)中筛选出的可疑图像块,考虑其最高温度与平均温度的差异特性来确定候选热斑。具体操作是对步骤5)中得到的可疑图像块i,根据步骤3)中记录的图像块i的最高温度和平均温度进行判断,具体准则如下:
其中阈值Th2根据实验统计设置为1.6,即当可疑图像块的最高温度与平均温度的比值大于阈值Th2时,把该可疑图像块作为候选热斑,并将可疑图像块的编号添加到候选热斑集合中;否则,不把该可疑图像块作为候选热斑。
7)对步骤6)得到的候选热斑,根据周围8邻域图像块的温度梯度特性挑选出真正热斑。真正热斑必定处于光伏阵列区域,阵列区域的温度分布非常均匀,而背景(地面)区域的温度分布更为杂乱,可能出现类似于热斑的图像块,因此步骤6)得到的候选热斑有可能处于背景区域而成为虚假热斑,需要去除。包括如下子步骤:
a)以步骤6)中的每一候选热斑(5×5图像块)为中心,以5×5图像块为单位取周围的8邻域,若候选热斑位于图像边界,则周围邻域数目相应减小;
b)利用公式(3)计算周围邻域内每一像元温度的垂直梯度幅值;
其中Tm,n是周围邻域内(m,n)位置的像元温度,是(m,n)位置温度的垂直方向上的梯度幅值;
c)计算周围邻域内温度垂直梯度幅值大于1的像元数目占周围邻域内总像元数目的比例,当比例小于0.5时,认为该候选热斑处于光伏阵列区域,判定为真的热斑,否则,认为该候选热斑处于背景区域,判定为虚假热斑。
8)对步骤7)检测到的热斑,根据热斑最高温度与阵列平均温度的比值大小对热斑进行严重程度的分类。具体操作是对步骤7)得到的热斑图像块i,根据步骤3)中记录的图像块i的最高温度和步骤2)得到的阵列平均温度的比值大小进行判断,具体准则如公式(4):
其中的判定阈值由实验统计得到。
Claims (5)
1.一种基于多帧温度特性的红外阵列图像热斑检测方法,其特征在于,所述方法包括如下步骤:
步骤1)读入包含当前红外阵列图像(It)以及时间上相邻的前后各k帧红外图像,组成共有2k+1帧的红外图像序列{It-k,…,It-1,It,It+1,…,It+k};
步骤2)根据连续多帧红外阵列图像的温度数据估计当前红外图像中阵列的平均温度
步骤3)对当前红外图像按照不重叠的5×5块大小进行分块,之后用结构体数组存储当前帧所有5×5图像块的相关统计信息i、(xi,yi)、和其中,i表示结构体的成员编号,即图像块编号,(xi,yi)表示编号为i的图像块的左上角像元在当前帧中的横纵坐标,表示编号为i的图像块的最高温度表示编号为i的图像块的平均温度,图像块的编号按照一帧从上到下、从左到右的顺序进行编号,最左上角图像块的编号为1;
步骤4)通过比较步骤3中得到的各个5×5图像块的平均温度与步骤2得到的阵列平均温度的比值大小,选出可能存在热斑的可疑图像块,具体操作是计算图像块的平均温度与阵列平均温度的比值,若比值大于某个阈值Th1时,认为该图像块可能存在热斑,并将此图像块编号加入到可疑图像块集合中;
步骤5)对步骤4得到的可疑图像块进一步筛选以保证各可疑热斑仅由唯一的图像块表示,具体步骤如下:通过比较步骤4得到的可疑图像块集合中任意两个可疑块之间的编号差值,判断两个可疑图像块是否在空间位置上相邻,具体准则如下:
其中i与j为可疑图像块的编号,表示红外图像一行中5×5图像块的数目,即当两个可疑图像块编号的绝对差值等于中的某个值时,判定两个可疑块在空间位置上相邻,存在多个可疑块重复表示同一个可疑热斑的问题;否则,不存在重复表示问题;之后,对存在重复表示的多个可疑图像块,通过比较空间位置上相邻的各个可疑块最高温度的大小,只保留温度值最高的可疑图像块,以每个可疑热斑仅由唯一的可疑图像块表示;
步骤6)根据步骤5中筛选出的可疑图像块,考虑其最高温度与平均温度的差异特性来确定候选热斑,具体操作是对步骤5中得到的可疑图像块i,根据步骤3中记录的图像块i的最高温度和平均温度进行判断,具体准则如下:
设置阈值Th2,即当可疑图像块的最高温度与平均温度的比值大于阈值Th2时,把该可疑图像块作为候选热斑,并将可疑图像块的编号添加到候选热斑集合中;否则,不把该可疑图像块作为候选热斑;
步骤7)对步骤6得到的候选热斑,根据周围8邻域图像块的温度梯度特性挑选出真正热斑;
步骤8)对步骤7检测到的热斑,根据热斑最高温度与阵列平均温度的比值大小对热斑进行严重程度的分类,具体操作是对步骤7得到的热斑图像块i,根据步骤3中记录的图像块i的最高温度和步骤2得到的阵列平均温度的比值大小进行判断,具体准则如下:
其中的判定阈值由实验统计得到。
2.根据权利要求1所述的一种基于多帧温度特性的红外阵列图像热斑检测方法,其特征在于,所述步骤1)中,其中k根据经验取值为3。
3.根据权利要求1所述的一种基于多帧温度特性的红外阵列图像热斑检测方法,其特征在于,所述步骤2中根据连续多帧红外阵列图像的温度数据估计当前红外图像中阵列的平均温度的方法具体包括:
a)将多帧红外图像的温度数据放到同一个温度集合中,并统计得到实际温度的最小值T′min和最大值T′max;
