CN111931565B - 一种基于光伏电站uav的自主巡检与热斑识别方法及*** - Google Patents
一种基于光伏电站uav的自主巡检与热斑识别方法及*** Download PDFInfo
- Publication number
- CN111931565B CN111931565B CN202010614145.6A CN202010614145A CN111931565B CN 111931565 B CN111931565 B CN 111931565B CN 202010614145 A CN202010614145 A CN 202010614145A CN 111931565 B CN111931565 B CN 111931565B
- Authority
- CN
- China
- Prior art keywords
- hot spot
- power station
- photovoltaic power
- infrared data
- photovoltaic module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000007689 inspection Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000007499 fusion processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computer Graphics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于光伏电站UAV的自主巡检与热斑识别方法及***,包括,采集光伏组件原始红外数据并实时传输到地面基站中进行预处理;利用像素矩阵提取预处理后的红外数据的图像边缘特征;结合温度矩阵识别图像中光伏组件的热斑并利用实时动态载波相位动态差分策略初步定位至热斑区域发热点位置;基于现场光伏组件的实际空间位置构建光伏电站三维地图;利用初步定位结果与三维地图进行融合处理,得到二次定位后的热斑位置并生成巡视报告在终端内进行展示。本发明通过对光伏组件热斑无人机自主检测、定位及现场报告自动生成,解决现有的光伏电站对应光伏组件运维耗时长、工作效率低下的问题。
Description
技术领域
本发明涉及光伏电站、无人机、图形识别的技术领域,尤其涉及一种基于光伏电站UAV的自主巡检与热斑识别方法及***。
背景技术
随着大量规模化光伏电站的落成,光伏组件巡检工作的体量也越来越大,引起了诸多学者和企业家的关注,据统计,在光伏电站***中,光伏组件污渍、遮挡、热斑等问题占电站设备故障率的50%以上,若能及时发现这些问题并及时处理,电站的总体效率将大幅提升。目前光伏组件的故障监测一般有两种方法进行,一、通过监测光伏组件发电时的输出电压和输出功率进行排查,该方法的缺陷在于只能进行粗略排查,难以精确定位到具体的光伏组件,更难以发现电池片的内部故障;二、借助所有故障均会表现为温度异常的特性,通过人工携带温度测量仪器逐一对发热组件进行测量记录,该方法的缺陷在于针对建筑面积大、光伏组件数量多的规模小光伏电站而言,人工效率较低且易出现错漏,可靠性差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于光伏电站UAV的自主巡检与热斑识别方法及***,能够实现对光伏组件热斑无人机自主检测、定位、生成现场报告。
为解决上述技术问题,本发明提供如下技术方案:包括,采集光伏组件原始红外数据并实时传输到地面基站中进行预处理;利用像素矩阵提取预处理后的所述红外数据的图像边缘特征;结合温度矩阵识别图像中所述光伏组件的热斑并利用实时动态载波相位动态差分策略初步定位至所述热斑区域发热点位置;基于现场光伏组件的实际空间位置构建光伏电站三维地图;利用初步定位结果与所述三维地图进行融合处理,得到二次定位后的热斑位置并生成巡视报告在终端内进行展示。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:采集所述原始红外数据之前还包括,基于三维点云地图的航迹规划自主飞行航线;将规划完成的所述自主飞行航线导入所述地面基站中,实时监控无人机的自主巡检状态和数据;利用所述无人机的红外热相仪采集所述光伏组件原始红外数据并实时传输到所述地面基站中。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:预处理所述原始红外数据包括,根据大量热斑与非热斑样本红外图片获取热斑图片中热斑区域的最高温度和非热斑照片的最高温度,形成疑似热斑温度值数据;分析所述疑似热斑温度值数据,得到一个温度值高于所述非热斑图片温度值和低于所述热斑图片区域最高温度值并作为疑似温度值;筛选出所述原始红外数据中大于所述疑似热斑温度值的图片,对其进行畸变矫正和雾霾去除,得到疑似热斑的数据图片。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:提取所述图像边缘特征包括,标记预处理后的所述红外数据中的光斑位置;将标记前的所述红外数据图片输入深度学习网络中进行检测和分类,得到预判结果;利用NMS策略对比所述标记光斑位置和所述预判结果并进行迭代优化,去除弱特征,直至输出完善的存储图片特征模型;将所述红外图片输入所述存储图片特征模型内进行热斑识别,所述存储图片特征模型利用所述像素矩阵提取与所述存储图片特征模型内颜色、纹理相似的特征。