CN112184650A - 一种基于人工智能的光伏电池板批量断栅检测方法及*** - Google Patents
一种基于人工智能的光伏电池板批量断栅检测方法及*** Download PDFInfo
- Publication number
- CN112184650A CN112184650A CN202011004945.2A CN202011004945A CN112184650A CN 112184650 A CN112184650 A CN 112184650A CN 202011004945 A CN202011004945 A CN 202011004945A CN 112184650 A CN112184650 A CN 112184650A
- Authority
- CN
- China
- Prior art keywords
- image
- pixels
- template
- photovoltaic cell
- grid
- 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.)
- Withdrawn
Links
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能的光伏电池板批量断栅检测方法及***,涉及人工智能领域;该方法包括获得单个光伏电池板的初始图像;通过对比预处理后的初始图像同帧各列像素间的差异值得到横向关系谱;统计所有横向关系谱中相同位置的差异值,用各个位置中出现最多次的差异值建立一个模板关系谱;对模板关系谱进行处理,建立栅线模板图像,以栅线模板图像作为遮罩,提取每帧图像中的栅线像素,对比栅线像素中单帧图像单列像素的差异值并建立拟合曲线,判断断栅缺陷位置。本发明能够消除光照及污渍对断栅检测的负面影响,对批量光伏电池板同时进行断栅检测,直接得到断栅位置。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能的光伏电池板批量断栅检测方法及***。
背景技术
太阳能作为一种可再生的清洁能源,在光伏方面的应用得到了大力的推广。目前,中国太阳能产业规模发展飞快,是重要的太阳能光伏电池生产国。光伏电池板作为太阳能的发电载体,通常希望其具有较长的使用寿命及较高的转化率,而在制造过程中出现的断栅缺陷限制了其适用性。因此,有效的检测手段,对提高光伏电池板的质量非常重要。
现有工业制备过程中,对表面断栅检测的方法主要包括使用背景建模的检测方法和人工目视检测方法,由于每个电池板的图像光照不同,再加上污迹的影响,极易出现错检,漏检等情况。
发明内容
为了解决上述技术问题,本发明了提供一种基于人工智能的光伏电池板批量断栅检测方法及***,所采用的技术方案如下:
第一方面,本发明实施例提供了一种基于人工智能的光伏电池板批量断栅检测方法,该方法包含以下步骤:
将采集到的投影图像拼接为全局图像;
将全局图像进行模式匹配,拆分得到单个光伏电池板的初始图像;
对每个光伏电池板的初始图像进行灰度化、图像归一化和对齐的预处理操作;
通过对比预处理后的图像同帧各列像素间的差异值得到横向关系谱;
建立一个模板关系谱,统计横向关系谱中相同位置的差异值,以出现最多次的差异值作为模板关系谱中该位置的值;
使用分段函数对模板关系谱进行处理,建立栅线模板图像;
以栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比栅线像素中单帧图像单列像素的差异值;
根据单帧图像单列像素间的差异值建立拟合曲线,设定经验阈值判断离群异常点,离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以连续断点作为断栅缺陷位置。
优选地,将全局图像进行模式匹配,拆分得到单个光伏电池板的初始图像过程如下:
根据单个光伏电池板的长宽比,构建一个矩形模板;
使用矩形模板在全局图像中光伏电池板上滑窗,若矩形模板滑动时,边框对应的各像素值与光伏电池板边缘的像素值在误差范围内,则认为匹配成功,当匹配成功的数量不小于参考数量时,以矩形模板作为理想矩形模板;
匹配不成功,或匹配成功的数量少于参考数量时,调节矩形模板的尺寸,重复以上步骤,直至获得理想矩形模板;
利用理想矩形模板将全局图像依次切分成单个光伏电池板的初始图像。
