CN111815560A - 光伏电站故障检测方法、装置、便携检测设备及存储介质 - Google Patents
光伏电站故障检测方法、装置、便携检测设备及存储介质 Download PDFInfo
- Publication number
- CN111815560A CN111815560A CN202010517155.8A CN202010517155A CN111815560A CN 111815560 A CN111815560 A CN 111815560A CN 202010517155 A CN202010517155 A CN 202010517155A CN 111815560 A CN111815560 A CN 111815560A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- image
- detection result
- fault
- visible light
- 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 496
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000013507 mapping Methods 0.000 claims description 32
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000712 assembly Effects 0.000 description 5
- 238000000429 assembly Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20088—Trinocular vision calculations; trifocal tensor
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请公开了光伏电站故障检测方法、装置、便携检测设备及存储介质,该方法通过获取光伏板组件的故障检测图像;利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度不大于预设阈值的情况下,将故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果并确定最终故障检测结果。本申请有益效果在于:将终端检测与云端检测相结合对光伏板组件的图像直接进行检测,能够快速、高效给出光伏板组件的故障信息,而不是仅能够定位到现有技术所达到的光伏板整体,故障定位范围更小、检测结果更精准,且算法简单、计算量小、适用范围广。
Description
技术领域
本申请涉及光伏发电技术领域,具体涉及光伏电站故障检测方法、装置、便携检测设备及存储介质。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术,光伏电站是被鼓励发展的绿色电力开发能源项目,光伏电站巡检时维护电站安全的一项重要日常工作。目前,光伏电站运维巡检主要有三种模式,分别是无人机巡检、机器人巡检以及人工日常巡检,但是这三种技术手段都存在很多不足之处,如无人机只能检查出光伏板正面的故障;机器人巡检速度慢,并且由于地形的限制,很多电站无法使用,且集成于无人机或机器人端的故障检测方法,算法复杂,计算能力弱,给出的故障信息准确度和精确度均偏低;而人工日常巡检效率低下,辅助巡检工具匮乏。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的光伏电站故障检测方法、装置、便携检测设备及存储介质。
依据本申请的一方面,提供了一种光伏电站故障检测方法,该方法包括:
获取光伏板组件的故障检测图像;
利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;
在故障检测准确度大于预设阈值的情况下,根据第一故障检测结果确定最终故障检测结果;
在故障检测准确度不大于预设阈值的情况下,将故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;
根据第二故障检测结果确定最终故障检测结果。
可选的,在上述方法中,获取光伏板组件的故障检测图像包括:
获取光伏板组件的可见光图像和相应的红外图像;
根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像;
将可见光图像和红外矫正图像作为故障检测图像。
可选的,在上述方法中,根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像包括:
对可见光图像进行畸变矫正,得到可见光矫正图像;
根据可见光矫正图像确定可见光图像相对于相机的拍摄距离;
根据拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像。
可选的,在上述方法中,根据可见光矫正图像确定可见光图像相对于相机的拍摄距离包括:
对可见光矫正图像进行边缘检测,得到光伏板组件的边缘和角点,确定与可见光图像对应的投影映射矩阵;
根据投影映射矩阵确定各个像素点相对于相机光心的坐标;
根据各个像素点相对于相机光心的坐标确定拍摄距离。
可选的,在上述方法中,利用终端故障检测模型对故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度包括:
利用终端故障检测模型和红外矫正图像进行故障检测,得到终端红外矫正图像检测结果;
在根据终端红外矫正图像检测结果确定光伏板组件存在故障的情况下,利用终端故障检测模型和可见光图像进行故障检测,得到终端可见光图像检测结果;
根据终端红外矫正图像检测结果和终端可见光图像检测结果确定第一故障检测结果及故障检测准确度。
可选的,在上述方法中,云端故障检测模型是基于深度学习方法实现的;
基于云端故障检测模型和故障检测图像进行故障检测包括:
基于云端故障检测模型和故障检测图像得到云端初步检测结果;
根据云端初步检测结果,以及光伏板组件的历史信息和空间信息确定第二故障检测结果。