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:识别所述热斑包括,利用所述存储图片特征模型进行特征编码,结合聚类策略识别所述光伏组件边缘特征,产生热斑预测框;根据类别置信度确定所述热斑预测框的类别和置信度数值;分别过滤属于背景的所述预测框和置信度阈值较低的所述预测框;对保留的所述热斑预测框进行解码并根据先验框得到真实的位置参数;利用所述NMS过滤重叠度较大的所述预测框,检测最终剩余的所述预测框则识别所述热斑。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:所述初步定位包括,根据最终剩余的所述预测框定位所述红外照片热斑像素点位置;利用航拍成像策略和相似三角形策略计算所述红外照片热斑像素点位置,得到所述热斑实际的经纬度位置;利用所述热斑实际的经纬度位置判断所述热斑所属的所述光伏组件。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:构建所述光伏电站三维地图包括,建立光伏电站三维地图数据库,存储每块所述光伏组件的三维信息。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:所述融合处理包括,网格化所述红外数据;将所述初步定位结果与构建的所述光伏电站三维地图数据库中的三维信息自动对应,获得二次定位的所述热斑位置。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的一种优选方案,其中:所述巡视报告具体包括,受检设备名称、巡检地点、巡检成果、巡检人员、巡检目的、巡检依据、标记的所述红外照片以及热斑光伏板对应航点光伏组件位置。
作为本发明所述的一种基于光伏电站UAV的自主巡检与热斑识别***的一种优选方案,其中:包括,采集模块,用于获取所述光伏组件原始红外数据、云台角度、飞行姿态信息、距离信息;数据处理中心模块,用于接收、计算、存储、输出待处理的数据信息,其包括运算单元、数据库和输入输出管理单元,所述运算单元与所述采集模块相连接,用于接收所述采集模块获取的数据信息以计算所述红外照片热斑像素点位置和所述热斑实际经纬度位置,所述数据库连接于各个模块,用于存储接收的所有数据信息,为所述数据处理中心模块提供调配供应服务,所述输入输出管理单元用于接收各个模块的信息并输出所述运算单元的运算结果;识别模块连接于所述数据处理中心模块,其用于接收所述运算单元的所述运算结果,判断识别计算得到的坐标位置是否为所述热斑区域;定位模块与所述识别模块相连接,其用于读取所述识别模块的识别结果,通过实时动态载波相位动态差分以结合所述坐标位置进行厘米级定位。
本发明的有益效果:本发明针对光伏电站光伏组件局部异常发热,开展无人机自主巡视应用、红外图像自动识别,对组件故障进行检测,实现对光伏组件热斑无人机自主检测、定位及现场报告自动生成,解决现有的光伏电站对应光伏组件运维耗时长、工作效率低下的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的流程示意图;
图2为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的光伏组件热斑定位流程示意图;
图3为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的获取疑似热斑温度值流程示意图;
图4为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的存储图片特征模型训练过程示意图;
图5为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的初步定位过程示意图;
图6为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的定位原理示意图;
图7为本发明第一个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别方法的两种方法对比测试输出曲线示意图;
图8为本发明第二个实施例所述的一种基于光伏电站UAV的自主巡检与热斑识别***的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
热斑问题不仅影响光伏组件的发电效益,严重时甚至会引发火灾,因此实现对热斑的实时定位检测对光伏电站的维护工作有着重要应用价值,但是现有的一些运维检测方法多是针对光伏组件的制作工艺中发生的缺陷,对实际运维的缺陷检测研究较少,并存在泛化能力差、准确率不足的问题。
参照图1~图7,为本发明的第一个实施例,该实施例提供了一种基于光伏电站UAV的自主巡检与热斑识别方法,包括:
S1:采集光伏组件原始红外数据并实时传输到地面基站中进行预处理。其中需要说明的是,参照图3,采集原始红外数据之前还包括:
基于三维点云地图的航迹规划自主飞行航线;
将规划完成的自主飞行航线导入地面基站中,实时监控无人机的自主巡检状态和数据;
利用无人机的红外热相仪采集光伏组件原始红外数据并实时传输到地面基站中。
具体的,预处理原始红外数据包括:
根据大量热斑与非热斑样本红外图片获取热斑图片中热斑区域的最高温度和非热斑照片的最高温度,形成疑似热斑温度值数据;
分析疑似热斑温度值数据,得到一个温度值高于非热斑图片温度值和低于热斑图片区域最高温度值并作为疑似温度值;
筛选出原始红外数据中大于疑似热斑温度值的图片,对其进行畸变矫正和雾霾去除,得到疑似热斑的数据图片。
