CN115311587B - 一种光伏电站巡检航点的智能生成方法 - Google Patents
一种光伏电站巡检航点的智能生成方法 Download PDFInfo
- Publication number
- CN115311587B CN115311587B CN202211087071.0A CN202211087071A CN115311587B CN 115311587 B CN115311587 B CN 115311587B CN 202211087071 A CN202211087071 A CN 202211087071A CN 115311587 B CN115311587 B CN 115311587B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- string
- strings
- power station
- group
- 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 51
- 238000007689 inspection Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种光伏电站巡检航点的智能生成方法,包括:从光伏电站的图片识别得到多个标准组串;获取到设定的拍摄单张图片要求覆盖的组串行列数;根据所述组串行列数从所述多个标准组串中划分为多个区域,其中,每个区域的标准组串的数量满足所述行列数;根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点;基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。解决了现有的航线航点的生成方法效率低,且存在冗余数据的技术问题。
Description
技术领域
本发明涉及光伏巡检领域,尤其是涉及一种光伏电站巡检航点的智能生成方法。
背景技术
在光伏发电容量不断增长的趋势下,使用无人机对光伏电站进行全自动巡检,逐渐成为光伏电站运维的主流做法,这主要体现在无人机巡检灵活可靠,安全稳定的特性。一般来讲,对于已建成的电站运维而言,需要进行实地场站的航线规划,在规划航线之后,控制无人机按照规划的航线进行巡检,在规划完毕的航线中会存在多个航点,无人机会在规划的航线的每一个航点进行拍照,然后将照片进行缺陷识别以生成光伏电站的巡检报告。
需要说明的是,目前的航线生成方式主要依赖于人工绘制或者依靠现有的工具自动填充多个航点,多个航点则构成巡检的航线,上述基于人工的方式主要存在效率低下、航线高度及云台倾角难以确定等问题,依靠工具自动填充航点的方法主要存在覆盖面较多、数据冗余较多从而导致无人机飞行耗时较长的问题。
综上,现有的航线航点的生成方法效率低,且存在冗余数据。
有鉴于此,提出本发明。
发明内容
本发明提供了一种光伏电站巡检航点的智能生成方法,以解决现有的航线航点的生成方法效率低,且存在冗余数据的技术问题。
本发明提供的光伏电站巡检航点的智能生成方法包括:从光伏电站的图片识别得到多个标准组串;获取到设定的拍摄单张图片要求覆盖的组串行列数;根据所述组串行列数从所述多个标准组串中划分为多个区域,其中,每个区域的标准组串的数量满足所述行列数;根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点;基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。
进一步地,从光伏电站的图片识别得到多个标准组串,包括:将光伏电站的图片进行组串分割,得到多个初始组串;计算得到所述多个初始组串的平均尺寸参数;根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,得到所述多个标准组串。
进一步地,根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,包括:计算每个初始组串相对于所述平均尺寸参数的倍数临界值,其中,所述倍数临界值包括上界临界值以及下界临界值,其中,所述上界临界值与下界临界值的差值小于预设阈值;在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值在所述上界临界值以及下界临界值之间的情况下,将所述每个初始组串分割成下界临界值数量的段数;在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值小于等于预设阈值的情况下,则对所述每个初始组串不做处理。
进一步地,获取到设定的拍摄单张图片要求覆盖的组串行列数,包括:所述组串行列数均为奇数。
进一步地,基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点,包括:获取到光伏电站光伏组串的倾角以及光伏电站的数字表面模型;基于所述光伏组串的倾角、数字表面模型以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点的高度以及水平面坐标。
进一步地,基于所述光伏组串的倾角、数字表面模型以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点的高度以及水平面坐标,包括:通过所述每个区域的拍摄中心点的坐标从所述数字表面模型中进行索引,得到所述拍摄中心点的实际海拔;获取预先设定的巡检航点到所述拍摄中心的第一距离;根据所述拍摄中心点的实际海拔、第一距离以及所述光伏组串的倾角计算得到所述光伏电站的所有巡检航点的高度以及水平面坐标。
进一步地,通过训练后的分割模型对光伏电站的图片进行组串分割,得到多个初始组串,其中,训练所述分割模型包括:获取到光伏电站的正射影像以及数字表面模型;通过所述数字表面模型确定所述光伏电站的最低海拔;通过所述数字表面模型上的所有高程以及所述最低海拔得到所述光伏电站的相对高程的表面模型;提取所述相对高程的表面模型的第一RGB三通道图像以及正射影像的第二RGB三通道图像;将所述第一RGB三通道图像以及第二RGB三通道图像处理成四通道图像,并将所述四通道图像输入深度网络训练得到所述分割模型。
进一步地,根据所述组串行列数从所述多个标准组串中划分为多个区域,包括:获取到多个标准组串的坐标并进行排序,得到每个标准组串的次序;基于所述每个标准组串的次序将多个标准组串中次序相邻的每两个标准组串的坐标分别做差分处理,得到多个差分结果;根据所述多个差分结果将所述多个标准组串进行分行,得到多行标准组串;根据所述组串行列数将所述多行标准组串划分为多个区域。
本发明还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机指令,其特征在于,所述计算机指令在由所述处理器执行时上述任一项方法被执行。
本发明还提供了一种非暂时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在由处理器执行时导致上述任一项方法被执行。
本发明提供了一种光伏电站巡检航点的智能生成方法,包括:从光伏电站的图片识别得到多个标准组串;获取到设定的拍摄单张图片要求覆盖的组串行列数;根据所述组串行列数从所述多个标准组串中划分为多个区域,其中,每个区域的标准组串的数量满足所述行列数;根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点;基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。解决了现有的航线航点的生成方法效率低,且存在冗余数据的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1是本发明提供的一种光伏电站巡检航点的智能生成方法的流程图;
图2是本发明提供的通过多个初始组串计算拍摄中心的示意图;
图3是本发明提供的切割组串的示意图。
具体实施方式
为了使本发明的上述以及其他特征和优点更加清楚,下面结合附图进一步描述本发明。应当理解,本文给出的具体实施例是出于向本领域技术人员解释的目的,仅是示例性的,而非限制性的。
在以下描述中,阐述了许多具体细节以提供对本发明的透彻理解。然而,对于本领域普通技术人员来说,明显的是,不需要采用具体细节来实践本发明。在其他情况下,未详细描述众所周知的步骤或操作,以避免模糊本发明。
实施例一
本发明提供了一种光伏电站巡检航点的智能生成方法,结合图1,该方法包括:
步骤S11,从光伏电站的图片识别得到多个标准组串。
具体的,在本方案中,可以由服务器等带有数据处理功能的装置作为本方案的方法步骤的执行主体,上述光伏电站可以为集中式光伏电站,也可以为分布式光伏电站,在光伏电站中可以包括多个光伏组串(本文中可以将光伏组串简称为组串),本方案在获取到光伏电站的图片之后,可以通过图像识别从图片中识别得到多个标准组串,这里需要说明的是,标准组串是指从尺寸上,每个组串的尺寸在一定范围之内,即不会超过设定的标准尺寸太多。
可选的,上述光伏电站的图片可以为光伏电站的正射影像DOM。
步骤S13,获取到设定的拍摄单张图片要求覆盖的组串行列数。
具体的,用户可以设定拍摄单张图片要求覆盖(或者包括)的组串行列数,即在无人机如果处于航点进行拍摄时,无人机相机的单张图片中所需要覆盖的横向和纵向组串数量。
步骤S15,根据所述组串行列数从所述多个标准组串中划分为多个区域,其中,每个区域的标准组串的数量满足所述行列数。
具体的,本方案可以将上述标准组串划分成多个区域,每个区域中的组串的行列数就是用户设定的单张图片所覆盖的组串行列数。比如,用户设定的单张图片要求覆盖的组串行列数为3行2列组串,那么,采用组串行列数“3行2列”对多个标准组串进行划分多个区域后,每个区域中的组串的数量都是“3行2列”。
步骤S17,根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点。