可选的,在上述方法中,第一故障检测结果和第二故障检测结果均包括:光伏板组件的故障部分在图像中的相对位置信息;
最终故障检测结果包括根据所述相对位置信息确定的故障部分的地理位置信息。
可选的,在上述方法中,故障部分的地理位置信息是采用如下方法确定的:
根据光伏电站的整体地理信息确定整体地理信息的投影映射矩阵及其逆矩阵;
根据故障检测图像的拍摄位置信息与投影映射矩阵的逆矩阵确定拍摄位置的投影信息;
根据整体地理信息的投影映射矩阵、拍摄位置的投影信息、以及相对位置信息确定故障部分的地理位置信息。
依据本申请的另一方面,提供了一种光伏电站故障检测装置,该装置包括:
获取单元,用于获取光伏板组件的故障检测图像;
检测单元,用于利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度大于预设阈值的情况下,根据所述第一故障检测结果确定最终故障检测结果;
通信单元,用于在故障检测准确度不大于预设阈值的情况下,将所述故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;
所述检测单元,还用于根据所述第二故障检测结果确定最终故障检测结果。
可选的,在上述装置中,获取单元,用于获取光伏板组件的可见光图像和相应的红外图像;根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像;将可见光图像和红外矫正图像作为故障检测图像。
可选的,在上述装置中,获取单元,用于对可见光图像进行畸变矫正,得到可见光矫正图像;根据可见光矫正图像确定可见光图像相对于相机的拍摄距离;根据拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像。
可选的,在上述装置中,获取单元,用于对可见光矫正图像进行边缘检测,得到光伏板组件的边缘和角点,确定与可见光图像对应的投影映射矩阵;根据投影映射矩阵确定各个像素点相对于相机光心的坐标;根据各个像素点相对于相机光心的坐标确定拍摄距离。
可选的,在上述装置中,检测单元,用于利用终端故障检测模型和红外矫正图像进行故障检测,得到终端红外矫正图像检测结果;在根据终端红外矫正图像检测结果确定光伏板组件存在故障的情况下,利用终端故障检测模型和可见光图像进行故障检测,得到终端可见光图像检测结果;根据终端红外矫正图像检测结果和终端可见光图像检测结果确定第一故障检测结果及故障检测准确度。
可选的,在上述装置中,云端故障检测模型是基于深度学习方法实现的;通信单元,用于基于云端故障检测模型和故障检测图像得到云端初步检测结果;根据云端初步检测结果,以及光伏板组件的历史信息和空间信息确定第二故障检测结果。
可选的,在上述装置中,第一故障检测结果和第二故障检测结果均包括:光伏板组件的故障部分在图像中的相对位置信息;最终故障检测结果包括根据所述相对位置信息确定的故障部分的地理位置信息。
可选的,在上述装置中,检测单元,用于根据光伏电站的整体地理信息确定整体地理信息的投影映射矩阵及其逆矩阵;根据故障检测图像的拍摄位置信息与投影映射矩阵的逆矩阵确定拍摄位置的投影信息;根据整体地理信息的投影映射矩阵、拍摄位置的投影信息、以及相对位置信息确定故障部分的地理位置信息。
依据本申请的又一方面,提供了一种便携检测设备,其中,该便携检测设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,可执行指令在被执行时使处理器执行如上任一的方法。
依据本申请的再一方面,提供了一种计算机可读存储介质,其中,计算机可读存储介质存储一个或多个程序,一个或多个程序当被处理器执行时,实现如上任一的方法。
由上述可知,本申请的技术方案,通过获取光伏板组件的故障检测图像;利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度大于预设阈值的情况下,根据第一故障检测结果确定最终故障检测结果;在故障检测准确度不大于预设阈值的情况下,将故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;根据第二故障检测结果确定最终故障检测结果。本申请的有益效果在于:将终端检测与云端检测相结合对光伏板组件的图像直接进行检测,能够快速、高效给出光伏板组件的故障信息,而不是仅能够定位到现有技术所达到的光伏板整体,故障定位范围更小、检测结果更精准,且算法简单、计算量小、适用范围广。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本申请一个实施例的光伏电站故障检测方法的流程示意图;
图2示出了根据本申请另一个实施例的光伏电站故障检测方法的流程示意图;
图3示出了根据本申请一个实施例的光伏电站故障检测装置的结构示意图;
图4示出了根据本申请一个实施例的便携检测设备的结构示意图;
图5示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请的构思在于,将终端检测方法与云端检测方法相结合,并直接对光伏板组件的图像进行检测,不仅算法简单,计算速度快,准确度高,且能够给出某个光伏板组件的故障信息,相对现有技术,能够做到定位范围信息更精准。
图1示出了根据本申请一个实施例的光伏电站故障检测方法的流程示意图,该方法包括:
步骤S110,获取光伏板组件的故障检测图像。
光伏板组件可以理解为组成光伏板的零件,光伏板也叫光伏发电板,又称太阳能电池板(Solar panel),是由若干个光伏板组件按一定方版式组装在一块板上的组装件,通常作为光伏方阵的一个单元。本申请中的光伏板组件包括但不限于玻璃、电池、背板、铝合金、接线盒等等。
光伏板组件的故障检测图像的获取可采用相机拍照或录制的方式,如通过设置于人工巡检设备上的相机,或者机器人的相机等方式实现。需要说明的是,想要获得清晰的光伏板组件的照片,相机距离目标拍摄点的距离不能过大,优选在10米以内,更优选在6米以内。
步骤S120,利用终端故障检测模型和故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度。