S2:利用像素矩阵提取预处理后的红外数据的图像边缘特征。本步骤需要说明的是,参照图4,提取图像边缘特征包括:
标记预处理后的红外数据中的光斑位置;
将标记前的红外数据图片输入深度学习网络中进行检测和分类,得到预判结果;
利用NMS策略对比标记光斑位置和预判结果并进行迭代优化,去除弱特征,直至输出完善的存储图片特征模型;
将红外图片输入存储图片特征模型内进行热斑识别,存储图片特征模型利用像素矩阵提取与存储图片特征模型内颜色、纹理相似的特征。
S3:结合温度矩阵识别图像中光伏组件的热斑并利用实时动态载波相位动态差分策略初步定位至热斑区域发热点位置。其中还需要说明的是,参照图5和图6,识别热斑包括:
利用存储图片特征模型进行特征编码,结合聚类策略识别光伏组件边缘特征,产生热斑预测框;
根据类别置信度确定热斑预测框的类别和置信度数值;
分别过滤属于背景的预测框和置信度阈值较低的预测框;
对保留的热斑预测框进行解码并根据先验框得到真实的位置参数;
利用NMS过滤重叠度较大的预测框,检测最终剩余的预测框则识别热斑。
进一步的,初步定位包括:
根据最终剩余的预测框定位红外照片热斑像素点位置;
利用航拍成像策略和相似三角形策略计算红外照片热斑像素点位置,得到热斑实际的经纬度位置;
利用热斑实际的经纬度位置判断热斑所属的光伏组件。
S4:基于现场光伏组件的实际空间位置构建光伏电站三维地图。本步骤还需要说明的是,构建光伏电站三维地图包括:
建立光伏电站三维地图数据库,存储每块光伏组件的三维信息。
S5:利用初步定位结果与三维地图进行融合处理,得到二次定位后的热斑位置并生成巡视报告在终端内进行展示。其中还需要说明的是,融合处理包括:
网格化红外数据;
将初步定位结果与构建的光伏电站三维地图数据库中的三维信息自动对应,获得二次定位的热斑位置。
具体的,巡视报告包括:
受检设备名称、巡检地点、巡检成果、巡检人员、巡检目的、巡检依据、标记的红外照片以及热斑光伏板对应航点光伏组件位置。
通俗的说,参照图2,地面基站或网络RTK获取无人机自主巡检的无人机天线位置、对地高度以及无人机姿态和拍照角度,而无人机搭载的红外相机标定无人机相机与天线绝对位置,计算得到红外相机中心位置,地面基站基于前期现场光伏组件构建光伏电站三维地图,将发现的相机中心位置与三维地图中的空间自动对应,从而得到精准的热斑位置。
优选的,本实施例还需要说明的是,现有的光伏组件红外热斑检测方法是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,对其进行分割,得到光伏区域红外图像并转换为灰度图像,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以确定光伏组件异常区域,利用轮廓提取函数得到提取的特征轮廓并进行计算,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的热斑及去除矩形大热斑中光照所造成的的热斑,该方法主要解决的技术问题是如何提高热斑分析的准确率和分析效率,其不能实时地、自主的定位到光伏组件热斑位置,依然需要人工运维;而本发明方法是利用像素矩阵提取图像特征并结合温度矩阵识别图像中光伏组件的热斑并利用实时动态载波相位动态差分策略初步定位至热斑区域发热点位置,将初步定位结果与实际构建的三维图进行自主融合,利用经纬度确定热斑像素点位置,最终识别、定位光伏组件的热斑位置,且自主生产巡检报告,无需人工运维,达到实时性、自主性以及高准确度的定位和识别性。
优选的是,为了对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的光伏组件红外热斑检测方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本发明方法所具有的真实效果;传统的光伏组件红外热斑检测方法存在实时性、自主性较差的问题,只能检测到热斑而不能进行定位,需要人工运维,成本较高,运维效率较低,而本发明方法相较于传统方法具有良好的实时性、自主性以及较准确的定位性和识别性,本实施例中将采用传统方法与本发明方法分别对某一太阳能光伏工程中的光伏组件进行实时测量对比。
测试环境:(1)Ti25红外热像仪采集图像数据、Tensorflow搭建模型框架、Python作为编程语言、利用GPU加速、SPYDER运行、MATLB仿真运行;
(2)利用无人机随机拍摄1000张图片作为数据集,分别利用两种方法对其进行特征提取和识别定位;
(3)采用传统方法时利用人工操作获得定位结果,采用本发明方法时则开启自动化测试设备(无人机接收地面基站识别信息以进行自主定位)。
参照图7,实线为本发明方法输出的曲线,虚线为传统方法输出的曲线,根据图7的示意,能够直观的看出实线相较于虚线的走势较为平缓,随着红外数据集数的增加,两种方法的识别精度都有所下降,但是,虚线的走势较为陡峭,下降的较为明显,与实线相比,两者之间的间距较大,由于本发明方法具有实时定位的作用,且能够自主生成巡检报告,并未采用人工操作,故避免了人工误差的影响,因此,本发明方法相较于传统方法确实提高了一定的识别定位的准确性。
实施例2
参照图8,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于光伏电站UAV的自主巡检与热斑识别***,包括:
采集模块100,用于获取光伏组件原始红外数据、云台角度、飞行姿态信息、距离信息。