具体的,在本方案中,在划分成多个区域之后,本方案再根据每个区域的所有组串的坐标来确定每个区域的拍摄中心点,这里需要说明的是,拍摄中心点指的是无人机将来处于航点后无人机相机的拍摄视点,每个区域对应有一个拍摄视点,无人机相机按照拍摄视点进行拍摄则可以取到该区域的组串的图片。本方案可以通过上述步骤S17的方法得到光伏电站中所有区域的拍摄中心点。
具体的,步骤S17,根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点,包括:
步骤S171,将当前区域的每个标准组串的坐标进行连线,从而确定一个多边形;
步骤S172,获取到距离所述多边形的顶点在预设距离内多个标准组串;
步骤S172,根据所述在预设距离内多个标准组串的坐标得到当前区域的拍摄中心点。
具体的,结合图2,假如在当前区域内存在3行2列组串,3行2列组串中则包括了组串1,组串2,组串3,组串4,组串5,组串6,将这六个组串的坐标(本方案中组串的坐标为组串中心的坐标)进行连线可以确定出一个多边形,本方案然后将距离四边形的四个顶点最近的四个组串(组串1、组串2、组串5以及组串6)筛选出来,并且根据组串1、组串2、组串5以及组串6来得到当前区域的拍摄中心点。
下面结合图2进行举例,组串1的中心坐标为(a1,a2),组串2的中心坐标为(b1,b2),组串5的中心坐标为(c1,c2),组串6的中心坐标为(d1,d2),那对于当前区域而言,拍摄中心点的坐标(x,y)可以通过如下公式计算:
通过此种方式,可以快速的计算出当前区域的拍摄中心点,而且通过拍摄中心点可以拍摄到当前区域的所有组串,不会发生组串的遗漏。
步骤S19,基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。
步骤S21,基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。
具体的,在本方案中,可以基于每个区域的拍摄中心生成当前区域的巡检航点,进而得到光伏电站的所有区域的所有巡检航点,所有巡检航点构成无人机的巡检航线,无人机在执行巡检任务时,可以按照上述巡检航线进行飞行,进而实现光伏组串图片的获取。
这里需要说明的是,在现有技术中,通过人工绘制巡检航点容易导致组串遗漏、效率低,而通过现有的软件来根据特定区域自动填充航点,由于现有的软件填充的目标仅仅在于完成覆盖了特定区域即可,因此会产生大量的冗余不必要的航点导致增加巡检采集数据量。一方面,本方案不同于现有技术中通过人工手动绘制航点,而是通过识别到每个光伏组串的坐标进而自动生成巡检航点,较高的提升了航点生成的效率,另一方面,由于本方案的航点是根据每个区域的每个标准组串的坐标生成的,因此本方案审查的航点数量不会发生冗余,会正好覆盖到每个组串,本方案能以最少的航点采集到电站所有组串的图片,降低了采集数据的冗余。
可选的,步骤S11从光伏电站的图片识别得到多个标准组串,包括:
步骤S111,从光伏电站的图片进行组串分割,得到多个初始组串。
具体的,本方案在得到光伏电站的正射影像之后,本方案可以采用组串分割模型对光伏电站的图片进行组串分割或者是识别,以得到多个初始组串。
步骤S113,计算得到所述多个初始组串的平均尺寸参数。
具体的,本方案可以分别统计每个初始组串的尺寸参数,然后计算得到初始组串的平均尺寸参数,上述尺寸参数可以为组串的宽或者高等,上述平均尺寸参数即为所有初始组串的平均宽或者平均高/>。
步骤S115,根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,得到所述多个标准组串。
具体的,对于在宽度或者高度上,明显高于上述平均尺寸参数的初始组串,则说明在图像识别的时候出现了误差,可能误将两个组串误识别为一个组串,那此时,误识别后的初始组串的尺寸必然高于平均尺寸,因此,对于尺寸参数高于平均尺寸参数的初始组串,本方案则进行切割处理,并且得到多个标准组串,本方案将初始组串中确定出高于上述平均尺寸参数的初始组串,然后进行切割,切割后的多个组串以及未发生切割的组串则为上述多个标准组串,多个标准组串的尺寸都没有超过上述平均尺寸参数。
可选的,上述每个初始组串的尺寸参数为每个初始组串的宽和高,其中,步骤S115,根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,得到所述多个标准组串,包括:
步骤S1151,计算每个初始组串相对于所述平均尺寸参数的倍数临界值,其中,所述倍数临界值包括上界临界值以及下界临界值,其中,所述上界临界值与下界临界值的差值小于预设阈值;
步骤S1152,在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值在所述上界临界值以及下界临界值之间的情况下,将所述每个初始组串分割成下界临界值数量的段数;
在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值小于等于预设阈值的情况下,则对所述每个初始组串不做处理。