利用终端检测故障模型对上述获得的故障检测图像进行故障检测,其中,终端检测故障模型由于要集成在终端,由于设备体积以及质量等方面的约束,推荐终端检测故障模型采用相对轻量的算法。
设备故障形式多样,往往可能通过某些表象,如温度、振动、声学等展现出来,光伏板组件常见故障的特点表现为形状发生变化、组件破裂、组件安装错误等,更易以温度图像形式直接表征。
基于数字图像处理技术进行故障检测主要涉及图像处理、图像特征描述、相似度检测即模板匹配等方面,还包括算法的处理速度、检测准确率、抗噪性能分析等方面。
由于光线、污渍、拍摄角度等一些原因,获得的故障检测图像可能存在不清晰,方向倒置等问题,因此,可以在对故障检测前,对获得的故障检测图像进行预处理,预处理的手段包括但不限于:灰度矫正、滤波处理、图像恢复、边缘提取、自适应阈值分割等操作,为后续的故障检测做好准备,以进一步提高故障检测准确度,对于图像的预处理为可选步骤,本申请不做限制。
在得到预处理后的故障检测图像,即可开始对图像进行分析与识别,先要对故障检测图像的特征进行描述,特征提取方法可采用现有技术中的任意一种,如:哈尔(Haar)特征提取法、LBP(Local Binary Pattern局部二值模式)特征提取法、SIFT(Scale-invariantfeature transform,尺度不变特征变换)特征提取法等,机器学习模型的结构可以采用卷积神经网络(Convolutional Neural Networks,CNN)等。
最后是对得到的图像特征进行模型匹配,举例而言,可以根据终端故障检测模型的学习结果,将得到的图像特征与训练图像的图像特征做对比,如果二者的相似度大于某一阈值,可直接将该故障检测图像标注与训练图像相同的标签;也可以将故障检测设置为一分类问题,如可先确定该故障检测图像是否有可疑故障部分,若有则标注为1,若没有则标注为0,再进一步对有可疑障碍点的图像继续检测。
经过上述步骤,即可得到第一故障检测结果,第一故障检测结果可以包括但不限于与故障检测图像相对应的光伏板组件的故障编号、地理位置、故障类型等,更进一步的,本申请还需要确定该次故障检测的准确度,故障检测准确度的确定可根据预设公式计算得来。
步骤S130,在故障检测准确度大于预设阈值的情况下,根据第一故障检测结果确定最终故障检测结果。
由于终端设备的限制,集成于终端的模型的计算能力是有限的,为了保障信息故障检测的准确性,预先设置一预设阈值,将在通过终端故障检测模型获得的故障检测准确率与该预设阈值进行比较,若故障检测准确率大于预设阈值,则直接根据通过终端故障检测模型获得的第一故障检测结果确定最终的故障检测结果,如将第一故障检测结果直接作为最终故障检测结果,并对故障信息进行输出。
步骤S140,在故障检测准确度不大于预设阈值的情况下,将故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果。
承上所述,若故障检测准确率不大于预设阈值,则说明该次故障检测值得验证。终端设备需要射频连接服务器,在服务器中设置有云端故障检测模型,由于服务器强大的计算能力,为了保障故障检测的准确性,云端故障检测模型推荐采用相对重量、严格的学习和检测方法。终端设备将故障检测图上传至服务器,使服务器基于云端故障检测模型对所述故障检测图像进行故障检测,步骤与终端故障检测设备一致,不再赘述。经过云端故障检测模型的检测,获得第二故障检测结果。
第二故障检测结果可以包括但不限于与故障检测图像相对应的光伏板组件的故障编号、地理位置、故障类型等,还可以包括故障检测准确度等信息。
步骤S150,根据第二故障检测结果确定最终故障检测结果。
在获得第二故障检测结果后,可直接将第二故障检测结果作为最终的故障检测结果,也可以对第二故障检测结果做出筛选,如同第一故障检测结果一样,预设一预设阈值,若本次故障检测准确度,则淘汰本次检测结果,这样更进一步提高了故障检测的准确性。
由图1所述方法可以看出,本申请将终端检测与云端检测相结合对光伏板组件的图像直接进行检测,能够快速、高效给出光伏板组件的故障信息,而不是仅能够定位到现有技术所达到的光伏板整体,因此,故障定位范围更小、检测结果更精准,且算法简单、计算量小、适用范围广。本申请提供的方法可以集成于各种终端设备中,尤其适用于质量轻、体积小的手持故障检测设备。
根据本申请的一个实施例,在上述方法中,获取光伏板组件的故障检测图像包括:获取光伏板组件的可见光图像和相应的红外图像;根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像;将可见光图像和红外矫正图像作为故障检测图像。
光伏板组件的故障常常以温度变化表现出来,自然界中,一切物体都可以辐射红外线,因此利用探测仪测量目标本身与背景间的红外线差可以得到不同的热红外线形成的红外图像。本实施例中,可通过可见光相机与红外相机联合起来,也可采用可见光与红外一体的相机获取光伏板组件的可见光图像和相应的红外图像。
红外图像由于受到一些因素的影响,往往存在某些缺陷,如受探测***的主光轴与地面法线的夹角的影响,使得红外图像产生了很大的畸变;又或者红外相机中的红外探测器固有的非均匀性的问题等。因此,本实施例中,根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像,矫正的方法可以为但不限于畸变矫正、一点或两点矫正法对非均匀性进行矫正。
根据本申请的一个实施例,在上述方法中,根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像包括:对可见光图像进行畸变矫正,得到可见光矫正图像;根据可见光矫正图像确定可见光图像相对于相机的拍摄距离;根据拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像。
除上述影响因素外,红外图像还容易受到环境因素影响,而发生温度漂移问题,因此,优选对红外图像的温度进行矫正。
首先,对可见光图像进行畸变矫正,畸变矫正已知的是畸变后的图像,要得到没有畸变的图像就要通过畸变模型推导其映射关系,通过映射关系得到没有畸变的图像,即所述可见光矫正图像。