优选地,横线关系谱中同帧各列像素间的差异值的获取方法为:求出不同两列像素同行之间的差值,取同行像素差值的平均值作为这两列像素的差异值。
优选地,栅线像素中单列像素间的差异值的获取方法为:依次求出每帧图像每列栅线中逐行的像素值与该列像素均值之间的差值平方。
第二方面,本发明实施例提供了一种基于人工智能的光伏电池板批量断栅检测***,包括:
图像获取单元,用于获取单个光伏电池板的初始图像;
判断单元,包括预处理模块、横向关系谱建立模块、模板关系谱建立模块、模板图像获取模块和断栅位置判断模块;
预处理模块,用于对每个光伏电池板的初始图像进行灰度化、图像归一化、对齐的预处理操作;
横向关系谱建立模块,用于通过对比预处理后的图像同帧各列像素间的差异值得到横向关系谱;
模板关系谱建立模块,用于建立一个模板关系谱,统计横向关系谱中相同位置的差异值,以出现最多次的差异值作为模板关系谱中该位置的值;
模板图像获取模块,用于使用分段函数对模板关系谱进行处理,建立栅线模板图像;以及
断栅位置判断模块,用于以栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比栅线像素中单帧图像单列像素的差异值;根据单帧图像单列像素间的差异值建立拟合曲线,设定经验阈值判断离群异常点,离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以连续断点作为断栅缺陷位置。
进一步地,图像获取单元还包括拼接模块、构建模板模块、匹配模块、调整模块、切分模块:
拼接模块,用于将采集到的图像拼接为全局图像;
构建模板模块,用于根据单个光伏电池板的长宽比,构建一个矩形模板;
匹配模块,用于使用矩形模板在全局图像中光伏电池板上滑窗,若矩形模板滑动时,边框对应的各像素值与光伏电池板边缘的像素值在误差范围内,则认为匹配成功,当匹配成功的数量不小于参考数量时,以矩形模板作为理想矩形模板;
调整模块,用于匹配不成功,或匹配成功的数量少于参考数量时,调节矩形模板的尺寸,重复所述匹配模块的步骤,直至获得理想矩形模板;以及
切分模块,用于利用理想矩形模板将全局图像依次切分成单个光伏电池板的初始图像。
进一步地,横向关系谱建立模块还包括第一差异值获取模块以及横向关系谱获取模块:
第一差异值获取模块,用于求出不同两列像素同行之间的差值,取同行像素差值的平均值作为这两列像素的差异值。
横向关系谱获取模块,用于获取同帧各列所有差异值,得到横向关系谱。
进一步地,断栅位置判断模块还包括第二差异值获取模块:
第二差异值获取模块,用于依次求出每帧图像每列栅线中逐行的像素值与该列像素均值之间的差值平方,作为栅线像素中单列像素间的差异值。
本发明实施例至少具有如下有益效果:
本发明实施例采集全部光伏电池板的图像数据,利用比较模型对所有光伏电池板图像同时进行断栅检测,解决了人工目视检测方法效率较低的问题。
本发明实施例在检测断栅缺陷时,同帧图像各列像素间的对比,能够利用栅线周期出现的规律,通过取众数的统计方法确认栅线的位置,得到理想栅线遮罩模板,该过程可以消除污渍对检测结果的影响。
本发明实施例在检测断栅缺陷时,同帧图像各行像素的对比,可以消除光照不同的影响,获取断栅缺陷的位置。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的光伏电池板批量断栅检测方法的流程图;
图2为本发明一个实施例所提供的一种无人机航拍时的正射航线路径示意图;
图3为本发明一个实施例所提供的一种光伏电池板的全局图像的示意图;
图4为本发明一个实施例所提供的一种矩形模板示意图;
图5为本发明一个实施例提供的模板关系谱对应的二值图像的示意图;
图6为本发明一个实施例提供的一种基于人工智能的光伏电池板批量断栅检测***的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的光伏电池板批量断栅检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
需要说明的是,光伏电池板理想图像为:
1.栅线为周期出现的纵向细线;
2.栅线间的区域为纯色或单色区域;
3.光伏电池板理想图像仅包括栅线,硅晶两种区域,栅线像素值相同,硅晶区域像素也相同。
但在实际中对大量光伏电池板进行拍摄后,获得的图像质量并不相同,这是因为每张图像中的光照影响不同,带有的污迹面积也不同。
