CN112633535B - 一种基于无人机图像的光伏电站智能巡检方法及*** - Google Patents
一种基于无人机图像的光伏电站智能巡检方法及*** Download PDFInfo
- Publication number
- CN112633535B CN112633535B CN202110046360.5A CN202110046360A CN112633535B CN 112633535 B CN112633535 B CN 112633535B CN 202110046360 A CN202110046360 A CN 202110046360A CN 112633535 B CN112633535 B CN 112633535B
- Authority
- CN
- China
- Prior art keywords
- image
- inspection
- photovoltaic panel
- power station
- photovoltaic
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007547 defect Effects 0.000 claims abstract description 113
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Graphics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Biochemistry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种基于无人机图像的光伏电站智能巡检方法及***,***包括无人机数据导入模块、巡检数据解析模块、深度学***,有效提高光伏电站的巡检效率。
Description
技术领域
本发明涉及一种基于无人机图像的光伏电站智能巡检方法及***。
背景技术
光伏发电是直接将太阳能转化成电能的产业。由于常规能源具有储量有限、污染高等缺点,因而环保可靠且可再生的光伏发电***迅速发展。基于太阳能的光伏发电***分为集中式和分布式,集中式光伏电站一般占地面积广,建设位置大多位于一些偏远地区、自然环境较为恶劣;分布式电站一般建在屋顶、大棚和大面积水池上。在光伏电站运行中,光伏板容易受到鸟粪污染、树枝树叶遮挡、风吹日晒老化等因素的影响,随着时间推移可能出现裂痕、热斑等问题,影响光伏板的发电效率。这给光伏电站的管理人员带来了巨大的运维压力,需要定期巡视光伏电站以检查光伏板是否存在缺陷。
传统的光伏电站运维主要依靠人工巡检,这种方式不仅成本高昂、工作效率低下,还需要依靠运维人员的经验进行判别,容易出现巡检不到位等问题。另外,在偏远地区,交通环境相对恶劣,导致光伏电站巡检工作成本高昂,效率低下。因此,人工巡检方式难以满足安全高效的光伏电站巡检需求。
随着无人机技术的发展和中国智能电网建设的推进,提出了基于视觉图像的光伏电站智能巡检***,它能够大幅缩减运维所需人数及时间,节省人力运维成本,有效提升电站巡检效率。在已有的一些光伏电站智能巡检***中,通常包含了巡检路径规划、无人机智能飞行、图像采集远距离图传、设备故障智能诊断、巡检报告生成等功能,已经开始实现从“手持设备巡检”到“无人机自动巡检”的转变。然而,如何充分地结合智能化技术,进一步提升光伏电站巡检的自动化水平和精细化程度成为下一阶段的发展方向。
在已有的光伏电站自动巡检***中,公开号CN107356339A的《一种无人机光伏电站检测方法》采用巡检人员手动操纵无人机在电站中飞行完成巡检;公开号CN110276851A的《一种应用无人机在光伏电站中进行智能巡检的方法及其巡检装置》为光伏板粘贴编码标签,完成对缺陷光伏板的精准定位;公开号CN111459190A的《面向规模化集中式光伏电站自动巡检的无人机及巡检方法》利用可交换图像文件(EXIF)中包含的经纬度信息获取缺陷光伏板的大致坐标。针对地形复杂的光伏电站场景,这些巡检方法要么仍需要大量的人工操作,要么难以对光伏板组件进行精准定位,即光伏电站的缺陷检测能力和自动化程度仍较低,极大地限制了它们在实际场景中的实用性。
发明内容
本发明的目的是提出一种基于无人机图像的光伏电站智能巡检方法及***,通过建立具有实例标注的数字光伏电站,通过虚拟场景图和真实采集图的配准,实现巡检图像中光伏板组件的自动定位与编号生成,利用深度学习算法处理可见光、红外等多模态数据,实现光伏板缺陷的精确检测。
为了实现上述目的,本发明的技术方案是:
一种基于无人机图像的光伏电站智能巡检方法,包括无人机按照指定巡检轨迹飞行获取光伏板图像,对获取的光伏板图像进行解析处理输出光伏板故障定位,其中,所述对获取的光伏板图像进行解析处理输出光伏板故障定位包括:
一,建立一个数字光伏电站:由实际光伏电站鸟瞰图像分别生成与实际光伏电站场景图像相一致的虚拟仿真场景图像和语义实例图像;虚拟仿真场景图像和语义实例图像相互匹配,所述虚拟仿真场景图像包括光伏板模型和场景布局,场景布局包括了光伏板模型布局和环境因素,光伏板模型布局含有基于地理经纬度定位坐标信息;所述语义实例图像是将布局的不同光伏板模型用渲染图像和编号加以区分表达;