然后,确定根据可见光矫正图像并结合相机参数确定可见光图像相对于相机的拍摄距离,拍摄距离即相机镜头到被摄物体的实际距离,如可对可见光矫正图像进行分割得出其中的目标物体,然后对目标物体进行深度处理得到其深度图像信息,然后根据深度图像信息获取相应的可见光图像相对于相机的拍摄距离。
最后,根据拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像,具体的,根据拍摄距离结果,计算出可见光矫正图像的每一个像素点精准温度值,从而提升红外图片质量,其中,温度计算公式如式(1)~(3)所述:
Tr=Tp+F(x) (1)
F(x)=Tr-Tp (2)
Tx=a·ek·x+b (3)
其中,Tr为温度校准值;Tp为温度测量值;a为温度模型权重系数;b为温度模型偏置系数;k为环境系数常量;x为拍摄距离。
根据本申请的一个实施例,在上述方法中,根据可见光矫正图像确定可见光图像相对于相机的拍摄距离包括:对可见光矫正图像进行边缘检测,得到光伏板组件的边缘和角点,确定与可见光图像对应的投影映射矩阵;根据投影映射矩阵确定各个像素点相对于相机光心的坐标;根据各个像素点相对于相机光心的坐标确定拍摄距离。
本申请推荐一种拍摄距离的计算方法,作为一种优选方案,具体的,对可见光矫正图像进行边缘检测,边缘检测方法可以为现有技术中的任意一种,包括但不限于RobertsCross算子,Prewitt算子,Sobel算子,Canny算子,Laplacian算子等,得到光伏板组件的边缘和角点,以光伏板表面的玻璃为例,具有四个角点,边缘一般为一长方形状,根据边缘检测结果,确定与该可见光图像对应的在相机坐标系中的投影映射矩阵。
根据投影映射矩阵确定各个像素点相对于相机光心的坐标,相机坐标系是以相机的聚焦中心即相机光心为原点,以光轴为Z轴建立的三维直角坐标系,其中,x轴与y轴与图像的x,y轴平行,z轴为相机光轴,它与图形平面垂直。在得倒该可见光图像对应的在相机坐标系中的投影映射矩阵后,即可确定可见光矫正图像的各个像素点相对于相机光心的坐标,用(X,Y,Z)表示。
最后,计算出拍摄距离d,数学表达公式为式(4):
根据本申请的一个实施例,在上述方法中,利用终端故障检测模型对故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度包括:利用终端故障检测模型和红外矫正图像进行故障检测,得到终端红外矫正图像检测结果;在根据终端红外矫正图像检测结果确定光伏板组件存在故障的情况下,利用终端故障检测模型和可见光图像进行故障检测,得到终端可见光图像检测结果;根据终端红外矫正图像检测结果和终端可见光图像检测结果确定第一故障检测结果及故障检测准确度。
本实施例推荐一种可用于终端故障检测模型的轻量级的算法,作为一种优选方案。
如果光伏板组件出现故障,很明显的显现于红外图像中,但是想在红外图像中甄别出具体出现了何种故障往往是比较困难的,需要严格的算法;而在可见光图像中确定故障类型是比较容易的,尤其是对于高清的可见光如像来讲。
本实施例通过先检测红外矫正图像,确定其是否存现故障,这是一个简单的二分类问题,在红外矫正图像中不存在可疑故障的情况下,直接将此次检测结果作为第一故障检测结果,即直接认为该红外矫正图像所对应的光伏板组件不存在故障。
在红外矫正图像中存在可疑故障的情况下,再对可见光图像进行故障检测,最后根据终端故障检测模型对红外矫正图像可见光图像的检测结果联合确定第一故障检测结果及故障检测准确度。
进一步,为了模型更加轻量化,在对可见光图像进行故障检测时,也可设置为多分类问题,可比回归问题节省计算资源,提高计算效率。
根据本申请的一个实施例,在上述方法中,云端故障检测模型是基于深度学习方法实现的;基于云端故障检测模型和故障检测图像进行故障检测包括:基于云端故障检测模型和故障检测图像得到云端初步检测结果;根据云端初步检测结果,以及光伏板组件的历史信息和空间信息确定第二故障检测结果。
在需要云端对终端发送的存在可疑故障部分的故障检测图像进行检测时,为了进一步提高检测的准确性和检测结果的可靠性,可以将光伏板组件的历史信息与空间信息融合在检测结果中。
如根据光伏板组件的曾经是否出现故障、维修维护次数、是否处于电站风险较高的地理位置等信息相应的增减存在故障的概率。
进一步的,云端可以根据光伏板组件的变化信息,对集成在终端的故障识别模型进行更新,并定期发送至终端。
根据本申请的一个实施例,在上述方法中,第一故障检测结果和第二故障检测结果均包括:光伏板组件的故障部分在图像中的相对位置信息;最终故障检测结果包括根据所述相对位置信息确定的故障部分的地理位置信息。
故障信息中非常重要的一项就是故障部分处于电站中的地理位置,以便电站的工作人员迅速锁定故障部分进行维修。
在第一故障检测结果和第二故障检测结果均包括光伏板组件的故障部分在图像中的相对位置信息的前提下,通过确定故障检测图像对应的光伏板组件在电站中的位置信息,即可得出故障部分在电站中的地理位置信息。
根据本申请的一个实施例,在上述方法中,故障部分的地理位置信息是采用如下方法确定的:根据光伏电站的整体地理信息确定整体地理信息的投影映射矩阵及其逆矩阵;根据故障检测图像的拍摄位置信息与投影映射矩阵的逆矩阵确定拍摄位置的投影信息;根据整体地理信息的投影映射矩阵、拍摄位置的投影信息、以及相对位置信息确定故障部分的地理位置信息。
本实施例推荐一种故障部分的地理位置信息的确定方法,该方法能够获得故障部分的高精度地理位置。
首先,将电站的整体地理信息投影在坐标系中,确定整体地理信息的投影映射矩阵及其逆矩阵。将故障检测图像的拍摄位置的矩阵带入整体地理信息的投影矩阵的逆矩阵中,可计算出故障检测图像的拍摄位置的投影矩阵。
然后,将故障部分在故障检测图像中的相对位置的投影矩阵、故障检测图像的拍摄位置的投影矩阵带入至整体地理信息的投影映射矩阵中求解,可获得故障部分的高精度地理定位信息。
图2示出了根据本申请另一个实施例的光伏电站故障检测方法的流程示意图。
获取光伏板组件的可见光图像以及对应的红外图像,根据可见光图像信息对与其对应的红外图像进行温度矫正,得到红外矫正图像,将可见光图像和红外矫正图像作为故障检测图像。
基于终端故障检测模型对红外矫正图像进行故障检测,初步判断红外矫正图像对应的光伏板组件是否存在故障,在初步确定光伏板组件不存在故障的情况下,确定本次故障检测结果准确度,并判断其是否大于预设阈值,若大于,则确认故障检测图像对应的光伏板组件不存在故障,并作为最终故障检测结果,整个故障检测流程结束。
