CN110266268A - 一种基于图像融合识别的光伏组件故障检测方法 - Google Patents
一种基于图像融合识别的光伏组件故障检测方法 Download PDFInfo
- Publication number
- CN110266268A CN110266268A CN201910563111.6A CN201910563111A CN110266268A CN 110266268 A CN110266268 A CN 110266268A CN 201910563111 A CN201910563111 A CN 201910563111A CN 110266268 A CN110266268 A CN 110266268A
- Authority
- CN
- China
- Prior art keywords
- image
- fault
- photovoltaic module
- thermal imaging
- infrared thermal
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000001931 thermography Methods 0.000 claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 238000005728 strengthening Methods 0.000 claims abstract description 4
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
- Image Analysis (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种基于图像融合识别的光伏组件故障检测方法，通过图像采集装置获取光伏组件的图像，包括红外热成像图像和可见光图像；利用基于强化KAZE算法的图像拼接算法对图像进行拼接；利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；基于故障类型的判断结果，进行故障发展趋势的预测；进行针对性维护措施的决策。
Description
技术领域
本发明属于光伏发电***故障检测领域，具体涉及一种基于图像融合识别的光伏组件故障检测方法。
背景技术
随着近年来光伏产业的迅猛发展，也对相应的运行维护工作提出了更高要求。在光伏组件的实际运行过程中，长期覆盖在光伏组件表面的灰尘和污染物（如鸟粪、落叶、无机盐结垢等）会对光伏组件造成严重影响：降低了光的透过率，实际光照强度和受光面积均大幅度减少，影响发电效率；散热不佳导致电能转化为热能的比例增大，其电能转换效率会降低30%~40%；此外，污染物长期存在于光伏组件上，还会引起热斑效应，一块约占光伏组件面积1/60的热斑将影响整体1/3的发电量，导致光伏组件的使用寿命至少减少10%，并对光伏组件造成不可逆损毁。
现有的集中式大型光伏电站投资大，运维***较为完善，但只是通过定期检查的方式来检测故障，难以及时发现故障，存在着较大的故障隐患；而逐渐兴起的运载工具光伏发电***和光伏路灯等分布式光伏发电***普遍存在着不巡检、不维护的问题，极易发生故障，造成不可逆的损失。且现有光伏运维方式只能进行故障发生后的识别与事后维修，不能做到故障预测与及时排除。
发明内容
本发明要解决的技术问题是：提供一种基于图像融合识别的光伏组件故障检测方法，省去光伏电站故障检测大量耗费的人力物力。
本发明为解决上述技术问题所采取的技术方案为：一种基于图像融合识别的光伏组件故障检测方法，其特征在于：它包括以下步骤：
S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；
S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接；
S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；
S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；
S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；
S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；
S7：基于故障类型的判断结果，进行故障发展趋势的预测；
S8、进行针对性维护措施的决策。
按上述方法，所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
按上述方法，所述的S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
按上述方法，所述的S6具体为：
S61、分别读取红外热成像图像和可见光图像的特征向量；
S62、通过卷积神经网络执行分类操作，获取初步检测结果；
S63、对特征向量进行像素划分、位置匹配；
S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
S65、将对比结果进行分析，获取二次检测结果。
按上述方法，所述的S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定该区域已产生特定故障；若得到不同故障表征，则再次读取该位置其他图像进行比对，重新进行判断，减小误判的可能性。
按上述方法，所述的S7具体为：
S71、基于故障类型的判断结果，判断该故障是否可发展严重；
S72、分析故障区域当前状态，划分故障程度；
S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
S74、获得故障是否会发展严重的结论。
按上述方法，所述的S8具体为：
S81、根据故障类型的判断结果划分故障等级；
S82、根据故障发展趋势的预测结果判断故障发展情况；
S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
本发明的有益效果为：将红外热成像图像和可见光图像融合识别的方式，显著提升了检测***的性能，并且能够有效实现故障的检测、发展趋势判断和应采取的运维措施，可应用于大型光伏阵列、运载工具光伏***和小型分布式光伏***，适用面广阔，且在提升检测效果的同时能显著降低人力物力的投入。
附图说明
图1为本发明一实施例的方法流程图。
图2为图像处理流程图。
图3为图像融合识别流程图。
图4为故障趋势预测流程图。
图5为维护方式决策流程图。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明提供一种基于图像融合识别的光伏组件故障检测方法，如图1所示，它包括以下步骤：
S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像。所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
S2至S4的步骤如图2所示。
S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接。S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
构造非线性尺度空间包括的具体方法为：通过可变传导扩散方法构建非线性尺度空间。
特征点检测和定位的具体方法为：在不同尺度空间中，为求出特征点对应的位置和尺度，将每个点与邻域中的点进行比较，以获取归一化后的矩阵局部极大值点。取得特征点位置后，根据泰勒展开式求解亚像素的精确位置。
特征向量的描述的具体方法为：为每个已确定点位置和主方向的特征点构建特征向量，并以每个特征点为中心，在梯度图像上取矩形窗口，进行划分和加权。
特征向量的匹配的具体方法为：使用两特征向量之间的欧氏距离对其进行匹配。
S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理。
S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理。
S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量。本步骤中的特征向量含义与S2中的特征向量含义相同，只是S5只提取光伏组件故障区域部分的特征向量。
S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型。如图3所示，S6具体为：
S61、分别读取红外热成像图像和可见光图像的特征向量；
S62、通过卷积神经网络执行分类操作，获取初步检测结果；
S63、对特征向量进行像素划分、位置匹配；
S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
S65、将对比结果进行分析，获取二次检测结果。S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定该区域已产生特定故障；若得到不同故障表征，则再次读取该位置其他图像进行比对，重新进行判断，减小误判的可能性。
S7：基于故障类型的判断结果，进行故障发展趋势的预测。如图4所示，S7具体为：
S71、基于故障类型的判断结果，判断该故障是否可发展严重；
S72、分析故障区域当前状态，划分故障程度；
S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
S74、获得故障是否会发展严重的结论。
S8、进行针对性维护措施的决策。如图5所示，S8具体为：
S81、根据故障类型的判断结果划分故障等级；
S82、根据故障发展趋势的预测结果判断故障发展情况；
S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
本发明提供一种基于图像融合识别的光伏组件故障检测方法，通过图像采集装置获取光伏组件的红外热成像图像和可见光图像，通过二值化、分割、拼接等方法进行图像处理，并利用卷积神经网络进行分类识别，判断光伏组件实时状态以及是否发生表面破损、材料老化脱落、热斑故障、栅线氧化腐蚀等常见故障，预测故障发展趋势，并提供相应维护建议。本发明利用图像识别技术，完成光伏组件的故障检测、故障趋势预测和维护方式决策，省去光伏电站故障检测大量耗费的人力物力。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (7)
1.一种基于图像融合识别的光伏组件故障检测方法，其特征在于：它包括以下步骤：
S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；
S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接；
S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；
S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；
S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；
S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；
S7：基于故障类型的判断结果，进行故障发展趋势的预测；
S8、进行针对性维护措施的决策。
2.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
3.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
4.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S6具体为：
S61、分别读取红外热成像图像和可见光图像的特征向量；
S62、通过卷积神经网络执行分类操作，获取初步检测结果；
S63、对特征向量进行像素划分、位置匹配；
S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
S65、将对比结果进行分析，获取二次检测结果。
5.根据权利要求4所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定该区域已产生特定故障；若得到不同故障表征，则再次读取该位置其他图像进行比对，重新进行判断，减小误判的可能性。
6.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S7具体为：
S71、基于故障类型的判断结果，判断该故障是否可发展严重；
S72、分析故障区域当前状态，划分故障程度；
S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
S74、获得故障是否会发展严重的结论。
7.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S8具体为：
S81、根据故障类型的判断结果划分故障等级；
S82、根据故障发展趋势的预测结果判断故障发展情况；
S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910563111.6A CN110266268B (zh) | 2019-06-26 | 2019-06-26 | 一种基于图像融合识别的光伏组件故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910563111.6A CN110266268B (zh) | 2019-06-26 | 2019-06-26 | 一种基于图像融合识别的光伏组件故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110266268A true CN110266268A (zh) | 2019-09-20 |
| CN110266268B CN110266268B (zh) | 2020-11-10 |
Family
ID=67922002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910563111.6A Active CN110266268B (zh) | 2019-06-26 | 2019-06-26 | 一种基于图像融合识别的光伏组件故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110266268B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738097A (zh) * | 2020-05-29 | 2020-10-02 | 理光软件研究所（北京）有限公司 | 一种目标分类方法、装置、电子设备和可读存储介质 |
| CN111815560A (zh) * | 2020-06-09 | 2020-10-23 | 理光软件研究所（北京）有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
| CN112164038A (zh) * | 2020-09-16 | 2021-01-01 | 上海电力大学 | 一种基于深度卷积神经网络的光伏热斑检测方法 |
| CN112288761A (zh) * | 2020-07-07 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种异常发热的电力设备检测方法、装置和可读存储介质 |
| CN112331228A (zh) * | 2020-10-12 | 2021-02-05 | 深圳市海洋王照明工程有限公司 | 一种故障处理方法及作业终端 |
| CN112465959A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于局部场景更新的变电站三维实景模型巡视方法 |
| CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及*** |
| CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
| CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及*** |
| CN113554610A (zh) * | 2021-07-19 | 2021-10-26 | 合肥阳光智维科技有限公司 | 一种光伏组件运行状态检测方法及其应用装置 |
| CN114205564A (zh) * | 2022-01-27 | 2022-03-18 | 濮阳职业技术学院 | 一种基于图像识别的监控信息处理*** |
| CN115169730A (zh) * | 2022-07-29 | 2022-10-11 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、***及存储介质 |
| CN116663749A (zh) * | 2023-07-28 | 2023-08-29 | 天津福天科技有限公司 | 一种基于元宇宙的光伏发电***预测管理方法 |
| CN117952973A (zh) * | 2024-03-26 | 2024-04-30 | 浙江明禾新能科技股份有限公司 | 一种基于轮廓匹配的光伏接线盒故障检测方法 |
| CN118072152A (zh) * | 2024-04-18 | 2024-05-24 | 国网山东省电力公司菏泽供电公司 | 一种基于图像融合的电力设备运行故障检测方法及*** |
| CN118264190A (zh) * | 2024-05-29 | 2024-06-28 | 江苏贝壳能源***集成有限公司 | 光伏电站光伏板的清洁***和方法 |
| CN118264190B (zh) * | 2024-05-29 | 2024-07-30 | 江苏贝壳能源***集成有限公司 | 光伏电站光伏板的清洁***和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160234466A1 (en) * | 2009-06-16 | 2016-08-11 | Leonard Pool | Intrinsically Safe Video Inspection System |
| CN106656035A (zh) * | 2016-12-13 | 2017-05-10 | 烟台中飞海装科技有限公司 | 一种光伏电站故障检测方法 |
| 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*** |
| CN106971380A (zh) * | 2017-03-13 | 2017-07-21 | 深圳市嘉和顺信息科技有限公司 | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 |
| CN107146201A (zh) * | 2017-05-08 | 2017-09-08 | 重庆邮电大学 | 一种基于改进图像融合的图像拼接方法 |
| CN107483014A (zh) * | 2017-06-16 | 2017-12-15 | 理光软件研究所（北京）有限公司 | 一种光伏板故障自动检测方法 |
-
2019
- 2019-06-26 CN CN201910563111.6A patent/CN110266268B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160234466A1 (en) * | 2009-06-16 | 2016-08-11 | Leonard Pool | Intrinsically Safe Video Inspection System |
| CN106656035A (zh) * | 2016-12-13 | 2017-05-10 | 烟台中飞海装科技有限公司 | 一种光伏电站故障检测方法 |
| 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*** |
| CN106971380A (zh) * | 2017-03-13 | 2017-07-21 | 深圳市嘉和顺信息科技有限公司 | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 |
| CN107146201A (zh) * | 2017-05-08 | 2017-09-08 | 重庆邮电大学 | 一种基于改进图像融合的图像拼接方法 |
| CN107483014A (zh) * | 2017-06-16 | 2017-12-15 | 理光软件研究所（北京）有限公司 | 一种光伏板故障自动检测方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738097A (zh) * | 2020-05-29 | 2020-10-02 | 理光软件研究所（北京）有限公司 | 一种目标分类方法、装置、电子设备和可读存储介质 |
| CN111738097B (zh) * | 2020-05-29 | 2024-04-05 | 理光软件研究所（北京）有限公司 | 一种目标分类方法、装置、电子设备和可读存储介质 |
| CN111815560A (zh) * | 2020-06-09 | 2020-10-23 | 理光软件研究所（北京）有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
| CN111815560B (zh) * | 2020-06-09 | 2024-04-05 | 理光软件研究所（北京）有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
| CN112288761B (zh) * | 2020-07-07 | 2022-08-30 | 国网江苏省电力有限公司常州供电分公司 | 一种异常发热的电力设备检测方法、装置和可读存储介质 |
| CN112288761A (zh) * | 2020-07-07 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种异常发热的电力设备检测方法、装置和可读存储介质 |
| CN112164038A (zh) * | 2020-09-16 | 2021-01-01 | 上海电力大学 | 一种基于深度卷积神经网络的光伏热斑检测方法 |
| CN112331228A (zh) * | 2020-10-12 | 2021-02-05 | 深圳市海洋王照明工程有限公司 | 一种故障处理方法及作业终端 |
| CN112465959A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于局部场景更新的变电站三维实景模型巡视方法 |
| CN112465959B (zh) * | 2020-12-17 | 2022-07-01 | 国网四川省电力公司电力科学研究院 | 基于局部场景更新的变电站三维实景模型巡视方法 |
| CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及*** |
| CN112465738B (zh) * | 2020-12-21 | 2023-05-05 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及*** |
| CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
| CN113139955B (zh) * | 2021-05-12 | 2024-02-27 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及*** |
| CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及*** |
| CN113554610A (zh) * | 2021-07-19 | 2021-10-26 | 合肥阳光智维科技有限公司 | 一种光伏组件运行状态检测方法及其应用装置 |
| CN114205564A (zh) * | 2022-01-27 | 2022-03-18 | 濮阳职业技术学院 | 一种基于图像识别的监控信息处理*** |
| WO2024021548A1 (zh) * | 2022-07-29 | 2024-02-01 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、***及存储介质 |
| CN115169730A (zh) * | 2022-07-29 | 2022-10-11 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、***及存储介质 |
| CN116663749A (zh) * | 2023-07-28 | 2023-08-29 | 天津福天科技有限公司 | 一种基于元宇宙的光伏发电***预测管理方法 |
| CN117952973A (zh) * | 2024-03-26 | 2024-04-30 | 浙江明禾新能科技股份有限公司 | 一种基于轮廓匹配的光伏接线盒故障检测方法 |
| CN118072152A (zh) * | 2024-04-18 | 2024-05-24 | 国网山东省电力公司菏泽供电公司 | 一种基于图像融合的电力设备运行故障检测方法及*** |
| CN118264190A (zh) * | 2024-05-29 | 2024-06-28 | 江苏贝壳能源***集成有限公司 | 光伏电站光伏板的清洁***和方法 |
| CN118264190B (zh) * | 2024-05-29 | 2024-07-30 | 江苏贝壳能源***集成有限公司 | 光伏电站光伏板的清洁***和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110266268B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110266268A (zh) | 一种基于图像融合识别的光伏组件故障检测方法 | |
| KR101772916B1 (ko) | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 | |
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| Hong et al. | A novel framework on intelligent detection for module defects of PV plant combining the visible and infrared images | |
| CN103954897A (zh) | 基于紫外成像的智能电网高压绝缘损坏监控***及方法 | |
| CN108280855A (zh) | 一种基于Fast R-CNN的绝缘子故障检测方法 | |
| CN104764748A (zh) | 定位绝缘子的方法、***以及故障检测的方法和*** | |
| CN109060826B (zh) | 一种不停机的风电叶片检测装置 | |
| CN105262441B (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
| CN114299033A (zh) | 一种基于YOLOv5的光伏板红外图像热斑检测方法及*** | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN112697798A (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| Shou et al. | Defect detection with generative adversarial networks for electroluminescence images of solar cells | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
| CN111652191A (zh) | 一种基于陆空两级光伏发电***的故障检测方法及*** | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| Prajapati et al. | Detection and Identification of faults in a PV Module using CNN based Algorithm | |
| CN110635768A (zh) | 一种光伏电站组件热斑故障自动检测装置及其工作方法 | |
| Huang et al. | Fault diagnosis for solar panels using convolutional neural network | |
| CN113657621A (zh) | 一种隐患监测方法和*** | |
| Ma et al. | Research on fault identification of ship PV system based on aerial photography image recognition | |
| CN116486307B (zh) | 一种基于视频分析技术的化工园区安全预警方法及*** | |
| CN113537341A (zh) | 基于大数据及自学习的线路隐患在线监测装置及识别方法 | |
| CN113469995B (zh) | 一种变电站设备热故障诊断方法及*** | |
| Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s |
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 |