b)以整数温度间隔划分温度区间,取总温度区间的左端点和右端点分别为与其中和分别表示向下取整和向上取整,则整数划分的温度区间为[Tmin,Tmin+1],[Tmin+1,Tmin+2],…,[Tmax-1,Tmax];
c)统计各温度区间内的像元数目,得到温度分布直方图;
d)将温度直方图的峰值所对应的温度作为阵列的平均温度
4.根据权利要求1所述的一种基于多帧温度特性的红外阵列图像热斑检测方法,其特征在于,所述步骤6中所述阈值Th2根据实验统计设置为1.6。
5.根据权利要求1所述的一种基于多帧温度特性的红外阵列图像热斑检测方法,其特征在于,所述步骤7对候选热斑根据周围8邻域图像块的温度梯度特性挑选出真正热斑的方法如下:
a)以步骤6中的每一候选热斑为中心,以5×5图像块为单位取周围的8邻域,若候选热斑位于图像边界,则周围邻域数目相应减小;
b)利用下式计算周围邻域内每一像元温度的垂直梯度幅值;
其中Tm,n是周围邻域内(m,n)位置的像元温度,是(m,n)位置温度的垂直方向上的梯度幅值;
c)计算周围邻域内温度垂直梯度幅值大于1的像元数目占周围邻域内总像元数目的比例,当比例小于0.5时,认为该候选热斑处于光伏阵列区域,判定为真的热斑,否则,认为该候选热斑处于背景区域,判定为虚假热斑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751855.1A CN107481237B (zh) | 2017-08-28 | 2017-08-28 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751855.1A CN107481237B (zh) | 2017-08-28 | 2017-08-28 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481237A CN107481237A (zh) | 2017-12-15 |
CN107481237B true CN107481237B (zh) | 2019-11-08 |
Family
ID=60604029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710751855.1A Active CN107481237B (zh) | 2017-08-28 | 2017-08-28 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481237B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108233867B (zh) * | 2017-11-30 | 2019-08-20 | 国电南瑞南京控制***有限公司 | 一种光伏阵列热斑实时检测装置及方法 |
CN108418550A (zh) * | 2018-03-16 | 2018-08-17 | 南京云思创智信息科技有限公司 | 集群太阳能板的缺陷检测和定位方法 |
CN108648468A (zh) * | 2018-04-28 | 2018-10-12 | 杭州天铂红外光电技术有限公司 | 利用温度计算车流量的方法 |
CN109308685A (zh) * | 2018-08-09 | 2019-02-05 | 南京邮电大学 | 基于阈值分割和k均值聚类的红外光伏阵列分割方法 |
CN109731258B (zh) * | 2018-12-19 | 2021-03-26 | 沈阳天眼智云信息科技有限公司 | 基于红外技术的变压器着火点监测及灭火方法和*** |
CN113674215B (zh) * | 2021-07-26 | 2024-05-31 | 浙江大华技术股份有限公司 | 光伏板的光斑识别方法、装置及计算机可读存储介质 |
CN115421046B (zh) * | 2022-09-16 | 2023-11-03 | 广东邦普循环科技有限公司 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别*** |
CN102013008A (zh) * | 2010-09-16 | 2011-04-13 | 北京智安邦科技有限公司 | 一种基于支持向量机的烟雾检测方法及装置 |
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN104899936A (zh) * | 2015-06-16 | 2015-09-09 | 深圳市联翼风电技术有限公司 | 一种基于图像识别的光伏组件故障提示方法及*** |
CN105262441A (zh) * | 2015-09-08 | 2016-01-20 | 西安交通大学 | 基于红外图像的光伏阵列故障等级划分方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106815838A (zh) * | 2017-01-22 | 2017-06-09 | 晶科电力有限公司 | 一种光伏组件热斑检测的方法以及*** |
CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及*** |
-
2017
- 2017-08-28 CN CN201710751855.1A patent/CN107481237B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别*** |
CN102013008A (zh) * | 2010-09-16 | 2011-04-13 | 北京智安邦科技有限公司 | 一种基于支持向量机的烟雾检测方法及装置 |
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN104899936A (zh) * | 2015-06-16 | 2015-09-09 | 深圳市联翼风电技术有限公司 | 一种基于图像识别的光伏组件故障提示方法及*** |
CN105262441A (zh) * | 2015-09-08 | 2016-01-20 | 西安交通大学 | 基于红外图像的光伏阵列故障等级划分方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106815838A (zh) * | 2017-01-22 | 2017-06-09 | 晶科电力有限公司 | 一种光伏组件热斑检测的方法以及*** |
CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107481237A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481237B (zh) | 一种基于多帧温度特性的红外阵列图像热斑检测方法 | |
CN107314819B (zh) | 一种基于红外图像的光伏电站热斑检测与定位方法 | |
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
Le et al. | Remote anomaly detection and classification of solar photovoltaic modules based on deep neural network | |
CN107749058B (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及*** | |
CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
CN102609951A (zh) | 光伏电池板遮荫部分的检测方法 | |
CN104573713B (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
Haidari et al. | Deep learning-based model for fault classification in solar modules using infrared images | |
CN112560619B (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN108830311A (zh) | 一种基于Adaboost的红外图像光伏阵列识别方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
CN114743115A (zh) | 一种光伏电子设备的遮挡物识别方法及故障预警*** | |
CN108665468A (zh) | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 | |
CN117876308A (zh) | 基于图像分析的光伏板检测方法 | |
CN103090946A (zh) | 果树单树产量测量的方法和*** | |
CN109308685A (zh) | 基于阈值分割和k均值聚类的红外光伏阵列分割方法 | |
Dissawa et al. | Cross-correlation based cloud motion estimation for short-term solar irradiation predictions | |
CN108596196A (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN104484653A (zh) | 一种基于图像识别技术的坏玉米粒检测方法 | |
CN114241522A (zh) | 现场作业安全穿戴识别方法、***、设备及存储介质 | |
CN109784336A (zh) | 一种基于yolo目标检测算法的红外图像故障点识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |