CN111080691A - 一种光伏组件红外热斑检测方法、装置 - Google Patents

Abstract

本发明实施例提供了一种光伏组件红外热斑检测方法，方法包括：将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像；针对待检测红外图像进行分割，以分割出光伏区域红外图像；将光伏区域红外图像转换为灰度图像；针对每一个灰度阈值对灰度图像进行二值化处理，获得第一数量个二值化图像；根据第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，去除圆形大热斑中接线盒所造成的热斑，以及去除矩形大热斑中光照所造成的热斑。应用本发明实施例，提高热斑分析的准确率和提高分析效率。

Description

一种光伏组件红外热斑检测方法、装置

技术领域

本发明涉及太阳能发电技术领域，特别是涉及一种光伏组件红外热斑检测方法、装置。

背景技术

热斑效应是在实际发电过程中，光伏组件长期受到鸟粪、落叶、组件表面的灰尘等异物遮挡造成光伏组件产生局部的阴影现象，又或者光伏组件本身缺陷，引起光伏组件中某一个或某一组电池被当作负载，消耗其他有光照的电池组件所产生的电能，直接影响光伏组件的输出特性。热斑效应会对光伏组件电池片造成严重破坏，缩短其使用寿命，导致大型光伏电站发电成本增加。

若未能对热斑进行及时检查和有效排除，将大大降低大型光伏电站的发电量，为电站带来经济损失，甚至导致电池片烧毁、焊点融化、玻璃盖板炸裂等问题。所以加强热斑的检测对光伏电站的运维来说是至关重要的。

近年来，随着光伏电站数量和规模的增加，越来越多的光伏企业逐步摆脱传统的人工运维方法，借助无人机搭载红外摄像机对光伏电站进行运维检测。但目前仅能够实现对无人机拍摄的红外视频进行人工识别排查，自动化程度较低，且分析准确率低。

发明内容

本发明实施例的目的在于提供一种光伏组件红外热斑检测方法、装置，以提高热斑分析的准确率和提高分析效率。具体技术方案如下：

为达到上述目的，本发明实施例提供了一种光伏组件红外热斑检测方法，所述方法包括：

将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像；

使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，针对所述待检测红外图像进行分割，以分割出光伏区域红外图像；

将所述光伏区域红外图像转换为灰度图像；

设置第一数量个灰度阈值，并针对每一个灰度阈值对所述灰度图像进行二值化处理，获得第一数量个二值化图像；

根据所述第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；

针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向；

去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。

一种实现方式中，所述去除所述矩形大热斑中光照所造成的热斑的步骤，包括：

对所述矩形大热斑所对应的图像进行归一化处理；

差分计算图像水平方向梯度和垂直方向梯度；

将窗口划分为细胞单元，计算其梯度及方向，并对其分组加权；

将相邻的细胞单元组合成像素块，统计像素块直方图；

对梯度直方图归一化处理，收集HOG特征；

将HOG特征输入至SVM模型，获得SVM模型的输出结果，以确定是否为光照所造成的热斑；

其中，SVM模型为根据预先采集到的大量不同类型光伏电站中的太阳光照误检和矩形大热斑样本，所有样本转换为宽高32*64的样本图片，将光照和矩形大热斑样本图片分别进行标记并设置标签，对每个样本提取其HOG特征向量并调用计算函数计算其结果数组，存储样本矩阵及其类型标志；同时设置SVM训练参数，供SVM分类训练生成.xml文件，在热斑检测过程中调用此xml文件，对视频帧中分割出的检测组件进行HOG特征计算获得其结果数组并与SVM训练结果比对进行识别分类，能够准确区分矩形大热斑与光照误检，去除类似矩形大热斑的光照干扰。

一种实现方式中，所述除所述圆形大热斑中接线盒所造成的热斑的步骤，包括：

根据光伏组件接线盒的布局，采用图像掩膜的方法来设计接线盒检测函数，去除接线盒造成的圆形热斑。

一种实现方式中，圆形度计算所采用的公式表达为：

其中,E_cs是圆形度，Area为轮廓的面积，perimeter为轮廓的周长；。

面积的计算所采用的公式表达为：

其中，S是面积，D表示轮廓所围成的平面区域，L表示轮廓，P、Q表示区域上的函数；

凸度的计算所采用的公式表达为：

其中，T_u为凸度，S_Area表示轮廓面积的大小，S_ConvexHull表示轮廓凸包的面积；

惯性比率计算所采用的公式表达为：

其中，m_u是惯性比率，mu₂₀为轮廓的x方向2阶不变矩，mu₀₂为y方向2阶不变矩，mu₁₁为2阶中心不变矩；

矩形度计算所采用的公式表达为：

其中，J_u是矩形度，S_Area为斑点轮廓面积，S_MinRectArea为斑点轮廓的最小外接矩形面积；

主轴方向计算所采用的公式表达为

其中，θ表示主轴方向角，M₁₁表示二阶中心矩，M₂₀表示表示x方向二阶中心矩，M₀₂表示y方向二阶中心矩。

此外，本发明还公开了一种光伏组件红外热斑检测装置，包括：

分帧模块，用于将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像；

分割模块，用于通过使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，针对所述待检测红外图像进行分割，以分割出光伏区域红外图像；

转换模块，用于将所述光伏区域红外图像转换为灰度图像；

获得模块，用于设置第一数量个灰度阈值，并针对每一个灰度阈值对所述灰度图像进行二值化处理，获得第一数量个二值化图像；

确定模块，用于根据所述第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；

提取模块，用于针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向；

去除模块，用于去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。

本发明实施例提供的一种光伏组件红外热斑检测方法、装置，先获得光伏组件所对应的待检测红外图像；然后对待检测红外图像进行分割，以分割出光伏区域红外图像并转换为灰度图像；然后以第一数量个灰度阈值对灰度图像进行二值化处理，获得第一数量个二值化图像；从而根据第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向；然后去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。以解决现有技术中由于极限和和光照所造成的干扰，造成热斑分析不准确的问题，因此，本发明时候实施例提高了热斑分析的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的第一种光伏组件红外热斑检测方法的流程示意图；

图2为本发明实施例提供的红外摄像装置的灰度图示意图；

图3为本发明实施例提供的初步分析的热斑位置示意图；

图4为本发明实施例提供的最终确定的热斑示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为解决现有技术问题，本发明实施例提供了一种光伏组件红外热斑检测方法。

图1为本发明实施例提供的第一种光伏组件红外热斑检测方法，所述方法包括：

S101，将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像。

携带有红外摄像装置的无人机从开始飞行至其他检测点，在飞行过程中，无人机可以恒定的速度运行，其携带的红外摄像装置全程拍摄光伏电站中光伏组件的红外视频。

可以理解的是，无人机也可以变速运行。当无人机变速运行时，需要记录无人机的速度随时间的变化曲线，根据该曲线计算无人机运行的距离。在实际应用中，可以调节无人机的高度或者红外摄像装置的拍摄范围，以使红外摄像装置拍摄预设数量排的光伏组件，例如，可以将无人机的高度降低，使无人机携带的红外摄像装置仅拍摄两排光伏组件。也就是说，在红外摄像装置拍摄的红外视频的视频帧中，每一视频帧的纵向方向上仅包含两排光伏组件。另外，红外摄像装置可以为红外摄像头、红外热像仪等具有拍摄红外视频功能的装置。

将所获的的红外视频进行分帧处理，从而可以获得多个视频帧图像，具体的，如何进行红外视频图像的分帧处理为现有技术，本发明实施例在此不做赘述。

S102，使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，针对所述待检测红外图像进行分割，以分割出光伏区域红外图像。

红外图像中含有大量冗余信息，为了排除非光伏区域干扰，同时减小计算数据量，使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，取水平投影区域与垂直投影区域中光伏阵列的交集，来分割出检测的光伏区域，即检测感兴趣区域(ROI)。

S103，将所述光伏区域红外图像转换为灰度图像。

为了进一步减小计算数据量，通过使用颜色空间转换函数将分割出的光伏区域红外图像转换为灰度图像，示例性的，如图2所示。具体的，灰度图像的转换为现有技术，本发明实施例在此不做赘述。

S104，设置第一数量个灰度阈值，并针对每一个灰度阈值对所述灰度图像进行二值化处理，获得第一数量个二值化图像。

为了准确检测到组件热斑，防止较暗的热斑漏检，或检测到的较亮热斑远大于其本身的轮廓，将灰度图像使用阈值函数进行多灰度阈值等级的二值化分割。示例性的，以灰度值20为间隔在[50,200]来分解一张图片可获得分割阈值为[50,70,90,110,130,150,170,190]的8张图像，分别对这8张二值图像进行处理。

以阈值50为例，在像素点的像素值大于50时，则表示为50，否则为0；然后在阈值50的基础上增加灰度值20，即灰度阈值为70，示例性的，在像素点的像素值大于70时，则表示为70，否则为0，以此类推，可以以每一个灰度阈值进行二值化后均可以获得对应的二值化图像，因此，有多少个灰度阈值就能能够获得多少个二值化图像。

S105，根据所述第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取。

对这组灰度图像的每一幅使用findContours()轮廓提取函数进行轮廓提取，函数mode设置为CV_RETR_LIST检测所有轮廓，并设置method为CV_CHAIN_APPROX_NONE保存物体边界上所有连续的轮廓点到contours向量内，即针对每一个二值图化图像中的光伏组件异常区域，使用轮廓提取函数进行轮廓提取。

S106，针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向。

本发明实施例中，同一视频帧红外图像，计算多灰度等级不同阈值分割得到的二值图像中出现相同热斑的次数，多于预设次数次即认定为热斑，例如预设次数是三次。

针对每一个二值化图像所提取的轮廓进行特征计算，其中，特征至少包括圆形度、面积、凸度、惯性比、矩形度、主轴方向，以根据这些特征判断为圆形大热斑还是矩形大热斑。

对提取轮廓从以下几个方面进行分析：

(1)圆形度计算

圆形度就是用来描述所提取的轮廓与圆形的近似程度，此计算公式最大值取1即所提取的轮廓恰好为圆形时，具体表达为：

其中，Area为轮廓的面积，perimeter为轮廓的周长，由于存在椭圆形及圆形轮廓，设置的圆形度取值范围为0.2-1即可确定疑似热斑。

(2)面积的计算

面积的计算有较多种方式，通过统计目标区域像素个数的多少来作为轮廓的面积，利用封闭区域的曲线积分与面积的关系来计算面积的大小，即计算图像轮廓内像素点的个数，此种计算速度一般比较快，且计算出来的面积较准确，表达如下：