为了消除光照和污迹对断栅检测的影响,下面结合附图具体的说明本发明所提供的一种基于人工智能的光伏电池板批量断栅检测方法及***具体方案。
请参阅图1,其示出了一种基于人工智能的光伏电池板批量断栅检测方法的流程图,该检测方法包括以下步骤:
步骤S100,获取单个光伏电池板的初始图像。
具体的,本发明实施例通过在无人机上搭载摄像装备,实现对光伏电池板的拍摄,以获得投影图像。
首先根据电池板组的角度和分布,确认一条正射航线,即可以拍摄得到电池板正射图像的航线。
请参阅图2,其示出了无人机航拍时的正射航线路径10,为蛇形飞行的形式,当无人机横向飞行时能够采集到光伏电池板20的正射影像,纵向飞行时为不同电池组间的转换路径。
请参阅图3,获取正射图像后,对无人机飞行时拍摄的光伏电池板图像30进行处理拼接。本发明实施例中,是利用线扫描的方式进行图像拼接,即根据无人机的速度从采集图像中选取图像,逐行来拼接。无人机横向飞行时进行图像的拼接,当无人机纵向飞行时,不进行图像的拼接,但是再次横向飞行时,需要在拼接图像的下方重新拼接采集的图像,最终得到光伏电站光伏电池板的全局图像。
获取光伏电池板的全局图像后,使用模式匹配的方式来将全局图像拆分为单个光伏电池板的图形,具体过程如下:
根据单个光伏电池板的长宽比,构建一个矩形模板,请参阅图4,为矩形模板示意图;
使用所构建的矩形模板40在全局图像中光伏电池板30上滑窗,每个电池板边缘框为白色,已知白色的RGB值为(255,255,255),设定一定的误差允许范围c,若矩形模板40滑动时,三个通道的值都在[255-c,255]内,则认为边框对应的各像素值属于白色,即匹配成功,当匹配成功的数量不小于参考数量时,以矩形模板40作为理想矩形模板;
匹配不成功,或匹配成功的数量少于参考数量时,则调整矩形模板40的尺寸,重复以上步骤,直至获得理想矩形模板,利用理想矩形模板将全局图像依次切分成单个光伏电池板的初始图像。
步骤S200:对每个光伏电池板的初始图像进行灰度化、图像归一化、对齐的预处理操作。
本发明实例中,通过建立比较模型来判断光伏电池板的断栅缺陷位置。比较模型包括横向比较模型及纵向比较模型,横向比较模型的建立包括以下步骤。
步骤S300:通过对比预处理后的图像同帧各列像素间的差异值得到横向关系谱。
对于不同帧的光伏电池板的图像,设其图像横向有K列像素,纵向有H行像素。因为栅线纵向特征比较明显,所以需比较图像中各列像素间的差异,本发明实例中用C(A,B)表示图像中第B列像素与第A列像素的差异大小。具体计算公式为:
式中,Ii,B表示第B列第i行像素的值,Ii,A表示第A列第i行像素的值。H表示图像共有H行。
为了避免重复计算,只比较自身列像素与序号大于自身的列像素的关系,其它部分不做比较,得到形式如下表格所示的,大小为K*K的横向关系谱:
表1横向关系谱
需要说明的是,本发明实施例同时批量处理图像,但不同图像受不同的光照或者污渍影响,其横向关系谱也存在差异。
步骤S400:建立一个模板关系谱,统计横向关系谱中相同位置的差异值,以出现最多次的差异值作为模板关系谱中该位置的值。
需要说明的是,本发明实施例所检测的栅线有明显的纵向特征,且某位置出现污渍是小概率事件。为了消除污渍的影响,统计比较所有的横向关系谱,本发明实施例中建立一个模板关系谱,来统计所有横向关系谱中相同位置的值,出现次数最大者作为模板关系谱中该位置的值,模板关系谱中第i行第j列的值用I(i,j)来表示。
步骤S500:使用分段函数对模板关系谱进行处理,建立栅线模板图像。
特别地,模板关系谱中存在负数及正数两种类型数据,正数中有近似于零的,和其他明显大于0的。使用分段函数对模板关系谱进行处理:
式中U为设定分段阈值,I(i,j)表示模板关系谱中第i行第j列的值。p(i,j)为关系谱P经分段函数处理后第i行第j列新的值。
本发明实施例中根据经验设定分段阈值为5,在其他实施例中该分段阈值可以根据实际情况而进行调整。
对模板关系谱进行分段函数的处理后得到如下所示的列向差异表:
表2列向差异表
列向差异表展示了模板关系谱列与列之间的差异关系,根据表格中的数据对图像进行反向过程恢复,对应的二值图像请参阅图5,图5中白色区域对应栅线间隔50,黑色区域对应栅线60,栅线间隔50的宽度为3,栅线60宽度为2,栅线的宽度小于栅线间隔的宽度。