二,将获取的光伏板图像进行像素提取,将提取的像素输入缺陷判定神经网络模型,缺陷判定神经网络模型输出判定结果,其中:对于缺陷结果的输出包括缺陷类型信息以及缺陷边界框坐标;
三,将输出的缺陷类型信息以及缺陷边界框坐标映射到所述语义实例图像中,从语义实例图像中获取缺陷所在光伏板编号信息,并根据虚拟仿真场景图像和语义实例图像相互匹配关系,将缺陷边界框显示在虚拟仿真场景图像光伏板模型中对光伏板故障定位;
四,存储巡检结果数据用于巡检回放查询并输出最终光伏板故障定位;
其中:所述缺陷判定神经网络模型是根据光伏板缺陷类型事先深度学习建立的模型。
方案进一步是:所述光伏板图像包括连续间隔拍照的可见光图像和红外光图像,可见光图像用于判定光伏板表面是否有杂物遮挡以及杂物类型,红外光图像用于判定光伏板表面是否有热斑区块,其中:间隔图像至少有三分之一重叠。
方案进一步是:所述指定轨迹是从虚拟仿真场景图像中根据光伏板模型布局含有的地理经纬度定位坐标信息制定的轨迹。
方案进一步是:所述巡检结果数据包括无人机飞行轨迹的经纬度和高度信息、图像的拍摄时间和缺陷类型以及缺陷位置和缺陷位置所在光伏板编号的信息。
方案进一步是:所述缺陷判定神经网络模型使用的是Faster-RCNN目标检测模型。
方案进一步是:所述输出最终光伏板故障定位是:无人机按照指定巡检轨迹重复飞行多次,对每一次获取光伏板图像进行解析处理分别输出光伏板故障定位,对每一次的光伏板故障定位进行比对,将重复出现的光伏板故障定位作为最终光伏板故障定位输出。
一种实现上述光伏电站智能巡检方法的***,包括:无人机数据导入模块、巡检数据解析模块、深度学习算法模块、数字光伏电站模块、巡检结果管理模块和巡检回放模块;其中:
所述无人机数据导入模块是将无人机巡检所采集的红外光图像、可见光图像进行预处理,并导入到巡检数据解析模块中;
所述巡检数据解析模块是利用深度学习算法将巡检图像数据解析为所需的巡检结果,包括经纬度、高度、拍摄时间、缺陷类型、缺陷位置及所在光伏板的编号;
所述深度学习算法模块为巡检数据解析模块提供支撑,包括缺陷检测算法和图像配准算法,缺陷检测算法从多模态巡检图像中检测出各类缺陷,图像配准算法将数字光伏电站模块的虚拟仿真场景图像与实际采集的真实光伏电站图像进行配准;
所述数字光伏电站模块为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像,为深度学习算法模块生成场景图像、语义实例图像虚拟数据,进而可视化巡检回放模块的巡检过程;
所述巡检结果管理模块用于存储和管理光伏电站巡检的数据,包括原始巡检数据和解析的巡检结果,并支持巡检结果的查询;
所述巡检回放模块是将单个批次的巡检过程数据和结果数据进行可视化,实现在数字光伏电站中的回放展示。
方案进一步是:所述缺陷检测算法是采用Faster-RCNN目标检测模型对巡检图片中的光伏板缺陷进行检测;所述图像配准算法是使用BFMatcher特征点匹配方法对两张图像的特征点位置和对应的描述符进行匹配,根据随机抽样一致算法ransac去除不合格的特征匹配点对后,利用剩余匹配特征点对计算仿射变换矩阵,从而实现真实巡检图像和虚拟场景图像之间的配准。
方案进一步是:所述Faster-RCNN目标检测模型对巡检图片中的光伏板缺陷进行检测包括:首先使用预训练的卷积神经网络作为特征提取器,生成卷积特征图,而后用区域候选网络RPN进行候选区域的提取,最后对卷积神经网络提取的特征和包含相关物体的边界框采用特征区域池化RoI Pooling处理,以调整边界框坐标。
方案进一步是:所述为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像的过程是:首先用无人机现场拍摄的光伏电站鸟瞰照片,利用虚幻4引擎在虚拟场景中搭建真实电站场景的1:1虚拟模型,构建出虚拟光伏板的三维模型,根据光伏板编号与经纬度坐标数据,调整每块光伏板在场景中的具***置,使数字光伏电站中的光伏板布局与实际电站一致,得到的虚拟仿真光伏电站场景图像;在图像中生成的每张虚拟场景光伏板图片时,利用虚幻4引擎构建图像生成插件,在生成每张光伏板虚拟场景图像的同时渲染获得光伏板实例的掩膜图像,对不同的光伏板组件采用对应的编号进行表达,最终生成与光伏电站真实采集图像相匹配的虚拟仿真场景图像和语义实例图像。
本发明的有益效果是:
本发明通过在多模态巡检图像数据上引入深度学习算法,实现更加精确的光伏缺陷检测;通过建立数字光伏电站,实现光伏电站总体布局的表达和巡检过程的回放;通过虚拟场景图像与真实采集图像的配准,实现真实场景中光伏板位置与编号的获取;通过回放功能直观展示单批次巡检过程与结果。
本发明解决了人工巡检所面临的自动化程度不高、检测结果不精确等问题,从而提高光伏电站的运维效率并降低运维成本。巡检无人机采集带定位信息的图像数据,以支持光伏电站缺陷的自动定位;建立具有实例标注的数字光伏电站,通过虚拟场景图和真实采集图的配准,实现巡检图像中光伏板组件的自动定位与编号生成;利用深度学***,有效提高光伏电站的巡检效率。
下面结合附图和实施例对本发明作一详细描述。
附图说明
图1为本发明光伏电站智能巡检***模块图;