数据处理中心模块200,用于接收、计算、存储、输出待处理的数据信息,其包括运算单元201、数据库202和输入输出管理单元203,运算单元201与采集模块100相连接,用于接收采集模块100获取的数据信息以计算红外照片热斑像素点位置和热斑实际经纬度位置,数据库202连接于各个模块,用于存储接收的所有数据信息,为数据处理中心模块200提供调配供应服务,输入输出管理单元203用于接收各个模块的信息并输出运算单元201的运算结果。
识别模块300连接于数据处理中心模块200,其用于接收运算单元201的运算结果,判断识别计算得到的坐标位置是否为热斑区域。
定位模块400与识别模块300相连接,其用于读取识别模块300的识别结果,通过实时动态载波相位动态差分以结合坐标位置进行厘米级定位。
本实施例还需要说明的是,数据处理中心模块200主要分为三个层次,包括控制层、运算层及存储层,控制层是数据处理中心模块200的指挥控制中心,由指令寄存器IR、指令译码器ID和操作控制器OC组成,控制层能够根据用户预先编好的程序,依次从存储器中取出各条指令,放在指令寄存器IR中,通过指令译码器分析确定,通知操作控制器OC进行操作,按照确定的时序向相应的部件发出微操作控制信号;运算层是数据处理中心模块200的核心,能够执行算术运算(如加减乘除及其附加运算)和逻辑运算(如移位、逻辑测试或两个值比较),其连接于控制层,通过接受控制层的控制信号进行运算操作;存储层是数据处理中心模块200的数据库,能够存放数据(待处理及已经处理过的数据)。
优选的是,定位模块400采用网络RTK定位策略,其能够实时地提供测站点在指定坐标系中的三维定位结果,并达到厘米级精度,普通的GPS定位精度大于1米,信号误差有50%的概率会达到2米以上,同时,GPS无法支持精准定高,误差因此会达到十几米;而RTK(载波相位差分技术)就是把GPS的误差想法设法分离出,在已知位置的参考点上装上移动基站,得到定位信号的偏差,将该偏差发送给需要定位的移动站以得到更精准的位置信息,在RTK的作业模式下,基站采集卫星数据,并通过数据链将其观测值和接收到的数据链进行实时载波相位差分处理,得到厘米级的定位结果。
再进一步的是,本实施例还需要说明的是,本***还包括无人机巡检平台和现场数据处理站,其中,无人机巡检平台搭载红外热相仪采集光伏组件原始红外数据,通过实时回传红外数据到地面站以对光伏组件热斑进行检测和识别,并自动生成巡视报告;具体的,无人机平台搭载的红外热成像相机通过融合飞行姿态、RTK定位数据及其他辅助传感器信息,实现无人机及采集的影响数据达到厘米级定位精度并能够远距离实时查看红外相机画面;而现场数据处理站能够实现自主航线规划飞行,保存多任务航线,以达到无人机远程状态监控和作业远程操控,在作业期间,无人机按照设定路线以及设定高度,在光伏电站全自主飞行,通过保持和无人机的通信,实时监控无人机的飞行、供电状态,其主要用于对无人机巡视路径、测点、高度等作业信息进行规划并生成航迹信息。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:包括,
采集光伏组件原始红外数据并实时传输到地面基站中进行预处理;
利用像素矩阵提取预处理后的红外数据的图像边缘特征;
结合温度矩阵识别图像中所述光伏组件的热斑并利用实时动态载波相位动态差分策略初步定位至热斑区域发热点位置;
基于现场光伏组件的实际空间位置构建光伏电站三维地图;
利用初步定位结果与所述三维地图进行融合处理,得到二次定位后的热斑位置并生成巡视报告在终端内进行展示;
提取所述图像边缘特征包括,
标记预处理后的红外数据中的光斑位置;
将标记前的红外数据图片输入深度学习网络中进行检测和分类,得到预判结果;
利用NMS策略对比所述标记光斑位置和所述预判结果并进行迭代优化,去除弱特征,直至输出完善的存储图片特征模型;
将所述红外数据图片输入所述存储图片特征模型内进行热斑识别,所述存储图片特征模型利用所述像素矩阵提取与所述存储图片特征模型内颜色、纹理相似的特征;
识别所述热斑包括,
利用所述存储图片特征模型进行特征编码,结合聚类策略识别所述光伏组件边缘特征,产生热斑预测框;
根据类别置信度确定所述热斑预测框的类别和置信度数值;
分别过滤属于背景的热斑预测框和置信度阈值较低的热斑预测框;
对保留的热斑预测框进行解码并根据先验框得到真实的位置参数;
利用所述NMS过滤重叠度较大的热斑预测框,检测最终剩余的所述预测框则识别所述热斑;
所述初步定位包括,
根据最终剩余的热斑预测框定位所述红外数据图片热斑像素点位置;
利用航拍成像策略和相似三角形策略计算所述红外数据图片热斑像素点位置,得到所述热斑实际的经纬度位置;
利用所述热斑实际的经纬度位置判断所述热斑所属的所述光伏组件。
2.根据权利要求1所述的基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:采集所述原始红外数据之前还包括,
基于三维点云地图的航迹规划自主飞行航线;
将规划完成的所述自主飞行航线导入所述地面基站中,实时监控无人机的自主巡检状态和数据;
利用所述无人机的红外热相仪采集所述光伏组件原始红外数据并实时传输到所述地面基站中。
3.根据权利要求1或2所述的基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:预处理所述原始红外数据包括,
根据大量热斑与非热斑样本红外数据图片获取热斑图片中热斑区域的最高温度和非热斑区域的最高温度,形成疑似热斑温度值数据;
分析所述疑似热斑温度值数据,得到一个温度值高于非热斑图片温度值和低于热斑图片区域最高温度值并作为疑似温度值;