至此,可以获得模板关系谱中栅线所在位置。
将模板关系谱的二值化图像进行反色处理,建立栅线模板图像,使得栅线值为1,硅晶区域值为0。
以上是建立横向比较模型以及通过横向比较模型获得栅线模板图像的步骤,接下来需要以栅线模板图像作为遮罩对各帧图像进行处理,建立纵向比较模型获取断栅缺陷位置。
步骤S600:以栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比栅线像素中单帧图像单列像素的差异值。
以栅线模板图像作为遮罩与各帧的光伏电池板的图像相乘,提取每帧光伏电池板图像中栅线像素,比较各帧图像中栅线位置纵向像素间的差异性;对于单列栅线像素,有:
式中,Ii表示第i行像素值,M(i)表示第i行像素值到平均行像素值的差异值。
步骤S700:根据单帧图像单列像素间的差异值建立拟合曲线,设定经验阈值判断离群异常点,离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以连续断点作为断栅缺陷位置。
由于光照影响,该列不同行像素的差异值呈线性分布。得到每行散点对应的M(i)后,利用RANSAC进行散点线性关系的拟合,设定距离阈值G,计算点到线的距离,距离小于G时,图像表现为光滑曲线,即光伏电池板图像无断栅缺陷;当距离大于G时,判断该点为离群异常点,认为该离群点为该纵向像素的断点,本发明实施例中栅线在图像中的宽度并非单像素,若同一行的连续断点不小于栅线宽度,则认为该行发生断栅,连续断点即断栅缺陷位置。
对所用图像进行判别后,记录出现断栅缺陷的图像编号,及对应的断栅行列值。最终标记到拼接的全局图像上,达到直观可视化效果。
综上所述,本发明提供了一种基于人工智能的光伏电池板批量断栅检测方法,该方法包括利用比较模型对所有光伏电池板图像进行对比,横向比较模型中同帧图像各列像素间的对比,能够消除污渍的影响,利用栅线周期出现的规律确认栅线的位置;纵向比较模型中同帧图像单列像素间的对比,消除了光照对检测结果的影响,判断出断栅缺陷位置。
基于与上述方法实施例相同的发明构思,本发明另一个实施例提供了一种基于人工智能的光伏电池板批量断栅检测***。
请参阅图6,其示出了本发明另一个实施例所提供的一种基于人工智能的光伏电池板批量断栅检测***100的结构框图,该***包括图像获取单元70和判断单元80。
具体的,图像获取单元70,用于获取单个光伏电池板的初始图像;
判断单元80,包括预处理模块81、横向关系谱建立模块82、模板关系谱建立模块83、模板图像获取模块84和断栅位置判断模块85;
预处理模块81,用于对每个光伏电池板的初始图像进行灰度化、图像归一化、对齐的预处理操作;
横向关系谱建立模块82,用于通过对比预处理后的图像同帧各列像素间的差异值得到横向关系谱;
模板关系谱建立模块83,用于建立一个模板关系谱,统计横向关系谱中相同位置的差异值,以出现最多次的差异值作为模板关系谱中该位置的值;
模板图像获取模块84,用于使用分段函数对模板关系谱进行处理,获得栅线模板图像;以及
断栅位置判断模块85,用于以栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比栅线像素中单帧图像单列像素的差异值;根据单帧图像单列像素间的差异值建立拟合曲线,设定经验阈值判断离群异常点,离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以连续断点作为断栅缺陷位置。
进一步地,图像获取单元70还包括拼接模块、构建模板模块、匹配模块、调整模块、切分模块:
拼接模块,用于将采集到的图像拼接为全局图像;
构建模板模块,根据单个光伏电池板的长宽比,用于构建一个矩形模板;
匹配模块,用于使用矩形模板在全局图像中光伏电池板上滑窗,若矩形模板滑动时,边框对应的各像素值与光伏电池板边缘的像素值在误差范围内,则认为匹配成功,当匹配成功的数量不小于参考数量时,以矩形模板作为理想矩形模板;
调整模块,用于匹配不成功,或匹配成功的数量少于参考数量时,调节矩形模板的尺寸,重复所述匹配模块的步骤,直至获得理想矩形模板;以及
切分模块,用于利用理想矩形模板将全局图像依次切分成单个光伏电池板的初始图像。
进一步地,横向关系谱建立模块还包括第一差异值获取模块以及横向关系谱获取模块:
第一差异值获取模块,用于求出不同两列像素同行之间的差值,取同行像素差值的平均值作为这两列像素的差异值。
横向关系谱获取模块,用于获取同帧各列所有差异值,得到横向关系谱。
进一步地,断栅位置判断模块还包括第二差异值获取模块:
第二差异值获取模块,用于依次求出每帧图像每列栅线中逐行的像素值与该列像素均值之间的差值平方,作为栅线像素中单列像素间的差异值。
综上所述,本发明提供了一种基于人工智能的光伏电池板批量断栅检测***,该***包括通过图像获取单元采集光伏电池板的初始图像,再将初始图象输入判断单元,判断单元中的模板图像获取模块能够消除污渍的影响,利用栅线周期出现的规律确认栅线的位置,而断栅位置判断模块,进一步地消除光照对检测结果的影响,判断出断栅缺陷位置。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,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。
以上仅为本发明的较佳实施例,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的光伏电池板批量断栅检测方法,其特征在于,该方法包含以下步骤:
获取单个光伏电池板的初始图像;
对每个光伏电池板的所述初始图像进行灰度化、图像归一化和对齐的预处理操作;
通过对比所述预处理后的图像同帧各列像素间的差异值得到横向关系谱;
建立一个模板关系谱,统计所述横向关系谱中相同位置的所述差异值,以出现最多次的差异值作为模板关系谱中该位置的值;
使用分段函数对所述模板关系谱进行处理,建立栅线模板图像;
以所述栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比所述栅线像素中单帧图像单列像素的差异值;
根据所述单帧图像单列像素的差异值建立拟合曲线,设定经验阈值判断离群异常点,所述离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以所述连续断点作为断栅缺陷位置。
2.根据权利要求1所述的一种基于人工智能的光伏电池板批量断栅检测方法,其特征在于,所述获取单个光伏电池板的初始图像的方法包括以下步骤:
将采集到的图像拼接为全局图像;
将所述全局图像进行模式匹配,拆分得到单个光伏电池板的初始图像。
3.根据权利要求2所述的一种基于人工智能的光伏电池板批量断栅检测方法,其特征在于,所述将全局图像进行模式匹配,拆分得到单个光伏电池板的初始图像过程如下:
根据所述单个光伏电池板的长宽比,构建一个矩形模板;
使用所述矩形模板在所述全局图像中光伏电池板上滑窗,若所述矩形模板滑动时,边框对应的各像素值与光伏电池板边缘的像素值在误差范围内,则认为匹配成功,当匹配成功的数量不小于参考数量时,以所述矩形模板作为理想矩形模板;
匹配不成功,或匹配成功的数量少于参考数量时,调节所述矩形模板的尺寸,重复以上步骤,直至获得理想矩形模板;
利用所述理想矩形模板将全局图像依次切分成所述单个光伏电池板的初始图像。
4.根据权利要求1所述的一种基于人工智能的光伏电池板批量断栅检测方法,其特征在于,所述横线关系谱中同帧各列像素间的差异值的获取方法为:求出不同两列像素同行之间的差值,取同行像素差值的平均值作为这两列像素的差异值。
5.根据权利要求1所述的一种基于人工智能的光伏电池板批量断栅检测方法,其特征在于,所述栅线像素中单列像素间的差异值的获取方法为:依次求出每帧图像每列栅线中逐行的像素值与该列像素均值之间的差值平方。
6.一种基于人工智能的光伏电池板批量断栅检测***,其特征在于,包括:
图像获取单元,用于获取单个光伏电池板的初始图像;
判断单元,包括预处理模块、横向关系谱建立模块、模板关系谱建立模块、模板图像获取模块和断栅位置判断模块;
所述预处理模块,用于对每个光伏电池板的所述初始图像进行灰度化、图像归一化、对齐的预处理操作;
所述横向关系谱建立模块,用于通过对比所述预处理后的图像同帧各列像素间的差异值得到横向关系谱;
所述模板关系谱建立模块,用于建立一个模板关系谱,统计所述横向关系谱中相同位置的所述差异值,以出现最多次的差异值作为模板关系谱中该位置的值;
所述模板图像获取模块,用于使用分段函数对所述模板关系谱进行处理,建立栅线模板图像;以及