图2为本发明光伏电站智能巡检处理流程图;
图3为本发明光伏电站真实场景与虚拟场景对比示意图;
图4为本发明三种图像的比较示意图。
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。
在本实施例的描述中,需要说明的是,术语“连接”、“置于”应做广义理解,例如“连接”可以是导线连接,也可以是机械连接;“置于”可以是固定连接放置,也可以是一体成形放置。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本实施例中的具体含义。
一种基于无人机图像的光伏电站智能巡检方法,包括无人机按照指定巡检轨迹飞行获取光伏板图像,对获取的光伏板图像进行解析处理输出光伏板故障定位,其中,所述对获取的光伏板图像进行解析处理输出光伏板故障定位包括:
一,建立一个数字光伏电站:由实际光伏电站鸟瞰图像分别生成与实际光伏电站场景图像相一致的虚拟仿真场景图像和语义实例图像;虚拟仿真场景图像和语义实例图像相互匹配,所述虚拟仿真场景图像包括光伏板模型和场景布局,场景布局包括了光伏板模型布局和环境因素(如道路、树木等),光伏板模型布局含有基于地理经纬度定位坐标信息;所述语义实例图像是将布局的不同光伏板模型用渲染图像和编号加以区分表达;
二,将获取的光伏板图像进行像素提取,将提取的像素输入缺陷判定神经网络模型,缺陷判定神经网络模型输出判定结果,其中:对于缺陷结果的输出包括缺陷类型信息以及缺陷边界框坐标;
三,将输出的缺陷类型信息以及缺陷边界框坐标映射到所述语义实例图像中,从语义实例图像中获取缺陷所在光伏板编号信息,并根据虚拟仿真场景图像和语义实例图像相互匹配关系,将缺陷边界框显示在虚拟仿真场景图像光伏板模型中对光伏板故障定位;
四,存储巡检结果数据用于巡检回放查询并输出最终光伏板故障定位;
其中:所述缺陷判定神经网络模型是根据光伏板缺陷类型事先深度学习建立的模型。
所述光伏板图像包括连续间隔拍照的可见光图像和红外光图像,可见光图像用于判定光伏板表面是否有杂物遮挡以及杂物类型,红外光图像用于判定光伏板表面是否有热斑区块,其中:间隔图像至少有三分之一重叠,根据这一原则可以由无人机飞行的速度确定拍照时间的间隔,或者根据间隔时间确定无人机飞行的高度,并且,所述缺陷判定神经网络模型包括可见光图像光伏板缺陷类型神经网络模型和红外光图像光伏板缺陷类型神经网络模型;所述缺陷判定神经网络模型使用的是Faster-RCNN目标检测模型,Faster-RCNN目标检测模型可以自动提取图像特征,并且可以输出缺陷边界框坐标。
其中的所述指定轨迹是从虚拟仿真场景图像中根据光伏板模型布局含有的地理经纬度定位坐标信息制定的轨迹。所述巡检结果数据包括无人机飞行轨迹的经纬度和高度信息、图像的拍摄时间和缺陷类型以及缺陷位置和缺陷位置所在光伏板编号的信息。
为了更加准确的定位缺陷位置,防止出现虚假缺陷定位,本方法利用巡检回放查询对所述输出最终光伏板故障定位采取的方法是:无人机按照指定巡检轨迹重复飞行多次,对每一次获取光伏板图像进行解析处理分别输出光伏板故障定位,对每一次的光伏板故障定位进行比对,将重复出现的光伏板故障定位作为最终光伏板故障定位输出。
上述方法采用的是模块化***实现的,图1示意了一种实现基于无人机图像的光伏电站智能巡检方法的***,包括无人机数据导入模块、巡检数据解析模块、深度学习算法模块、数字光伏电站模块、巡检结果管理模块和巡检回放模块。其中:
1)无人机数据导入模块是将无人机巡检所采集的红外光图像、可见光图像进行规范化预处理,例如去躁处理是图片更加清晰,并将图像的像素信息导入到巡检数据解析模块中;
2)巡检数据解析模块是利用深度学习算法将巡检图像数据解析为所需的巡检结果,包括经纬度、高度、拍摄时间、缺陷类型、缺陷位置及所在光伏板的编号等;
3)深度学习算法模块为巡检数据解析模块提供支撑,包括缺陷检测算法和图像配准算法,缺陷检测算法从多模态巡检图像中检测出各类缺陷,图像配准算法将数字光伏电站模块的虚拟仿真场景图像与实际采集的真实光伏电站图像进行配准;
4)数字光伏电站模块为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像,一方面为深度学习算法模块生成场景图像、语义实例图像虚拟数据,另一方面支持巡检回放模块对巡检过程的可视化;
5)巡检结果管理模块用于存储和管理光伏电站巡检的所有数据,包括原始巡检数据和解析的巡检结果,并支持巡检结果的查询;
6)巡检回放模块是将单个批次的巡检过程数据和结果数据进行可视化,实现在数字光伏电站中的回放展示。
所述巡检数据解析模块是对无人机巡检数据进行解析,获得所需的巡检结果,实现中依次对每个位置的采集图像进行处理,针对单个位置数据,解析处理主要包含以下步骤:
1)解析可交换图像文件自身所包含的拍摄经纬度、高度和拍摄时间参数,用经纬度参数判断拍摄地点是否在目标光伏电站内部,若不在则无需后续操作;
2)使用缺陷检测算法对可见光图像和红外图像进行缺陷检测,如果存在缺陷,则通过矩形框或掩码的形式给出缺陷在巡检图像中的位置,并给出缺陷类型;否则跳转处理下一个数据;
3)根据实际图像的拍摄经纬度和高度在数字光伏电站中采集对应的虚拟场景图像和语义实例图像;
4)使用图像配准算法对真实巡检图像和虚拟场景图像进行配准,进而将真实巡检图像的像素映射到语义实例图像中,实现对真实巡检图像的光伏板实例解析;
5)根据缺陷检测框或掩码在真实巡检图像中的位置,获得对应的语义实例图像信息,从而得到缺陷所在光伏板的编号。
所述深度学习算法模块用于支撑巡检数据解析模块,包括缺陷检测算法和图像配准算法。其中,缺陷检测算法采用深度学习检测模型对可见光、红外多模态图像进行检测,获得每处缺陷的类型及检测框,这里不同模态图像表达了相同位置的信息,共同输出检测结果。图像配准算法分别为真实巡检图像和虚拟场景图像生成特征描述,计算它们之间的仿射变换矩阵,进而采用仿射变换将真实巡检图像的像素映射到与虚拟场景图像完全匹配的语义实例图像中。
所述数字光伏电站模块是指给定光伏电站所对应的虚拟三维虚拟场景,包括光伏板模型和场景布局,场景布局包括了光伏板布局和环境因素(如道路、树木等)。该模块支持给定位置下的虚拟数据生成,包括场景的可见光图像和表示不同光伏板的语义实例图像,在语义实例图像中,不同的光伏板由固定的编号进行表达。
所述巡检结果管理模块用于对巡检数据和巡检结果的组织、存储与管理,包括巡检数据库和巡检结果查询模块。巡检数据库主要存储了巡检信息表、单次数据记录表和缺陷结果表,巡检信息表保存巡检批次、日期以及对应批次的缺陷数量等批次信息;单次数据记录表保存巡检批次、图像存放地址、高度、经度、纬度等巡检信息;缺陷结果表保存巡检批次、缺陷类型、缺陷光伏板编号等缺陷信息。巡检结果查询模块根据不同查询条件对数据库进行检索并显示,主要包括巡检时间查询、缺陷查询等。
所述巡检回放模块用于对单次巡检过程的可视化展示,便于用户查看与分析巡检路线的设置与巡检结果。针对给定的单个巡检批次,回放过程主要包括以下步骤:
1)从巡检结果管理模块获取待回放批次的真实巡检图像及其解析后的巡检结果,按时间顺序处理巡检结果,根据飞行高度和经纬度生成巡检过程的飞行路线;
2)根据每条巡检结果中记录的缺陷光伏板编号和缺陷类型,在真实巡检图像的光伏板中心标记光伏板编号,并用不同颜色的检测框表示不同类型的光伏板缺陷;
3)按照设定的巡检飞行路线和飞行速度,在数字光伏电站中模拟巡检飞行过程,并展示带有解析结果的巡检图像。
如图2所示,为了实现无需依赖人工介入的光伏电站智能巡检,利用人工智能算法对巡检数据进行解析处理:首先,通过无人机在光伏电站中实景拍摄,获取光伏电站的真实巡检图像;然后一方面解析图像的拍摄时间、经纬度、高度等信息,利用缺陷检测算法检测巡检图像中的光伏板缺陷位置和缺陷类型;另一方面通过解析出的经纬度和高度在虚拟场景中采样生成对应的虚拟场景图和实例图,图像配准模块对真实巡检图像和虚拟场景图像进行配准,根据配准结果得到真实场景中的缺陷所在光伏板编号。在解析处理模块对巡检图像解析完成后,将解析结果存储至巡检数据库,在用户对巡检结果进行查询和回放时为相应模块提供所需的巡检结果信息。
无人机巡检数据的采集
所述无人机能够完成对光伏电站的实景拍摄,具有以下特征:
1)搭载云台相机作为负载,该云台相机能够同时输出可见光图像与红外光图像;
2)通过结合视觉定位、全球定位***(GPS)定位和实时动态技术(RTK)定位等方式,无人机能够精准定位自身所处的经纬度和高度;
3)无人机具备视觉***和红外感知***两套避障***,保证了无人机在巡检过程中不会因障碍物的存在而发生危险;
4)无人机所搭载的电池续航能够满足巡检要求,且一旦发生电量过低的情况,无人机会自动返航以保障飞行安全;
5)无人机采取辅助导航***与惯性导航***相结合的导航方式,能够保证沿设定的巡检路线进行拍摄。
根据巡检过程中是否需要人工手动介入操作,将巡检模式分为手动模式和GPS巡航模式。为了实现自动化的巡检,实施例采用GPS巡航模式,分为以下步骤:
1)利用无人机遥控器向无人机输入场景地图,通过标定航点(即路线进行转向的点)在地图中规划出巡检路径,并将巡检路线输入至无人机中保存。其中,所规划的路径应能够覆盖到场景中的所有光伏板。
2)设定无人机的飞行高度、拍照间隔、云台朝向、返航点等参数。所设定的飞行高度应能保证无人机不受障碍物影响且能够清晰地拍摄巡检图像;所设定的拍照间隔与飞行高度相关,应能保证前后两张图片不遗漏光伏板信息;设置云台朝向始终竖直向下;所设定的无人机返航点应能保证无人机的返航安全,并满足续航限制。
3)为无人机进行充电、安装起落架和云台相机等准备工作,最后开启无人机电源令其对电站进行实景拍摄。
实施例中:所述为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像的过程是:首先用无人机现场拍摄的光伏电站俯视鸟瞰照片,利用虚幻4引擎在虚拟场景中搭建真实电站场景的1:1虚拟模型。将场景中需要构建的对象按材质属性进行分类,如土地、道路、树木、变压箱等,对于不同属性的对象采用不同的构建方法。对于道路、变压箱等数量少、重复性低的对象,进行精细构建以及还原,使每个对象都有一个1:1还原的虚拟三维模型;对于土地、树木等数量多且随机性较大的对象,构建多个随机的虚拟三维模型,在场景对应位置进行随机生成;对光伏板这一核心组件,首先根据光伏电站俯视图以及实地测量得到的光伏板长宽尺寸、倾角、间距等参数,通过创建顶点、绘制三角形、绘制颜色贴图、创建模型材质、添加光影等步骤,精准构建出虚拟光伏板的三维模型。生成光伏板后,为每块光伏板表面添加一定的随机噪声纹理和环境光照,实现光伏板的颜色变化。
结合多张真实巡检图片中的光伏板编号与经纬度坐标数据,精细调整每块光伏板在场景中的具***置,使数字光伏电站中的光伏板布局与实际电站接近一致。得到的虚拟仿真光伏电站场景图像如图3所示,左边视图为拍摄的光伏电站实景图,右边视图是生成的虚拟仿真光伏电站场景。
在生成每张虚拟场景图片时,利用虚幻4引擎构建图像生成插件,在生成每张光伏电站虚拟场景图像的同时渲染获得光伏板实例的掩膜图像,对不同的光伏板组件采用对应的编号进行表达,最终生成与光伏电站真实采集图像相匹配的虚拟场景图像和语义实例图像,如图4所示。
针对光伏电站中常见的缺陷类型,实施例所述缺陷检测算法采用Faster-RCNN目标检测模型对巡检图片中的光伏板缺陷进行检测。具体地,首先使用预训练的卷积神经网络作为特征提取器,生成卷积特征图,而后用区域候选网络(RPN)进行候选区域的提取,最后对卷积神经网络提取的特征和包含相关物体的边界框采用特征区域池化(RoI Pooling)处理,以调整边界框坐标。
实施例针对可见光图像和红外图像两种模态数据分别训练缺陷检测模型。具体地,可见光图像主要检测鸟粪、树枝遮挡等缺陷,红外图像主要用来检测热斑。在训练阶段,对两种模态的图像分别划分训练集与测试集,分别训练对应模型;在测试阶段,将两个模型输出的缺陷检测结果融合后作为最终输出。
在本实施例中,针对真实巡检图像和虚拟场景图像之间的配准,首先用一些线段、三角形、矩形等具有明显特征的图像构成的基础数据集,训练骨干特征提取网络的基础模型;其次对每张图像进行多种单应性变换进行数据增强,使用基础模型所预测的标签在真实图像和虚拟图像上再次训练,将再次训练后的基础模型所预测的图像特征点作为每张图像的特征点标签;而后将原始图像经过编码输入解码网络,分别利用两个分支提取特征点热图和对应的特征描述符;最后,使用BFMatcher特征点匹配方法对两张图像的特征点位置和对应的描述符进行匹配,根据随机抽样一致算法(ransac)去除不合格的特征匹配点对后,可以利用剩余匹配的特征点对计算仿射变换矩阵,从而实现真实巡检图像和虚拟场景图像之间的配准。
上述实施例通过在多模态巡检图像数据上引入深度学习算法,实现更加精确的光伏缺陷检测;通过建立数字光伏电站,实现光伏电站总体布局的表达和巡检过程的回放;通过虚拟场景图像与真实采集图像的配准,实现真实场景中光伏板位置与编号的获取;通过回放功能直观展示单批次巡检过程与结果。
实施例解决了人工巡检所面临的自动化程度不高、检测结果不精确等问题,从而提高光伏电站的运维效率并降低运维成本。巡检无人机采集带定位信息的图像数据,以支持光伏电站缺陷的自动定位;建立具有实例标注的数字光伏电站,通过虚拟场景图和真实采集图的配准,实现巡检图像中光伏板组件的自动定位与编号生成;利用深度学***,有效提高光伏电站的巡检效率。
Claims (7)
1.一种基于无人机图像的光伏电站智能巡检方法,包括无人机按照指定巡检轨迹飞行获取光伏板图像,对获取的光伏板图像进行解析处理输出光伏板故障定位,其特征在于,所述对获取的光伏板图像进行解析处理输出光伏板故障定位包括:
一,建立一个数字光伏电站:由实际光伏电站鸟瞰图像分别生成与实际光伏电站场景图像相一致的虚拟仿真场景图像和语义实例图像;虚拟仿真场景图像和语义实例图像相互匹配,所述虚拟仿真场景图像包括光伏板模型和场景布局,场景布局包括了光伏板模型布局和环境因素,光伏板模型布局含有基于地理经纬度定位坐标信息;所述语义实例图像是将布局的不同光伏板模型用渲染图像和编号加以区分表达;
二,将获取的光伏板图像进行像素提取,将提取的像素输入缺陷判定神经网络模型,缺陷判定神经网络模型输出判定结果,其中:对于缺陷结果的输出包括缺陷类型信息以及缺陷边界框坐标;
三,将输出的缺陷类型信息以及缺陷边界框坐标映射到所述语义实例图像中,从语义实例图像中获取缺陷所在光伏板编号信息,并根据虚拟仿真场景图像和语义实例图像相互匹配关系,将缺陷边界框显示在虚拟仿真场景图像光伏板模型中对光伏板故障定位;
四,存储巡检结果数据用于巡检回放查询并输出最终光伏板故障定位;
其中:所述缺陷判定神经网络模型是根据光伏板缺陷类型事先深度学习建立的模型;
所述光伏板图像包括连续间隔拍照的可见光图像和红外光图像,可见光图像用于判定光伏板表面是否有杂物遮挡以及杂物类型,红外光图像用于判定光伏板表面是否有热斑区块,其中:间隔图像至少有三分之一重叠;
所述输出最终光伏板故障定位是:无人机按照指定巡检轨迹重复飞行多次,对每一次获取光伏板图像进行解析处理分别输出光伏板故障定位,对每一次的光伏板故障定位进行比对,将重复出现的光伏板故障定位作为最终光伏板故障定位输出。
2.根据权利要求1所述的方法,其特征在于,所述指定轨迹是从虚拟仿真场景图像中根据光伏板模型布局含有的地理经纬度定位坐标信息制定的轨迹。
3.根据权利要求1所述的方法,其特征在于,所述巡检结果数据包括无人机飞行轨迹的经纬度和高度信息、图像的拍摄时间和缺陷类型以及缺陷位置和缺陷位置所在光伏板编号的信息。