在初步确定光伏板组件存在故障的情况下,则基于终端故障检测模型对可见光图像进行故障检测,输出第一故障检测结果及故障检测准确度,并判断其是否大于预设阈值,若大于,则将第一故障检测结果作为最终故障检测结果,整个故障检测流程结束。
若不大于,则将故障检测图像上传至服务器,基于云端故障检测模型进行二次检测,并联合光伏板组件的历史信息和空间信息,确定第二故障检测结果作为最终故障检测结果,整个故障检测流程结束。
图3示出了根据本申请一个实施例的光伏电站故障检测装置的结构示意图,该光伏电站故障检测装置300包括:
获取单元310,用于获取光伏板组件的故障检测图像。
光伏板组件可以理解为组成光伏板的零件,光伏板也叫光伏发电板,又称太阳能电池板(Solar panel),是由若干个光伏板组件按一定方版式组装在一块板上的组装件,通常作为光伏方阵的一个单元。本申请中的光伏板组件包括但不限于玻璃、电池、背板、铝合金、接线盒等等。
光伏板组件的故障检测图像的获取可采用相机拍照或录制的方式,如通过设置于人工巡检设备上的相机,或者机器人的相机等方式实现。需要说明的是,想要获得清晰的光伏板组件的照片,相机距离目标拍摄点的距离不能过大,优选在10米以内,更优选在6米以内。
检测单元320,用于利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度大于预设阈值的情况下,根据所述第一故障检测结果确定最终故障检测结果。
设备故障形式多样,往往可能通过某些表象,如温度、振动、声学等展现出来,光伏板组件常见故障的特点表现为形状发生变化、组件破裂、组件安装错误等,更易以温度图像形式直接表征。
基于数字图像处理技术进行故障检测主要涉及图像处理、图像特征描述、相似度检测即模板匹配等方面,还包括算法的处理速度、检测准确率、抗噪性能分析等方面。
由于光线、污渍、拍摄角度等一些原因,获得的故障检测图像可能存在不清晰,方向倒置等问题,因此,可以在对故障检测前,对获得的故障检测图像进行预处理,预处理的手段包括但不限于:灰度矫正、滤波处理、图像恢复、边缘提取、自适应阈值分割等操作,为后续的故障检测做好准备,以进一步提高故障检测准确度,对于图像的预处理为可选步骤,本申请不做限制。
在得到预处理后的故障检测图像,即可开始对图像进行分析与识别,先要对故障检测图像的特征进行描述,特征提取方法可采用现有技术中的任意一种,如:哈尔(Haar)特征提取法、LBP(Local Binary Pattern局部二值模式)特征提取法、SIFT(Scale-invariantfeature transform,尺度不变特征变换)特征提取法等,机器学习模型的结构可以采用卷积神经网络(ConvolutionalNeural Networks,CNN)等。
最后是对得到的图像特征进行模型匹配,举例而言,可以根据终端故障检测模型的学习结果,将得到的图像特征与训练图像的图像特征做对比,如果二者的相似度大于某一阈值,可直接将该故障检测图像标注与训练图像相同的标签;也可以将故障检测设置为一分类问题,如可先确定该故障检测图像是否有可疑故障部分,若有则标注为1,若没有则标注为0,再进一步对有可疑障碍点的图像继续检测。
经过上述步骤,即可得到第一故障检测结果,第一故障检测结果可以包括但不限于与故障检测图像相对应的光伏板组件的故障编号、地理位置、故障类型等,更进一步的,本申请还需要确定该次故障检测的准确度,故障检测准确度的确定可根据预设公式计算得来。
由于终端设备的限制,集成于终端的模型的计算能力是有限的,为了保障信息故障检测的准确性,预先设置一预设阈值,将在通过终端故障检测模型获得的故障检测准确率与该预设阈值进行比较,若故障检测准确率大于预设阈值,则直接根据通过终端故障检测模型获得的第一故障检测结果确定最终的故障检测结果,如将第一故障检测结果直接作为最终故障检测结果,并对故障信息进行输出。
通信单元330,用于在故障检测准确度不大于预设阈值的情况下,将所述故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果。
承上所述,若故障检测准确率不大于预设阈值,则说明该次故障检测值得验证。终端设备需要射频连接服务器,在服务器中设置有云端故障检测模型,由于服务器强大的计算能力,为了保障故障检测的准确性,云端故障检测模型推荐采用相对重量、严格的学习和检测方法。终端设备将故障检测图上传至服务器,使服务器基于云端故障检测模型对所述故障检测图像进行故障检测,步骤与终端故障检测设备一致,不再赘述。经过云端故障检测模型的检测,获得第二故障检测结果。
第二故障检测结果可以包括但不限于与故障检测图像相对应的光伏板组件的故障编号、地理位置、故障类型等,还可以包括故障检测准确度等信息。
所述检测单元320,还用于根据所述第二故障检测结果确定最终故障检测结果。
在获得第二故障检测结果后,可直接将第二故障检测结果作为最终的故障检测结果,也可以对第二故障检测结果做出筛选,如同第一故障检测结果一样,预设一预设阈值,若本次故障检测准确度,则淘汰本次检测结果,这样更进一步提高了故障检测的准确性。
可见图3所述的装置,将终端检测与云端检测相结合对光伏板组件的图像直接进行检测,能够快速、高效给出光伏板组件的故障信息,而不是仅能够定位到现有技术所达到的光伏板整体,故障定位范围更小、检测结果更精准,且算法简单、计算量小、适用范围广。本申请提供的装置可以设置于各种终端设备中,尤其适用于质量轻、体积小的手持故障检测设备。
根据本申请的一个实施例,在上述装置中,获取单元310,用于获取光伏板组件的可见光图像和相应的红外图像;根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像;将可见光图像和红外矫正图像作为故障检测图像。
根据本申请的一个实施例,在上述装置中,获取单元310,用于对可见光图像进行畸变矫正,得到可见光矫正图像;根据可见光矫正图像确定可见光图像相对于相机的拍摄距离;根据拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像。
