CN112529875A - 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** - Google Patents

一种基于人工智能的光伏组件玻璃爆裂预警方法及*** Download PDF

Info

Publication number
CN112529875A
CN112529875A CN202011466941.6A CN202011466941A CN112529875A CN 112529875 A CN112529875 A CN 112529875A CN 202011466941 A CN202011466941 A CN 202011466941A CN 112529875 A CN112529875 A CN 112529875A
Authority
CN
China
Prior art keywords
frame
bubble
image
area
grid line
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Withdrawn
Application number
CN202011466941.6A
Other languages
English (en)
Inventor
孙占民
杨晓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011466941.6A priority Critical patent/CN112529875A/zh
Publication of CN112529875A publication Critical patent/CN112529875A/zh
Withdrawn legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的光伏组件玻璃爆裂预警方法及***。该方法包括：采集光伏电池板表面的RGB图像；根据RGB图像获得光伏电池板的边框栅线图像；以边框和光伏电池板的最***栅线划分感兴趣区域图像；将感兴趣区域图像送入孪生网络，输出与正常电池板区域的相似性向量；分割感兴趣区域中的气泡得到气泡轮廓；根据每个边框对感兴趣区域编号，获得多个边框区域，并划分气泡影响区域；在气泡影响区域中计算最***栅线像素点和边框像素点的欧氏距离并获得欧式距离均方差；根据欧式距离均方差和气泡面积得到爆裂估计值，当爆裂估计值达到预警值时反馈预警信息。本发明实现了对光伏组件玻璃爆裂的预警。