筛选出所述原始红外数据中大于所述疑似热斑温度值的图片,对其进行畸变矫正和雾霾去除,得到疑似热斑的数据图片。
4.根据权利要求3所述的基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:构建所述光伏电站三维地图包括,建立光伏电站三维地图数据库,存储每块所述光伏组件的三维信息。
5.根据权利要求4所述的基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:所述融合处理包括,
网格化红外数据;
将所述初步定位结果与构建的所述光伏电站三维地图数据库中的三维信息自动对应,获得二次定位的所述热斑位置。
6.根据权利要求5所述的基于光伏电站UAV的自主巡检与热斑识别方法,其特征在于:所述巡视报告具体包括,
受检设备名称、巡检地点、巡检成果、巡检人员、巡检目的、巡检依据、标记的红外数据图片以及热斑光伏板对应航点光伏组件位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614145.6A CN111931565B (zh) | 2020-06-30 | 2020-06-30 | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614145.6A CN111931565B (zh) | 2020-06-30 | 2020-06-30 | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931565A CN111931565A (zh) | 2020-11-13 |
CN111931565B true CN111931565B (zh) | 2023-12-26 |
Family
ID=73316264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614145.6A Active CN111931565B (zh) | 2020-06-30 | 2020-06-30 | 一种基于光伏电站uav的自主巡检与热斑识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931565B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819988A (zh) * | 2020-12-25 | 2021-05-18 | 朗坤智慧科技股份有限公司 | 基于5g的无人机电站智能巡检方法、***和网络侧服务端 |
CN112734464A (zh) * | 2020-12-31 | 2021-04-30 | 晶科能源股份有限公司 | 项目成本预测方法、装置以及电子设备 |
CN112923928B (zh) * | 2021-01-29 | 2022-05-06 | 江苏提米智能科技有限公司 | 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质 |
CN113408426B (zh) * | 2021-06-22 | 2022-02-11 | 浙江天铂云科光电股份有限公司 | 一种变电站设备智能检测方法及其*** |
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 |
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 |
CN114200958A (zh) * | 2021-11-05 | 2022-03-18 | 国能电力技术工程有限公司 | 一种光伏发电设备自动巡检***和方法 |
CN114037918B (zh) * | 2021-11-10 | 2024-04-16 | 吉林大学 | 一种基于无人机巡检和图像处理的光伏热斑检测方法 |
CN115933730B (zh) * | 2022-11-16 | 2023-07-14 | 赋兴(浙江)数字科技有限公司 | 一种光伏电站无人机巡检及故障定位方法 |
CN116300657B (zh) * | 2023-05-10 | 2023-08-01 | 江西莎妮智能科技有限公司 | 太阳能无线监控控制方法及无线监控控制设备 |
CN116660317B (zh) * | 2023-07-25 | 2023-12-22 | 北京智芯微电子科技有限公司 | 光伏阵列的热斑检测方法、***、处理器及存储介质 |
CN117315350B (zh) * | 2023-09-26 | 2024-05-07 | 金开智维(宁夏)科技有限公司 | 基于无人机的光伏太阳能板的热斑检测方法及装置 |
CN117455119B (zh) * | 2023-11-24 | 2024-04-09 | 佛山市盈科工程造价咨询事务所有限公司 | 一种夜间工程项目造价进度监管方法、***、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20180046177A (ko) * | 2016-10-27 | 2018-05-08 | 전주비전대학교산학협력단 | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 |
CN108923749A (zh) * | 2018-06-11 | 2018-11-30 | 东北电力大学 | 基于红外视频的光伏组件热斑检测定位方法 |