根据本申请的一个实施例,在上述装置中,获取单元310,用于对可见光矫正图像进行边缘检测,得到光伏板组件的边缘和角点,确定与可见光图像对应的投影映射矩阵;根据投影映射矩阵确定各个像素点相对于相机光心的坐标;根据各个像素点相对于相机光心的坐标确定拍摄距离。
根据本申请的一个实施例,在上述装置中,检测单元320,用于利用终端故障检测模型和红外矫正图像进行故障检测,得到终端红外矫正图像检测结果;在根据终端红外矫正图像检测结果确定光伏板组件存在故障的情况下,利用终端故障检测模型和可见光图像进行故障检测,得到终端可见光图像检测结果;根据终端红外矫正图像检测结果和终端可见光图像检测结果确定第一故障检测结果及故障检测准确度。
根据本申请的一个实施例,在上述装置中,云端故障检测模型是基于深度学习方法实现的;通信单元330,用于基于云端故障检测模型和故障检测图像得到云端初步检测结果;根据云端初步检测结果,以及光伏板组件的历史信息和空间信息确定第二故障检测结果。
根据本申请的一个实施例,在上述装置中,第一故障检测结果和第二故障检测结果均包括:光伏板组件的故障部分在图像中的相对位置信息;最终故障检测结果包括根据所述相对位置信息确定的故障部分的地理位置信息。
根据本申请的一个实施例,在上述装置中,检测单元320,用于根据光伏电站的整体地理信息确定整体地理信息的投影映射矩阵及其逆矩阵;根据故障检测图像的拍摄位置信息与投影映射矩阵的逆矩阵确定拍摄位置的投影信息;根据整体地理信息的投影映射矩阵、拍摄位置的投影信息、以及相对位置信息确定故障部分的地理位置信息。
需要说明的是,上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行,在此不再赘述。
由上述可知,本申请的技术方案,通过获取光伏板组件的故障检测图像;利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度大于预设阈值的情况下,根据第一故障检测结果确定最终故障检测结果;在故障检测准确度不大于预设阈值的情况下,将故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;根据第二故障检测结果确定最终故障检测结果。本申请的有益效果在于:将终端检测与云端检测相结合对光伏板组件的图像直接进行检测,能够快速、高效给出光伏板组件的故障信息,而不是仅能够定位到现有技术所达到的光伏板整体,故障定位范围更小、检测结果更精准,且算法简单、计算量小、适用范围广。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个申请方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,申请方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的机制进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的机制或单元或组件组合成一个机制或单元或组件,以及此外可以把它们分成多个子机制或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件机制实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的光伏电站故障检测装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图4示出了根据本申请一个实施例的便携检测设备的结构示意图。该便携检测设备400包括处理器410和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器420。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码431的存储空间430。例如,用于存储计算机可读程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码431。计算机可读程序代码431可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图5所述的计算机可读存储介质。图5示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质500存储有用于执行根据本申请的方法步骤的计算机可读程序代码431,可以被便携检测设备400的处理器410读取,当计算机可读程序代码431由便携检测设备400运行时,导致该便携检测设备400执行上面所描述的方法中的各个步骤,具体来说,该计算机可读存储介质存储的计算机可读程序代码431可以执行上述任一实施例中示出的方法。计算机可读程序代码431可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (11)
1.一种光伏电站故障检测方法,其特征在于,包括:
获取光伏板组件的故障检测图像;
利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;
在故障检测准确度大于预设阈值的情况下,根据所述第一故障检测结果确定最终故障检测结果;
在故障检测准确度不大于预设阈值的情况下,将所述故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;
根据所述第二故障检测结果确定最终故障检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取光伏板组件的故障检测图像包括:
获取光伏板组件的可见光图像和相应的红外图像;
根据所述可见光图像对相应的红外图像进行矫正,得到红外矫正图像;
将所述可见光图像和所述红外矫正图像作为故障检测图像。
3.根据权利要求2所述的方法,其特征在于,所述根据可见光图像对相应的红外图像进行矫正,得到红外矫正图像包括:
对所述可见光图像进行畸变矫正,得到可见光矫正图像;
根据可见光矫正图像确定所述可见光图像相对于相机的拍摄距离;
根据所述拍摄距离对相应的红外图像进行温度矫正,得到红外矫正图像。