其中：D表示轮廓所围成的平面区域，L表示轮廓，P、Q表示区域上的函数。

(3)凸度的计算

凸度主要用来表示一个顶点的弧度的大小，弧度越小越接近直线，当其取值为1是则表示为圆形，凸度作为筛选具有弧度图形的重要参数在计算中经常使用，其计算为：

其中：S_Area表示轮廓面积的大小，S_ConvexHull表示轮廓凸包的面积。该式的取值一般为大于等于0.3即可。

(4)惯性比率计算

惯性比率主要用来查看轮廓区域的椭形度，在热斑的识别中也是一个重要的参数，计算式为：

其中：mu₂₀为轮廓的x方向2阶不变矩，mu₀₂为y方向2阶不变矩，mu₁₁为2阶中心不变矩。

(5)矩形度计算

矩形度的计算是针对矩形大热斑的识别，矩形大热斑的形成一般与组件电池的电气连接故障有关，图像显示为延组件的长边扩展的矩形高亮区域，矩形度的计算式为：

其中，S_Area为斑点轮廓面积，S_MinRectArea为斑点轮廓的最小外接矩形面积。

(6)主轴方向计算

主轴表示一个区域中最长轴所处的方向，主要用来识别不同形状的物体的指方向，其计算公式式6为：

其中：θ表示主轴方向角，M₁₁表示二阶中心矩，M₂₀表示表示x方向二阶中心矩，M02表示y方向二阶中心矩。

圆形热斑的检测结果中包含接线盒干扰造成的热斑误检。矩形大热斑得检测结果包括光照干扰造成的矩形大热斑误检，如图3所示。

图3热斑检测结果可能包括圆形热斑、矩形大热斑、光照干扰、接线盒干扰，图3中的矩形框所所终的范围是组串中间呈现规律性排布的斑点为光伏组件接线盒，接线盒由于存在大量的阻性元器件，在组件正常工作时会散发较多热量而呈现热斑的特征，会对检测结果造成严重干扰。对于接线盒干扰，由于接线盒在组件上的排布具有规律性，主要集中于组串中间线上下。

S107，去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。

由于由于矩形大热斑和光照区的相似性，所以需要去除其中的光照区所带来的误判影响，从而获得真正的矩形热斑。

以及，每个光伏组件都存在接线盒，其内包含大量的阻性元器件，发电过程中会产生大量热量并在红外图像中呈现热斑特征，造成热斑检测干扰。由于接线盒在组件上的排布具有规律性，在进行热斑检测时据此设计接线盒检测函数，并在热斑检测结果中剔除。

对于矩形大热斑，由于光照的干扰与矩形大热斑主要区别在于其边缘的变化，此区别在轮廓上的区别并不明显，只能分析其内部的纹理变化区别。采取HOG特征分析热斑区和光照区的内部特征然后用得到的特征数据训练SVM，用训练完成的模型来区别矩形大热斑和光照干扰，从而确定矩形大热斑。

方向梯度直方图特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。通过差分计算出图像在水平方向和竖直方向上的梯度：

f_x(x，y)＝f(x，y)-f(x+1，y)

f_y(x，y)＝f(x，y)-f(x，y+1)

其中，f(x，y)为图像函数，f_x(x，y)为x方向梯度，f_y(x，y)为y方向梯度，(x，y)为像素的坐标。

然后得到各个像素点的梯度的幅值和方向，表达为：

其中，

为梯度的幅值，

为方向角。

SVM模型是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析，是一种比较成熟的分类器。在热斑检测中用作热斑和光照的分类。

本发明使用HOG与SVM相结合的方法进行矩形大热斑识别，首先准备若干相同尺度的矩形大热斑图像(正样本)和光照干扰图像(负样本)，分别提取其HOG特征。根据采集到的HOG特征向量，供SVM分类训练生成.xml文件。在热斑检测过程中调用此xml文件，对检测组件进行特征计算并识别分类，能够准确区分矩形大热斑与光照误检，去除类似矩形大热斑的光照干扰。

整理热斑检测结果，根据光照跟随视频移动的特点，若遍历该热斑坐标在检测结果中有且仅只出现1次，认定此结果为光照造成的热斑误检。针对光照造成的矩形大热斑误检采用提取分析光伏组件HOG特征并使用SVM对矩形大热斑和光照干扰进行分类识别的方法去除光照造成的矩形大热斑误检，排除干扰后热斑检测结果，如图4所示。

示例性的，使用提出的热斑算法对江苏某一渔光互补式电站进行检测，选取45个视频素材进行测试，对比人工检测和算法检测得到的结果，可得到本检测算法的性能。热斑检测算法测试结果表如表1所示。

表1

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质、***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (5)

1.一种光伏组件红外热斑检测方法，其特征在于，所述方法包括：

将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像；

通过使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，针对所述待检测红外图像进行分割，以分割出光伏区域红外图像；