所述断栅位置判断模块,用于以所述栅线模板图像作为遮罩,提取各帧图像中的栅线像素,对比所述栅线像素中单帧图像单列像素的差异值;根据所述单帧图像单列像素间的差异值建立拟合曲线,设定经验阈值判断离群异常点,所述离群异常点为纵向像素的断点,若同一行的连续断点不小于栅线宽度,则判定该行发生断栅,以所述连续断点作为断栅缺陷位置。
7.根据权利要求6所述的一种基于人工智能的光伏电池板批量断栅检测***,其特征在于,所述图像获取单元还包括拼接模块、构建模板模块、匹配模块、调整模块、切分模块:
所述拼接模块,用于将采集到的图像拼接为全局图像;
所述构建模板模块,用于根据所述单个光伏电池板的长宽比,构建一个矩形模板;
所述匹配模块,用于使用所述矩形模板在所述全局图像中光伏电池板上滑窗,若所述矩形模板滑动时,边框对应的各像素值与光伏电池板边缘的像素值在误差范围内,则认为匹配成功,当匹配成功的数量不小于参考数量时,以所述矩形模板作为理想矩形模板;
所述调整模块,用于匹配不成功,或匹配成功的数量少于参考数量时,调节所述矩形模板的尺寸,重复所述匹配模块的步骤,直至获得理想矩形模板;以及
所述切分模块,用于利用所述理想矩形模板将全局图像依次切分成所述单个光伏电池板的初始图像。
8.根据权利要求7所述的一种基于人工智能的光伏电池板批量断栅检测***,其特征在于,所述横向关系谱建立模块还包括第一差异值获取模块以及横向关系谱获取模块:
所述第一差异值获取模块,用于求出不同两列像素同行之间的差值,取同行像素差值的平均值作为这两列像素的差异值。
所述横向关系谱获取模块,用于获取同帧各列所有所述差异值,得到横向关系谱。
9.根据权利要求6所述的一种基于人工智能的光伏电池板批量断栅检测***,其特征在于,所述断栅位置判断模块还包括第二差异值获取模块:
所述第二差异值获取模块,用于依次求出每帧图像每列栅线中逐行的像素值与该列像素均值之间的差值平方,作为栅线像素中单列像素间的差异值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004945.2A CN112184650A (zh) | 2020-09-21 | 2020-09-21 | 一种基于人工智能的光伏电池板批量断栅检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004945.2A CN112184650A (zh) | 2020-09-21 | 2020-09-21 | 一种基于人工智能的光伏电池板批量断栅检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184650A true CN112184650A (zh) | 2021-01-05 |
Family
ID=73955831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004945.2A Withdrawn CN112184650A (zh) | 2020-09-21 | 2020-09-21 | 一种基于人工智能的光伏电池板批量断栅检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184650A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782442A (zh) * | 2022-06-22 | 2022-07-22 | 托伦斯半导体设备启东有限公司 | 一种基于人工智能的光伏电池板智慧巡检方法及*** |
CN115099290A (zh) * | 2022-08-29 | 2022-09-23 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
CN115272348A (zh) * | 2022-09-30 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 一种基于光伏电池栅线缺陷的编码检测方法 |
CN115272332A (zh) * | 2022-09-29 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 |
-
2020