4.根据权利要求3所述的方法,其特征在于,所述根据可见光矫正图像确定所述可见光图像相对于相机的拍摄距离包括:
对所述可见光矫正图像进行边缘检测,得到光伏板组件的边缘和角点,确定与所述可见光图像对应的投影映射矩阵;
根据所述投影映射矩阵确定各个像素点相对于相机光心的坐标;
根据所述各个像素点相对于相机光心的坐标确定所述拍摄距离。
5.根据权利要求2所述的方法,其特征在于,所述利用终端故障检测模型对所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度包括:
利用终端故障检测模型和所述红外矫正图像进行故障检测,得到终端红外矫正图像检测结果;
在根据所述终端红外矫正图像检测结果确定所述光伏板组件存在故障的情况下,利用终端故障检测模型和所述可见光图像进行故障检测,得到终端可见光图像检测结果;
根据所述终端红外矫正图像检测结果和所述终端可见光图像检测结果确定第一故障检测结果及故障检测准确度。
6.根据权利要求1所述的方法,其特征在于,所述云端故障检测模型是基于深度学习方法实现的;
所述基于云端故障检测模型和所述故障检测图像进行故障检测包括:
基于云端故障检测模型和所述故障检测图像得到云端初步检测结果;
根据所述云端初步检测结果,以及所述光伏板组件的历史信息和空间信息确定第二故障检测结果。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述第一故障检测结果和所述第二故障检测结果均包括:光伏板组件的故障部分在所述图像中的相对位置信息;
所述最终故障检测结果包括根据所述相对位置信息确定的故障部分的地理位置信息。
8.根据权利要求7所述的方法,其特征在于,所述故障部分的地理位置信息是采用如下方法确定的:
根据光伏电站的整体地理信息确定所述整体地理信息的投影映射矩阵及其逆矩阵;
根据故障检测图像的拍摄位置信息与所述投影映射矩阵的逆矩阵确定所述拍摄位置的投影信息;
根据所述整体地理信息的投影映射矩阵、所述拍摄位置的投影信息、以及所述相对位置信息确定故障部分的地理位置信息。
9.一种光伏电站故障检测装置,其特征在于,该装置包括:
获取单元,用于获取光伏板组件的故障检测图像;
检测单元,用于利用终端故障检测模型和所述故障检测图像进行故障检测,得到第一故障检测结果及故障检测准确度;在故障检测准确度大于预设阈值的情况下,根据所述第一故障检测结果确定最终故障检测结果;
通信单元,用于在故障检测准确度不大于预设阈值的情况下,将所述故障检测图像上传至服务器,以使服务器基于云端故障检测模型和所述故障检测图像进行故障检测,得到第二故障检测结果;
所述检测单元,还用于根据所述第二故障检测结果确定最终故障检测结果。
10.一种便携检测设备,其中,该便携检测设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517155.8A CN111815560B (zh) | 2020-06-09 | 2020-06-09 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517155.8A CN111815560B (zh) | 2020-06-09 | 2020-06-09 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815560A true CN111815560A (zh) | 2020-10-23 |
CN111815560B CN111815560B (zh) | 2024-04-05 |
Family
ID=72846427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517155.8A Active CN111815560B (zh) | 2020-06-09 | 2020-06-09 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815560B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372511A (zh) * | 2023-12-05 | 2024-01-09 | 尚特杰电力科技有限公司 | 光伏组串定位方法、装置、***及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105263000A (zh) * | 2015-10-16 | 2016-01-20 | 广西大学 | 基于无人机载双相机的大型光伏电站巡检装置 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN107451600A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
KR20190036589A (ko) * | 2017-09-28 | 2019-04-05 | 주식회사 케이티 | 태양광 패널의 불량 여부를 감지하는 서버 |
CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
CN110266268A (zh) * | 2019-06-26 | 2019-09-20 | 武汉理工大学 | 一种基于图像融合识别的光伏组件故障检测方法 |
CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
-
2020
- 2020-06-09 CN CN202010517155.8A patent/CN111815560B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105263000A (zh) * | 2015-10-16 | 2016-01-20 | 广西大学 | 基于无人机载双相机的大型光伏电站巡检装置 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN107025648A (zh) * | 2017-03-20 | 2017-08-08 | 中国人民解放军空军工程大学 | 一种电路板故障红外图像自动检测方法 |