4.根据权利要求1所述的方法,其特征在于,所述缺陷判定神经网络模型使用的是Faster-RCNN目标检测模型。
5.一种实现权利要求1所述光伏电站智能巡检方法的***,其特征在于,所述***包括:无人机数据导入模块、巡检数据解析模块、深度学习算法模块、数字光伏电站模块、巡检结果管理模块和巡检回放模块;其中:
所述无人机数据导入模块是将无人机巡检所采集的红外光图像、可见光图像进行预处理,并导入到巡检数据解析模块中;
所述巡检数据解析模块是利用深度学习算法将巡检图像数据解析为所需的巡检结果,包括经纬度、高度、拍摄时间、缺陷类型、缺陷位置及所在光伏板的编号;
所述深度学习算法模块为巡检数据解析模块提供支撑,包括缺陷检测算法和图像配准算法,缺陷检测算法从多模态巡检图像中检测出各类缺陷,图像配准算法将数字光伏电站模块的虚拟仿真场景图像与实际采集的真实光伏电站图像进行配准;
所述数字光伏电站模块为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像,为深度学习算法模块生成场景图像、语义实例图像虚拟数据,进而可视化巡检回放模块的巡检过程;
所述巡检结果管理模块用于存储和管理光伏电站巡检的数据,包括原始巡检数据和解析的巡检结果,并支持巡检结果的查询;
所述巡检回放模块是将单个批次的巡检过程数据和结果数据进行可视化,实现在数字光伏电站中的回放展示;
所述为实际的光伏电站建立对应的虚拟仿真场景图像和语义实例图像的过程是:首先用无人机现场拍摄的光伏电站鸟瞰照片,利用虚幻4引擎在虚拟场景中搭建真实电站场景的1:1虚拟模型,构建出虚拟光伏板的三维模型,根据光伏板编号与经纬度坐标数据,调整每块光伏板在场景中的具***置,使数字光伏电站中的光伏板布局与实际电站一致,得到的虚拟仿真光伏电站场景图像;在图像中生成的每张虚拟场景光伏板图片时,利用虚幻4引擎构建图像生成插件,在生成每张光伏板虚拟场景图像的同时渲染获得光伏板实例的掩膜图像,对不同的光伏板组件采用对应的编号进行表达,最终生成与光伏电站真实采集图像相匹配的虚拟仿真场景图像和语义实例图像。
6.根据权利要求5所述***,其特征在于,所述缺陷检测算法是采用Faster-RCNN目标检测模型对巡检图片中的光伏板缺陷进行检测;所述图像配准算法是使用BFMatcher特征点匹配方法对两张图像的特征点位置和对应的描述符进行匹配,根据随机抽样一致算法ransac去除不合格的特征匹配点对后,利用剩余匹配特征点对计算仿射变换矩阵,从而实现真实巡检图像和虚拟场景图像之间的配准。
7.根据权利要求6所述***,其特征在于,所述Faster-RCNN目标检测模型对巡检图片中的光伏板缺陷进行检测包括:首先使用预训练的卷积神经网络作为特征提取器,生成卷积特征图,而后用区域候选网络RPN进行候选区域的提取,最后对卷积神经网络提取的特征和包含相关物体的边界框采用特征区域池化RoI Pooling处理,以调整边界框坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046360.5A CN112633535B (zh) | 2021-01-14 | 2021-01-14 | 一种基于无人机图像的光伏电站智能巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046360.5A CN112633535B (zh) | 2021-01-14 | 2021-01-14 | 一种基于无人机图像的光伏电站智能巡检方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633535A CN112633535A (zh) | 2021-04-09 |
CN112633535B true CN112633535B (zh) | 2024-05-24 |
Family
ID=75294159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046360.5A Active CN112633535B (zh) | 2021-01-14 | 2021-01-14 | 一种基于无人机图像的光伏电站智能巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633535B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298973B (zh) * | 2021-05-26 | 2022-04-26 | 广东电网有限责任公司电力调度控制中心 | 一种基于5g通信的无人机电力巡检方法及装置 |
CN113436176A (zh) * | 2021-07-01 | 2021-09-24 | 华风数据(深圳)有限公司 | 可见光下基于ssd和dssd算法的光伏板表面故障检测方法 |
CN113435369A (zh) * | 2021-07-01 | 2021-09-24 | 华风数据(深圳)有限公司 | 基于ssd算法模型和远红外视频的光伏故障智能识别方法 |
CN113344002B (zh) * | 2021-07-29 | 2022-02-01 | 北京图知天下科技有限责任公司 | 一种目标坐标去重方法、***、电子设备及可读存储介质 |
CN113325877B (zh) * | 2021-08-02 | 2021-11-12 | 旻投电力发展有限公司 | 一种基于rtk定位的无人机平台的光伏组件定位方法 |
CN113325878B (zh) * | 2021-08-04 | 2021-10-08 | 旻投电力发展有限公司 | 一种基于无人机的光伏组件积灰检测***及检测方法 |
CN113920449A (zh) * | 2021-08-26 | 2022-01-11 | 中国电建集团江西省电力建设有限公司 | 光伏电站巡检方法、***、计算机设备及存储介质 |
CN113850173A (zh) * | 2021-09-17 | 2021-12-28 | 合肥阳光智维科技有限公司 | 针对故障光伏组件的消除重复定位的方法、装置及介质 |
CN114089786A (zh) * | 2021-09-29 | 2022-02-25 | 北京航空航天大学杭州创新研究院 | 一种基于无人机视觉的沿山区公路自主巡检*** |
CN113744270B (zh) * | 2021-11-05 | 2022-02-08 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN114285374A (zh) * | 2021-12-14 | 2022-04-05 | 上海电气集团股份有限公司 | 光伏电站的设备定位方法、***、电子设备及储存介质 |
CN114491755A (zh) * | 2022-01-24 | 2022-05-13 | 阳光新能源开发股份有限公司 | 一种山地光伏电站道路规划方法、装置、设备及存储介质 |
CN114648510A (zh) * | 2022-03-28 | 2022-06-21 | 国网新能源云技术有限公司 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
CN114648708A (zh) * | 2022-03-28 | 2022-06-21 | 国网电子商务有限公司 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
CN114913619A (zh) * | 2022-04-08 | 2022-08-16 | 华能苏州热电有限责任公司 | 一种智能移动巡检方法和*** |
CN114898232B (zh) * | 2022-04-29 | 2023-08-15 | 中科云尚(南京)智能技术有限公司 | 基于光伏组串数据分析的光伏电站无人机巡检方法及*** |
CN115048698A (zh) * | 2022-06-15 | 2022-09-13 | 华能大理风力发电有限公司洱源分公司 | 一种光伏场站组串与数据采集***的对应关系确定方法 |
CN115049663B (zh) * | 2022-08-16 | 2022-12-09 | 星逻智能科技(苏州)有限公司 | 基于无人机双光融合绝缘子缺陷检测方法及*** |
CN115202404B (zh) * | 2022-09-15 | 2022-12-02 | 广东容祺智能科技有限公司 | 基于无人机的光伏发电组维护巡检方法 |
CN115239893B (zh) * | 2022-09-23 | 2022-12-23 | 运易通科技有限公司 | 一种用于仓库顶棚太阳能板缺陷检测的图像重建方法 |
CN116030127A (zh) * | 2022-12-13 | 2023-04-28 | 阳光电源(上海)有限公司 | 光伏电站的故障定位方法、故障定位装置和电子设备 |
CN115861855B (zh) * | 2022-12-15 | 2023-10-24 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN115767040B (zh) * | 2023-01-06 | 2023-04-25 | 松立控股集团股份有限公司 | 基于交互式持续学习的360度全景监控自动巡航方法 |
CN116151869B (zh) * | 2023-04-19 | 2023-06-27 | 国网安徽省电力有限公司经济技术研究院 | 一种输变电差异化运维成本分析*** |
CN116465804B (zh) * | 2023-05-26 | 2023-10-20 | 东北电力大学 | 一种基于图像法检测光伏板积灰浓度的***及其应用 |
CN117172962B (zh) * | 2023-07-17 | 2024-04-16 | 南京工业职业技术大学 | 基于电力***的用电节能方法及*** |
CN116862482B (zh) * | 2023-09-04 | 2023-11-07 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检***和方法 |