将所述光伏区域红外图像转换为灰度图像；

设置第一数量个灰度阈值，并针对每一个灰度阈值对所述灰度图像进行二值化处理，获得第一数量个二值化图像；

根据所述第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；

针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向；

去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。

2.根据权利要求1所述的光伏组件红外热斑检测方法，其特征在于，所述去除所述矩形大热斑中光照所造成的热斑的步骤，包括：

对所述矩形大热斑所对应的图像进行归一化处理；

差分计算图像水平方向梯度和垂直方向梯度；

将窗口划分为细胞单元，计算其梯度及方向，并对其分组加权；

将相邻的细胞单元组合成像素块，统计像素块直方图；

对梯度直方图归一化处理，收集HOG特征；

将HOG特征输入至SVM模型，获得SVM模型的输出结果，以确定是否为光照所造成的热斑；

其中，SVM模型为根据预先采集到的大量不同类型光伏电站中的太阳光照误检和矩形大热斑样本，将所有样本转换为宽高32*64的样本图片，将光照和矩形大热斑样本图片分别进行标记并设置标签，对每个样本提取其HOG特征向量并调用计算函数计算其结果数组，存储样本矩阵及其类型标志，同时设置SVM训练参数，供SVM分类训练生成.xml文件，在热斑检测过程中调用此xml文件，对视频帧中分割出的检测组件进行HOG特征计算获得其结果数组并与SVM训练结果比对进行识别分类，能够准确区分矩形大热斑与光照误检，去除类似矩形大热斑的光照干扰。

3.根据权利要求1或2所述的光伏组件红外热斑检测方法，其特征在于，所述除所述圆形大热斑中接线盒所造成的热斑的步骤，包括：

根据光伏组件接线盒的布局，采用图像掩膜的方法来设计接线盒检测函数，去除接线盒造成的圆形热斑。

4.根据权利要求3所述的光伏组件红外热斑检测方法，其特征在于，圆形度计算所采用的公式表达为：

其中,E_cs是圆形度，Area为轮廓的面积，perimeter为轮廓的周长；

面积的计算所采用的公式表达为：

其中，S是面积，D表示轮廓所围成的平面区域，L表示轮廓，P、Q表示区域上的函数；

凸度的计算所采用的公式表达为：

其中，T_u为凸度，S_Area表示轮廓面积的大小，S_ConvexHull表示轮廓凸包的面积；

惯性比率计算所采用的公式表达为：

其中，m_u是惯性比率，mu₂₀为轮廓的x方向2阶不变矩，mu₀₂为y方向2阶不变矩，mu₁₁为2阶中心不变矩；

矩形度计算所采用的公式表达为：

其中，J_u是矩形度，S_Area为斑点轮廓面积，S_MinRectArea为斑点轮廓的最小外接矩形面积；

主轴方向计算所采用的公式表达为

其中，θ表示主轴方向角，M₁₁表示二阶中心矩，M₂₀表示表示x方向二阶中心矩，M₀₂表示y方向二阶中心矩。

5.一种光伏组件红外热斑检测装置，其特征在于，包括：

分帧模块，用于将光伏组件所对应的红外视频进行视频分帧处理，将帧图像作为待检测红外图像；

分割模块，用于通过使用水平投影分割划分光伏阵列上下边界，垂直投影分割划分左右边界，将水平投影分割与垂直投影分割相结合，针对所述待检测红外图像进行分割，以分割出光伏区域红外图像；

转换模块，用于将所述光伏区域红外图像转换为灰度图像；

获得模块，用于设置第一数量个灰度阈值，并针对每一个灰度阈值对所述灰度图像进行二值化处理，获得第一数量个二值化图像；

确定模块，用于根据所述第一数量个二值化图像，确定光伏组件异常区域，并使用轮廓提取函数进行轮廓提取；

提取模块，用于针对所提取的轮廓进行特征计算，根据计算结果和预先设定的取值范围判定圆形大热斑和矩形大热斑，其中，所述特征至少包括：圆形度、面积、凸度、惯性比、矩形度、主轴方向；

去除模块，用于去除所述圆形大热斑中接线盒所造成的热斑，以及去除所述矩形大热斑中光照所造成的热斑。

Images