Description

一种基于人工智能的光伏组件玻璃爆裂预警方法及***
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的光伏组件玻璃爆裂预警方法及***。
背景技术
光伏发电技术领域应用范围广阔，涵盖了民用、商用等各种领域。成为利用清洁能源的一种不可或缺的手段。作为光伏产业中的重点技术，光伏电池板的维护和检测同样受到关注。光伏电池板的运行状况、发电功率直接影响光伏电厂的运营情况，因此，对光伏电池板的检测和预警是维护中的重点，是避免光伏组件出现问题最有效的途径。
光伏组件玻璃爆裂可能有很多原因，例如光伏电池板的边框形变挤压引起玻璃的炸裂、光伏电池板中出现气泡导致光伏电板中气泡周围受热不均匀引起炸裂等，一般的边框形变会导致光伏组件密封不好，在边框连接处出现气泡，时间长了会使玻璃出现裂纹，影响光伏电板的清洁和发电性能。目前，现有的技术中多为光伏组件的缺陷检测，如EL测试仪对各种隐裂等问题的检测，无法对未出现玻璃爆裂但有爆裂隐患的光伏组件进行预测预警。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的光伏组件玻璃爆裂预警方法及***，所采用的技术方案具体如下：
本发明提出了一种基于人工智能的光伏组件玻璃爆裂预警方法，所述方法包括：
采集光伏电池板RGB图像；
提取所述RGB图像的R通道图像得到第一图像；根据预设的第一像素阈值二值化处理所述第一图像，获得所述光伏电池板的边框栅线图像；
根据所述边框栅线图像以边框和所述光伏电池板的最***栅线划分感兴趣区域图像；
将所述感兴趣区域图像送入预先训练好的孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据所述相似性向量确定边框发生形变的异常电池板；
在所述感兴趣区域图像根据预设的第二像素阈值分割气泡图像；对所述气泡图像进行边缘提取获得气泡轮廓；
在所述异常电池板上根据每个边框对所述感兴趣区域进行编号，获得多个边框区域；在每个所述边框区域内以所有所述气泡轮廓坐标和所述最***栅线划分气泡影响区域；
在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以所述欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素；
对所述边框区域内每个所述气泡轮廓内像素点求和得到气泡面积，根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值；将所述爆裂估计值求和得到整体电池板的整体爆裂估计值；对所述整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。
进一步地，所述根据所述边框栅线图像以边框和所述光伏电池板的最***栅线划分感兴趣区域图像：
以所述边框和所述最***栅线之间的区域作为感兴趣区域，将所述感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；
将所述掩膜图像与所述第一图像相乘，获得所述感兴趣区域图像。
进一步地，所述根据所述相似性向量确定边框发生形变的异常电池板后还包括以下操作：
若通过孪生网络输出相似性向量判断出异常电池板但是所述异常电池板未出现气泡，则将所述异常电池板进行特殊标记。
进一步地，所述在所述边框区域内以所述气泡轮廓坐标划分气泡影响区域方法包括：
以上下边框区域中所述气泡轮廓的最大横坐标与最小横坐标的差值作为所述气泡影响区域的长；所述上下边框区域的宽为所述气泡影响区域的宽；和/或
以左右边框区域中所述气泡轮廓的最大纵坐标与最小纵坐标的差值作为所述气泡影响区域的宽；所述左右边框区域的长为所述气泡影响区域的长。
进一步地，所述在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离的方法包括：
对所述气泡影响区域二值化处理后进行霍夫直线拟合，获得所述气泡影响区域中栅线斜率；
以所述栅线上的栅线像素点做所述栅线的垂线；所述垂线与所述边框交点为对应的边框像素点；计算所述栅线像素点和所述边框像素点的欧氏距离。
进一步地，所述根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值：
通过公式计算每个所述边框区域的爆裂估计值：
Qj＝W(MSEj+Sj)
其中，W为调整权重，j为边框区域的编号，MSEj为编号为j的边框区域的所述欧氏距离均方差，Sj为编号为j的边框区域的所述气泡面积。
本发明还提出了一种基于人工智能的光伏组件玻璃爆裂预警***，其特征在于，所述***包括图像采集模块、边框栅线图像获取模块、感兴趣区域图像划分模块、气泡轮廓获取模块、孪生网络模块、气泡影响区域获取模块、边框形变影响因素获取模块和爆裂估计预警模块；
所述图像采集模块用于采集光伏电池板RGB图像；
所述边框栅线图像获取模块用于提取所述RGB图像的R通道图像得到第一图像；根据预设的第一灰度阈值二值化处理所述第一图像，获得所述光伏电池板的边框栅线图像；
所述感兴趣区域图像划分模块用于根据所述边框栅线图像以边框和所述光伏电池板最***栅线划分感兴趣区域图像；
所述孪生网络模块用于将所述感兴趣区域图像送入预先训练好的孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据所述相似性向量确定边框发生形变的异常电池板；
所述气泡轮廓获取模块用于在所述感兴趣区域图像根据预设的第二灰度阈值分割气泡图像；对所述气泡图像进行边缘提取获得气泡轮廓图像；
所述气泡影响区域获取模块用于在所述异常电池板上根据每个边框对所述感兴趣区域进行编号，获得多个边框区域；在每个所述边框区域内以所有所述气泡轮廓坐标和所述最***栅线划分气泡影响区域；
所述边框形变影响因素获取模块用于在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以所述欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素；
所述爆裂估计预警模块用于对所述边框区域内每个所述气泡轮廓内像素点求和得到气泡面积，根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值；将所述爆裂估计值求和得到整体电池板的整体爆裂估计值；对所述整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。
进一步地，所述感兴趣区域图像划分模块以所述边框和所述最***栅线之间的区域作为感兴趣区域，将所述感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；将所述掩膜图像与所述第一图像相乘，获得所述感兴趣区域图像。
进一步地，所述孪生网络模块输出相似性向量判断出异常电池板且所述异常电池板未出现气泡，则将所述异常电池板进行特殊标记。
进一步地，所述边框形变影响因素获取模块在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离包括：
对所述气泡影响区域二值化处理后进行霍夫直线拟合，获得所述气泡影响区域中栅线斜率；
利用所述栅线上的栅线像素点以所述栅线斜率的倒数的负数为斜率做直线；所述直线与所述边框交点为对应的边框像素点；计算所述栅线像素点和所述边框像素点的欧氏距离。
本发明具有如下有益效果：
1.本发明实施例通过边框形变程度和形变引起的气泡对光伏组件玻璃板进行爆裂估计，针对不同的情况改变爆裂估计的阈值，当达到预警值时及时反馈给工作人员，实现爆裂预警的功能。
2.本发明实施例将采集到的光伏电池板的图像送入孪生网络进行处理，输出相似性向量。孪生网络不需要手动提取特征，能够自适应的匹配和正常图像的边框形变差别。且可以通过输出的相似性向量确定异常电池板的序列。
3.本发明实施例通过边框对电池板进行编号，使得检测时能够通过编号实现爆裂点定位。
4.本发明实施例利用边框中气泡划分气泡影响区域，在气泡影响区域利用对应的栅线像素点，通过霍夫直线拟合算法得到栅线斜率，作栅线的垂线交边框的像素点计算与正常栅线边框距离的均方差来评估边框的形变程度，能够更加精确的得到电池板的形变评估。
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组件玻璃爆裂预警方法流程图；
图2为本发明一个实施例所提供的一种基于人工智能的光伏组件玻璃爆裂预警***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组件玻璃爆裂预警方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
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。
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组件玻璃爆裂预警方法及***的具体方案。
请参阅图1，其示出了本发明一个实施例提供的种基于人工智能的光伏组件玻璃爆裂预警方法流程图。该方法包括：
步骤S1：采集光伏电池板RGB图像。
针对光伏电站的具体场景，在无人机上安装RGB相机在光伏电池板上方俯视拍摄，在拍摄过程中保持高度一致，得到清晰完整的RGB图像。
步骤S2：提取RGB图像的R通道图像得到第一图像；根据预设的第一灰度阈值二值化处理第一图像，获得光伏电池板的边框栅线图像。
提取RGB图像中R通道中的图像得到第一图像，为了使得后续图像检测更有效，需要对第一图像进行去噪等预处理操作。
因为光伏电池板的玻璃背景色和边框栅线背景色差异较大，所以设定第一像素阈值，通过二值化处理得到边框和栅线图像。
优选的，在本发明实施例中第一像素阈值设置为40。
步骤S3：根据边框栅线图像以边框和光伏电池板的最***栅线划分感兴趣区域图像。
以边框和最***栅线之间的区域作为感兴趣区域，将感兴趣区域内像素标注为1，其他区域标注为0，获得掩膜图像。
将掩膜图像与第一图像相乘，获得感兴趣区域图像。
步骤S4：将感兴趣区域图像送入预先训练好的孪生网络中进行处理，输出与正常电池板区域的相似性向量。
将正常电池板图像经过相同的感兴趣区域划分进行处理，将处理好的正常电池板图像作为孪生网络的正类样本，将步骤S3采集到的感兴趣区域图像作为孪生网络的负类样本。通过孪生网络输出相似性向量对边框形变进行评估。
孪生网络采用编码-全连接层结构，具体包括：
1)将正类样本和负类样本送入孪生网络进行训练。
2)通过形变编码器对图像进行卷积池化等下采样操作，对图像数据批量归一化，加快模型的收敛速度，通过全连接层输出，得到边框的特征向量。
通过边框的特征向量计算不同图像特征向量的欧氏距离di，通过欧式距离作为相似性向量的标准来评估采集的光伏电池板图像与正常光伏电池板图像的边框差异大小，确定异常电池板。
优选的，若通过孪生网络输出相似性向量判断出异常电池板，但是所述异常电池板未出现气泡，则将该异常电池板进行特殊标记，使得以后检测过程中优先检测。
步骤S5：在感兴趣区域图像根据预设的第二灰度阈值分割气泡图像；对气泡图像进行边缘提取获得气泡轮廓。
因为边框玻璃板气泡区域灰度与边框栅线有明显差异，所以根据预设第二像素阈值进行分割气泡。在感兴趣区域图像上经过阈值分割得到气泡图像，再经过边缘检测技术获得气泡轮廓。
步骤S6：根据每个边框对感兴趣区域编号，获得多个边框区域；并划分气泡影响区域。
在异常电池板上根据4个边框对感兴趣区域进行编号。在本发明实施例中，将上边框区域设置编号为1，右边框区域设置编号为2，下边框区域为设置编号为3，左边框区域设置编号为4。在本实施例中都以这四个边框进行举例说明。
在感兴趣区域内根据气泡轮廓坐标划分气泡影响区域，具体包括：以上下边框区域中气泡轮廓的最大横坐标与最小横坐标的差值作为气泡影响区域的长，上下边框区域的宽为气泡影响区域的宽；以左右边框区域中气泡轮廓的最大纵坐标与最小纵坐标的差值作为气泡影响区域的宽；左右边框区域的长为气泡影响区域的长。由此确定气泡影响区域。
步骤S7：在气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，获得欧氏距离的均方差。
为了消除无人机在拍摄过程中成像可能会有左右偏移的影响，本发明实施例分析边框局部的形变程度是针对边框以及对应的最***栅线进行分析，在分析过程中默认栅线不会出现偏移和形变。
在气泡影响区域中二值化处理后进行霍夫直线拟合，得到气泡影响区域栅线的斜率k1。以栅线上的栅线像素点做栅线的垂线，垂线斜率为k2，即k2*k1＝-1。该垂线与对应的边框的交点作为边框像素点。将栅线像素点(xi,yi)与边框像素点(x′i,y′i)对应相连，计算两个像素点的欧式距离di，及欧氏距离的均方差MSEj：
Figure BDA0002834633920000071
Figure BDA0002834633920000072
其中，di为欧氏距离，xi为栅线像素点横坐标，yi为栅线像素点纵坐标，x′i为边框像素点横坐标，y′i为边框像素点纵坐标。
以得到的均方差来评估此编号边框区域的形变程度。
步骤S8：根据气泡轮廓内像素点求和得到气泡面积，根据气泡面积和欧式距离均方差得到爆裂估计值。
边框发生的形变导致光伏电池板之间密封性不好是导致边框气泡出现的原因之一。所以通过统计边框处出现的气泡面积大小进一步作为评估光伏组件玻璃板爆裂的指标之一。将得到的气泡轮廓内的像素点求和作为气泡面积：
Figure BDA0002834633920000073
其中，Ii(x,y)表示气泡轮廓中的像素点，Sj表示为四个编号边框对应的气泡面积。
根据气泡面积和步骤S7得到的欧式距离均方差得到4个边框区域的爆裂估计值：
Qj＝W(MSEj+Sj)j＝1,2,3,4
其中，W为调整权重，j为边框区域的编号，MSEj为编号为j的边框区域的欧氏距离均方差，Sj为编号为j的边框区域的气泡面积。
优选的，在本发明实施例中W＝0.7。
将4个边框区域的爆裂估计值求和，得到整体电池板的整体爆裂估计值。对整体爆裂估计值进行归一化处理，归一化处理后的整体爆裂估计值值域在[0,1]之间。当整体爆裂估计值接近于1时，爆裂的可能性较大；当整体爆裂估计值接近于0时，爆裂的可能性较小。设置爆裂预警值，当整体爆裂估计值达到爆裂预警时进行预警，通过四个边框的爆裂估计值定位爆裂区域，使得工作人员及时作出处理。
优选的，在本发明实施例中爆裂预警值设置为0.5。
综上所述，本发明实施例通过对电池板的初步评估确定异常电池板，然后通过对异常电池板各个边框区域的评估检测，结合出现的气泡面积对各个边框区域进行爆裂估计，并将爆裂估计值求和归一化获得整体爆裂估计值。当整体爆裂估计值达到预设爆裂预警值时进行预警，工作人员可以根据各个边框区域的爆裂估计值迅速定位爆裂点及时处理。
请参阅图2，其示出了本发明一个实施例提供的种基于人工智能的光伏组件玻璃爆裂预警***框图。该***包括：图像采集模块101、边框栅线图像获取模块102、感兴趣区域图像划分模块103、气泡轮廓获取模块104、孪生网络模块105、气泡影响区域获取模块106、边框形变影响因素获取模块107和爆裂估计预警模块108。
图像采集模块101用于采集光伏电池板RGB图像。
边框栅线图像获取模块102用于提取RGB图像的R通道图像得到第一图像；根据预设的第一灰度阈值二值化处理第一图像，获得光伏电池板的边框栅线图像。
感兴趣区域图像划分模块103用于根据边框栅线图像以边框和光伏电池板最***栅线划分感兴趣区域图像。
孪生网络模块104用于将感兴趣区域图像送入预先训练好的孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据相似性向量确定边框发生形变的异常电池板。
气泡轮廓获取模块105用于在感兴趣区域图像根据预设的第二灰度阈值分割气泡图像；对气泡图像进行边缘提取获得气泡轮廓图像。
气泡影响区域获取模块106用于在异常电池板上根据每个边框对感兴趣区域进行编号，获得多个边框区域；在每个边框区域内以所有气泡轮廓坐标和最***栅线划分气泡影响区域。
边框形变影响因素获取模块107用于在气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素。
爆裂估计预警模块108用于对边框区域内每个气泡轮廓内像素点求和得到气泡面积，根据气泡面积和欧式距离均方差得到每个边框栅线区域的爆裂估计值；将爆裂估计值求和得到整体电池板的整体爆裂估计值；对整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。
优选的，感兴趣区域图像划分模块103以边框和最***栅线之间的区域作为感兴趣区域，将感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；将掩膜图像与所述第一图像相乘，获得感兴趣区域图像。
优选的，孪生网络模块104输出相似性向量判断出异常电池板且异常电池板未出现气泡，则将异常电池板进行特殊标记
优选的，所述边框形变影响因素获取模块在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离包括：
对气泡影响区域二值化处理后进行霍夫直线拟合，获得气泡影响区域中栅线斜率；
利用栅线上的栅线像素点以栅线斜率的倒数的负数为斜率做直线；直线与边框交点为对应的边框像素点；计算栅线像素点和边框像素点的欧氏距离。
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。
以上所述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 (10)

1.一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述方法包括：
采集光伏电池板RGB图像；
提取所述RGB图像的R通道图像得到第一图像；根据预设的第一像素阈值二值化处理第一图像，获得所述光伏电池板的边框栅线图像；
根据所述边框栅线图像以边框和所述光伏电池板的最***栅线划分感兴趣区域图像；
将所述感兴趣区域图像送入预先训练好的所述孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据所述相似性向量确定边框发生形变的异常电池板；
在所述感兴趣区域图像根据预设的第二像素阈值分割气泡图像；对所述气泡图像进行边缘提取获得气泡轮廓；
在所述异常电池板上根据每个边框对所述感兴趣区域进行编号，获得多个边框区域；在每个所述边框区域内以所有所述气泡轮廓坐标和所述最***栅线划分气泡影响区域；
在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以所述欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素；
对所述边框区域内每个所述气泡轮廓内像素点求和得到气泡面积，根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值；将所述爆裂估计值求和得到整体电池板的整体爆裂估计值；对所述整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。
2.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述边框栅线图像以边框和所述光伏电池板的最***栅线划分感兴趣区域图像：
以所述边框和所述最***栅线之间的区域作为感兴趣区域，将所述感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；
将所述掩膜图像与所述第一图像相乘，获得所述感兴趣区域图像。
3.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述相似性向量确定边框发生形变的异常电池板后还包括以下操作：
若通过孪生网络输出相似性向量判断出异常电池板但是所述异常电池板未出现气泡，则将所述异常电池板进行特殊标记。
4.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述在所述边框区域内以所述气泡轮廓坐标划分气泡影响区域方法包括：
以上下边框区域中所述气泡轮廓的最大横坐标与最小横坐标的差值作为所述气泡影响区域的长；所述上下边框区域的宽为所述气泡影响区域的宽；和/或
以左右边框区域中所述气泡轮廓的最大纵坐标与最小纵坐标的差值作为所述气泡影响区域的宽；所述左右边框区域的长为所述气泡影响区域的长。
5.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离的方法包括：
对所述气泡影响区域二值化处理后进行霍夫直线拟合，获得所述气泡影响区域中栅线斜率；
以所述栅线上的栅线像素点做所述栅线的垂线；所述垂线与所述边框交点为对应的边框像素点；计算所述栅线像素点和所述边框像素点的欧氏距离。
6.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值：
通过公式计算每个所述边框区域的爆裂估计值：
Qj＝W(MSEj+Sj)
其中，W为调整权重，j为边框区域的编号，MSEj为编号为j的边框区域的所述欧氏距离均方差，Sj为编号为j的边框区域的所述气泡面积。
7.一种基于人工智能的光伏组件玻璃爆裂预警***，其特征在于，所述***包括图像采集模块、边框栅线图像获取模块、感兴趣区域图像划分模块、气泡轮廓获取模块、孪生网络模块、气泡影响区域获取模块、边框形变影响因素获取模块和爆裂估计预警模块；
所述图像采集模块用于采集光伏电池板RGB图像；
所述边框栅线图像获取模块用于提取所述RGB图像的R通道图像得到第一图像；根据预设的第一灰度阈值二值化处理所述第一图像，获得所述光伏电池板的边框栅线图像；
所述感兴趣区域图像划分模块用于根据所述边框栅线图像以边框和所述光伏电池板最***栅线划分感兴趣区域图像；
所述孪生网络模块用于将所述感兴趣区域图像送入预先训练好的孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据所述相似性向量确定边框发生形变的异常电池板；
所述气泡轮廓获取模块用于在所述感兴趣区域图像根据预设的第二灰度阈值分割气泡图像；对所述气泡图像进行边缘提取获得气泡轮廓图像；
所述气泡影响区域获取模块用于在所述异常电池板上根据每个边框对所述感兴趣区域进行编号，获得多个边框区域；在每个所述边框区域内以所有所述气泡轮廓坐标和所述最***栅线划分气泡影响区域；
所述边框形变影响因素获取模块用于在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以所述欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素；
所述爆裂估计预警模块用于对所述边框区域内每个所述气泡轮廓内像素点求和得到气泡面积，根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值；将所述爆裂估计值求和得到整体电池板的整体爆裂估计值；对所述整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。
8.根据权利要求7所述的一种基于人工智能的光伏组件玻璃爆裂预警***，其特征在于，所述感兴趣区域图像划分模块以所述边框和所述最***栅线之间的区域作为感兴趣区域，将所述感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；将所述掩膜图像与所述第一图像相乘，获得所述感兴趣区域图像。
9.根据权利要求7所述的一种基于人工智能的光伏组件玻璃爆裂预警***，其特征在于，所述孪生网络模块输出相似性向量判断出异常电池板且所述异常电池板未出现气泡，则将所述异常电池板进行特殊标记。
10.根据权利要求7所述的一种基于人工智能的光伏组件玻璃爆裂预警***，其特征在于，所述边框形变影响因素获取模块在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离包括：
对所述气泡影响区域二值化处理后进行霍夫直线拟合，获得所述气泡影响区域中栅线斜率；
利用所述栅线上的栅线像素点以所述栅线斜率的倒数的负数为斜率做直线；所述直线与所述边框交点为对应的边框像素点；计算所述栅线像素点和所述边框像素点的欧氏距离。
CN202011466941.6A 2020-12-14 2020-12-14 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** Withdrawn CN112529875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011466941.6A CN112529875A (zh) 2020-12-14 2020-12-14 一种基于人工智能的光伏组件玻璃爆裂预警方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011466941.6A CN112529875A (zh) 2020-12-14 2020-12-14 一种基于人工智能的光伏组件玻璃爆裂预警方法及***

Publications (1)

Publication Number Publication Date
CN112529875A true CN112529875A (zh) 2021-03-19

Family

ID=74999486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011466941.6A Withdrawn CN112529875A (zh) 2020-12-14 2020-12-14 一种基于人工智能的光伏组件玻璃爆裂预警方法及***

Country Status (1)

Country Link
CN (1) CN112529875A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470014A (zh) * 2021-08-31 2021-10-01 江苏裕荣光电科技有限公司 一种基于人工智能的太阳能电池板的故障检测方法
CN113487563A (zh) * 2021-07-02 2021-10-08 河海大学常州校区 一种基于el图像的光伏组件隐裂自适应检测方法
CN113610799A (zh) * 2021-08-04 2021-11-05 沭阳九鼎钢铁有限公司 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备
CN113658133A (zh) * 2021-08-16 2021-11-16 江苏鑫丰源机电有限公司 一种基于图像处理的齿轮表面缺陷检测方法及***
CN113673526A (zh) * 2021-07-23 2021-11-19 浙江大华技术股份有限公司 气泡检测方法、终端及计算机可读存储介质
CN116523906A (zh) * 2023-06-28 2023-08-01 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和***
CN117670880A (zh) * 2024-01-31 2024-03-08 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及***

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487563A (zh) * 2021-07-02 2021-10-08 河海大学常州校区 一种基于el图像的光伏组件隐裂自适应检测方法
CN113487563B (zh) * 2021-07-02 2023-09-05 河海大学常州校区 一种基于el图像的光伏组件隐裂自适应检测方法
CN113673526A (zh) * 2021-07-23 2021-11-19 浙江大华技术股份有限公司 气泡检测方法、终端及计算机可读存储介质
CN113610799A (zh) * 2021-08-04 2021-11-05 沭阳九鼎钢铁有限公司 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备
CN113658133A (zh) * 2021-08-16 2021-11-16 江苏鑫丰源机电有限公司 一种基于图像处理的齿轮表面缺陷检测方法及***
CN113470014A (zh) * 2021-08-31 2021-10-01 江苏裕荣光电科技有限公司 一种基于人工智能的太阳能电池板的故障检测方法
CN113470014B (zh) * 2021-08-31 2021-12-07 江苏裕荣光电科技有限公司 一种基于人工智能的太阳能电池板的故障检测方法
CN116523906A (zh) * 2023-06-28 2023-08-01 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和***
CN116523906B (zh) * 2023-06-28 2023-09-12 长沙韶光芯材科技有限公司 一种玻璃基板光学性能检测方法和***
CN117670880A (zh) * 2024-01-31 2024-03-08 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及***
CN117670880B (zh) * 2024-01-31 2024-05-07 中成空间（深圳）智能技术有限公司 一种柔性光伏电池的检测校正方法及***

Similar Documents

Publication Publication Date Title
CN112529875A (zh) 一种基于人工智能的光伏组件玻璃爆裂预警方法及***
CN109615653B (zh) 基于深度学习与视场投影模型的渗漏水面积检测与识别方法
CN114998355B (zh) 一种密封橡胶圈的生产缺陷识别方法及装置
CN109146860B (zh) 全自动机械设备安装泄露检测方法及装置
CN109871938A (zh) 一种基于卷积神经网络的零部件喷码检测方法
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN114170552A (zh) 基于红外热成像的天然气泄漏实时预警方法及***
CN111462057A (zh) 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法
CN113538503A (zh) 一种基于红外图像的太阳能板缺陷检测方法
CN114782442B (zh) 一种基于人工智能的光伏电池板智慧巡检方法及***
CN117876308A (zh) 基于图像分析的光伏板检测方法
CN112381759A (zh) 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法
CN113591973B (zh) 一种轨道板外观状态变化智能比对方法
CN109671084B (zh) 一种工件形状的测量方法
CN111079852B (zh) 一种输电线路绝缘子覆冰厚度侦测方法
CN112669269A (zh) 一种基于图像识别的管道缺陷分类分级方法及***
CN111161264B (zh) 一种对含有缺陷的tft电路图像的分割方法
CN112396582A (zh) 一种基于Mask RCNN的均压环歪斜检测方法
CN116739986A (zh) Auv在输水隧洞内对典型缺陷检测的光学声学组合方法
CN112651936B (zh) 基于图像局部熵的钢板表面缺陷图像分割方法及***
CN114821520A (zh) 一种融合时空信息的车道线检测方法
CN112288372B (zh) 一种可同时识别一维条码和三段码字符的快递单识别方法
CN114663402A (zh) 一种基于Hough直线检测和曲线拟合的线缆脱垂检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210319