- 2020-09-21 CN CN202011004945.2A patent/CN112184650A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782442A (zh) * | 2022-06-22 | 2022-07-22 | 托伦斯半导体设备启东有限公司 | 一种基于人工智能的光伏电池板智慧巡检方法及*** |
CN115099290A (zh) * | 2022-08-29 | 2022-09-23 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
CN115099290B (zh) * | 2022-08-29 | 2022-11-01 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板生产质量检测方法 |
CN115272332A (zh) * | 2022-09-29 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 基于计算机视觉的光伏板蜗牛纹缺陷检测方法 |
CN115272348A (zh) * | 2022-09-30 | 2022-11-01 | 索日新能源科技(南通)有限公司 | 一种基于光伏电池栅线缺陷的编码检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184650A (zh) | 一种基于人工智能的光伏电池板批量断栅检测方法及*** | |
CN111583198A (zh) | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 | |
CN110490866B (zh) | 基于深度特征融合的金属增材成形尺寸实时预测方法 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及*** | |
CN112588764A (zh) | 基于人工智能的光伏组件上多机器人协同清洁方法及装置 | |
CN107578410B (zh) | 转辙机缺口图像自动识别方法 | |
CN112529875A (zh) | 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** | |
CN107133969A (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
CN102855465B (zh) | 一种移动物体的跟踪方法 | |
CN112526391A (zh) | 电解槽故障检测***及方法 | |
KR101246120B1 (ko) | 전후면 번호판 영상 기반 차량번호 인식 시스템 | |
CN109919038A (zh) | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN113591973B (zh) | 一种轨道板外观状态变化智能比对方法 | |
CN116883433B (zh) | 一种光伏组件表面温度分布实时监测*** | |
CN117455917A (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN112489018A (zh) | 一种电力线智能巡线方法及巡线 | |
CN117191809A (zh) | 基于数据分析的玻璃检测设备故障监测预警*** | |
CN102945547A (zh) | 一种冷轧钢板表面图像光照均匀化方法 | |
CN112264419A (zh) | 基于人工智能的多光伏清洁机器人协同调度方法及*** | |
CN112288730A (zh) | 基于人工智能的光伏电池板表面缺陷定位方法及装置 | |
CN112116600A (zh) | 一种基于图像处理的光伏板计数方法 | |
CN113239806B (zh) | 一种基于图像识别的幕墙板块识别方法及*** | |
CN113627400B (zh) | 一种工业仪表视频识别*** | |
CN112561992A (zh) | 位置的确定方法及装置、存储介质和电子装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210105 |