CN107451600A (zh) * | 2017-07-03 | 2017-12-08 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
KR20190036589A (ko) * | 2017-09-28 | 2019-04-05 | 주식회사 케이티 | 태양광 패널의 불량 여부를 감지하는 서버 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
CN110266268A (zh) * | 2019-06-26 | 2019-09-20 | 武汉理工大学 | 一种基于图像融合识别的光伏组件故障检测方法 |
CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
汪勇;张英;廖如超;郭启迪;袁新星;康泰钟;: "基于可见光、热红外及激光雷达传感的无人机图像融合方法", 激光杂志, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372511A (zh) * | 2023-12-05 | 2024-01-09 | 尚特杰电力科技有限公司 | 光伏组串定位方法、装置、***及电子设备 |
CN117372511B (zh) * | 2023-12-05 | 2024-02-23 | 尚特杰电力科技有限公司 | 光伏组串定位方法、装置、***及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111815560B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931565B (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** | |
CN113125458B (zh) | 钢结构涂层状态的检查与评估方法及*** | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
US10402671B2 (en) | System and methods for automatic solar panel recognition and defect detection using infrared imaging | |
US9787960B2 (en) | Image processing apparatus, image processing system, image processing method, and computer program | |
US10290219B2 (en) | Machine vision-based method and system for aircraft docking guidance and aircraft type identification | |
CN107527328B (zh) | 一种兼顾精度与速度的无人机影像几何处理方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
Yan et al. | Joint camera intrinsic and lidar-camera extrinsic calibration | |
CN112529827A (zh) | 遥感图像融合模型的训练方法及装置 | |
CN117492026B (zh) | 结合激光雷达扫描的铁路货车装载状态检测方法及*** | |
CN115578315A (zh) | 一种基于无人机图像的桥梁应变近景摄影测量方法 | |
Mantel et al. | Correcting for perspective distortion in electroluminescence images of photovoltaic panels | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN116935369A (zh) | 基于计算机视觉的船舶水尺读数方法及*** | |
CN116977328B (zh) | 车底机器人主动视觉中的图像质量评估方法 | |
CN111815560B (zh) | 光伏电站故障检测方法、装置、便携检测设备及存储介质 | |
CN117148853A (zh) | 一种基于5g技术和深度学习的无人机环境自适应避障方法及*** | |
US20230196601A1 (en) | Apparatuses and methods for determining the volume of a stockpile | |
CN115375762A (zh) | 一种基于三目视觉的电力线三维重构方法 | |
CN113255405B (zh) | 车位线识别方法及其***、车位线识别设备、存储介质 | |
José et al. | Computer vision algorithm for relative misalignments estimation in CPV modules | |
Niblock et al. | Fast model-based feature matching technique applied to airport lighting | |
Li et al. | High‐resolution model reconstruction and bridge damage detection based on data fusion of unmanned aerial vehicles light detection and ranging data imagery | |
CN111860298B (zh) | 一种基于无人机检测营区户外设施状态的***及方法 |
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 |