CN109187558A (zh) * | 2018-10-10 | 2019-01-11 | 中南大学 | 一种基于无人机的光伏电站自动巡检*** |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110171565A (zh) * | 2019-05-17 | 2019-08-27 | 南京绿新能源研究院有限公司 | 一种用于光伏电站故障检测的无人机及其检测方法 |
CN110470279A (zh) * | 2019-09-05 | 2019-11-19 | 上海伯镭智能科技有限公司 | 一种基于多旋翼无人机的集中式光伏电站电池组件缺陷巡检*** |
-
2020
- 2020-06-30 CN CN202010614145.6A patent/CN111931565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180046177A (ko) * | 2016-10-27 | 2018-05-08 | 전주비전대학교산학협력단 | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 |
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 |
CN108923749A (zh) * | 2018-06-11 | 2018-11-30 | 东北电力大学 | 基于红外视频的光伏组件热斑检测定位方法 |
CN109187558A (zh) * | 2018-10-10 | 2019-01-11 | 中南大学 | 一种基于无人机的光伏电站自动巡检*** |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110171565A (zh) * | 2019-05-17 | 2019-08-27 | 南京绿新能源研究院有限公司 | 一种用于光伏电站故障检测的无人机及其检测方法 |
CN110470279A (zh) * | 2019-09-05 | 2019-11-19 | 上海伯镭智能科技有限公司 | 一种基于多旋翼无人机的集中式光伏电站电池组件缺陷巡检*** |
Also Published As
Publication number | Publication date |
---|---|
CN111931565A (zh) | 2020-11-13 |
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*** | |
CN104567708B (zh) | 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法 | |
CN111537515A (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和*** | |
CN113286129B (zh) | 一种光伏电站的巡检方法及*** | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及*** | |
CN108733053A (zh) | 一种基于机器人的智能道路检测方法 | |
CN105741379A (zh) | 一种变电站全景巡检方法 | |
CN114265418A (zh) | 一种用于光伏电站的无人机巡检与缺陷定位***及方法 | |
KR101985019B1 (ko) | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 | |
CN112927565B (zh) | 提升机坪综合航迹监视数据精度的方法、装置及*** | |
CN112802004B (zh) | 便携式输电线路和杆塔健康智能视频检测装置 | |
CN107607091A (zh) | 一种测量无人机飞行航迹的方法 | |
CN101833099A (zh) | 直升机巡检电力线路的锁定跟踪方法 | |
KR20180046177A (ko) | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及*** | |
JP2016090547A (ja) | ひび割れ情報収集装置及びひび割れ情報を収集するためのサーバ装置 | |
CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
CN116192044A (zh) | 一种故障光伏板编号定位方法、装置、电子设备及存储介质 | |
CN115345945A (zh) | 利用无人机多目视觉重建高速公路的自动巡检方法及*** | |
Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
CN108050995B (zh) | 一种基于dem的倾斜摄影无像控点航摄测区归并方法 | |
CN112184903A (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
CN116893685A (zh) | 一种无人机航线规划方法及*** | |
CN116363397A (zh) | 设备故障排查方法、装置及巡检*** |
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 |