CN117236936A (zh) * | 2023-11-11 | 2023-12-15 | 中节能(新泰)太阳能科技有限公司 | 一种基于无人机的光伏电站障碍定位方法 |
CN117749087B (zh) * | 2023-12-21 | 2024-05-24 | 国能(海南)新能源发展有限公司 | 一种实景三维渔光互补光伏电站自主巡检清洁运维*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN111062991A (zh) * | 2019-12-27 | 2020-04-24 | 西安因诺航空科技有限公司 | 一种光伏场景的巡检目标定位方法、设备及可读存储介质 |
CN111722642A (zh) * | 2020-05-11 | 2020-09-29 | 深圳创动科技有限公司 | 一种光伏电站的巡检方法、巡检装置以及存储介质 |
-
2021
- 2021-01-14 CN CN202110046360.5A patent/CN112633535B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN111062991A (zh) * | 2019-12-27 | 2020-04-24 | 西安因诺航空科技有限公司 | 一种光伏场景的巡检目标定位方法、设备及可读存储介质 |
CN111722642A (zh) * | 2020-05-11 | 2020-09-29 | 深圳创动科技有限公司 | 一种光伏电站的巡检方法、巡检装置以及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于Faster R-CNN的实木板材缺陷检测识别***;范佳楠;刘英;胡忠康;赵乾;沈鹭翔;周晓林;;林业工程学报(03);全文 * |
基于无人机图像识别技术的输电线路缺陷检测;李宁;郑仟;谢贵文;陈炜;;电子设计工程(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633535A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633535B (zh) | 一种基于无人机图像的光伏电站智能巡检方法及*** | |
CN106203265B (zh) | 一种施工扬尘污染源自动监测及影响范围预测***及方法 | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、***及软件存储器 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检*** | |
CN113286129B (zh) | 一种光伏电站的巡检方法及*** | |
CN114240868A (zh) | 一种基于无人机的巡检分析***及方法 | |
CN113743358B (zh) | 一种全方位采集和智能计算的景观视觉特征识别方法 | |
CN112270267A (zh) | 可自动抓拍线路故障的摄像识别*** | |
CN116223511A (zh) | 基于无人机自动巡检的分布式屋顶光伏组件缺陷诊断方法及装置 | |
CN113534846A (zh) | 输电线路无人机自主智能巡检*** | |
CN114941807A (zh) | 一种基于无人机的热力管道泄漏快速监测与定位方法 | |
CN116993681A (zh) | 一种变电站巡检缺陷检测方法及*** | |
CN116245844A (zh) | 基于视觉多模态融合的配电线路缺陷智能识别方法及*** | |
CN117557931B (zh) | 一种基于三维场景的表计最优巡检点的规划方法 | |
CN113534188B (zh) | 一种基于无人机激光点云建模的杆塔形变缺陷检测方法 | |
CN212515006U (zh) | 一种适用于无人机光伏巡检场景的异常目标精准定位装置 | |
Huang et al. | Research and design of space-sky-ground integrated transmission line inspection platform based on artificial intelligence | |
CN116070523A (zh) | 一种变电站缺陷检测图像样本仿真构建方法 | |
Sha et al. | Design of patrol monitoring and control system for hot spot of solar photovoltaic module | |
CN115880642A (zh) | 一种基于机器视觉的海上目标接近程度预警方法及*** | |
CN114549432A (zh) | 无人机图像智能识别方法 | |
CN114285374A (zh) | 光伏电站的设备定位方法、***、电子设备及储存介质 |
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 |