下面对上述步骤S1151至步骤S1152进行举例:
上述每个初始组串为多个初始组串中的任意一个组串,初始组串的尺寸参数可以为宽W以及高H,平均尺寸参数则为宽W的中位数高H的中位数/>首先计算W、H对于的倍数临界值,假设其上界对应Wmax、Hmax,下界对应Wmin、Hmin,其中Wmax、Hmax、Wmin、Hmin均为大于1的正整数,且:
Wmax-Wmin=1
Hmax-Hmin=1
满足:
此时,应将W均分为Wmin段,H分为Hmin段,当或/>时,则对当前组串不做处理。
下面对步骤S1151至步骤S1152继续进行举例,比如初始组串的参数(以宽为例)为11,初始组串的平均尺寸参数(所有初始组串的平均高)为5,那么此时,经过计算,11÷5=2.2,初始组串的参数与平均尺寸参数的商2为下界临界值,初始组串的参数与平均尺寸参数的商在有余数的情况下则加1,即2+1=3,3则为上界临界值。然后2.2处于下界值2以及上界值3之间,那么则将初始组串分为2段。
下面结合图3进行举例,图3是经过图像识别后的多个初始组串,在图2中共有5个组串,组串A,组串B,组串C,组串D,组串E,其中,组串E的尺寸与上述组串A,组串B,组串C,组串D明显不同,本方案可以经过上述步骤S1151至步骤S1152计算之后,决定对组串D进行切割,以将组串D切割成两段。
可选的,所述单张图片要求覆盖的组串行列数均为奇数。下面介绍此种设置的方式的技术效果:
当拍摄单张图片要求覆盖的组串行列数均为奇数的情况下,可以使得拍摄中心位于单张图片中所有组串的中心,进而使得巡检航点在采集巡检影像时,有尽量多的组串靠近影像中心,尽量减小后期对巡检影像处理时畸变带来的影响。
这里需要说明是在现有技术中,在实际的巡检拍摄中,影像的边界必然会出现畸变,畸变会影响后续的图像处理,而本方案为了减小巡检影像处理时畸变,只需要控制拍摄单张图片要求覆盖的组串行列数均为奇数即可在低成本低算力的情况下,解决畸变的问题。
这里还需要说明的是,由于本方案先确定了拍摄单张图片所要覆盖的行数与列数,然后基于所要覆盖的行数以及列数计算得到的拍摄中心以及航点,通过拍摄中心以及航点进行图像的采集,可以有效缓解畸变带来的图像影响。
可选的,步骤S19基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点,包括:
步骤S191,获取到光伏电站光伏组串的倾角以及光伏电站的数字表面模型(DSM)。
步骤S192,基于所述光伏组串的倾角θ、数字表面模型(DSM)以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点。
可选的,步骤S192基于所述光伏组串的倾角、数字表面模型以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点,包括:
步骤S1921,通过所述每个区域的拍摄中心点的坐标从所述数字表面模型中进行索引,得到所述拍摄中心点的实际海拔。
步骤S1922,获取预先设定的巡检航点到所述拍摄中心的第一距离。
步骤S1923,根据所述拍摄中心点的实际海拔、第一距离以及所述光伏组串的倾角计算得到所述光伏电站的所有巡检航点的高度以及水平面坐标。
具体的,本方案可以按照拍摄中心的坐标(x1,y1)在数字表面模型DSM上索引到拍摄中心的实际海拔hd,假设组串的倾角为θ,航点距离拍摄中心的距离为固定值m(即第一距离),则无人机实际飞行高度(即航点的飞行高度)为hd+m sinθ,相应的,巡检航点坐标水平面投影坐标为(x2,y2),其中:
x2=x1
y2=y1-m cosθ
可选的,通过训练后的分割模型对光伏电站的图片进行组串分割,得到多个初始组串,其中,训练所述分割模型包括:
步骤S1101,获取到光伏电站的正射影像以及数字表面模型。
步骤S1102,通过所述数字表面模型确定所述光伏电站的最低海拔。
步骤S1103,通过所述数字表面模型上的所有高程以及所述最低海拔得到所述光伏电站的相对高程的表面模型。
步骤S1104,提取所述相对高程的表面模型的第一RGB三通道图像以及正射影像的第二RGB三通道图像。
步骤S1105,将所述第一RGB三通道图像以及第二RGB三通道图像处理成四通道图像,并将所述四通道图像输入深度网络训练得到所述分割模型。
下面对上述步骤S1101至步骤S1105做更进一步的描述:
正射影像(DOM)中包含电站的外观信息和地理坐标,数字表面模型(DSM)中包含电站的高程信息。对于表面模型的处理而言,首先按照同地理区间和范围提取用于训练的区间影像,接着计算整张DSM最低海拔,然后将整个DSM上所有地理坐标的高程减去DSM的最低海拔,得到表示相对高程的表面模型,最后将包含相对高程的表面模型进行归一化处理得到DSM的最终处理结果。提取DOM的R、G、B 3个通道的图像,将每个通道进行归一化处理,得到DOM的处理结果,然后将DOM处理后的3个通道影像和DSM处理后的3个通道图像进行CAT处理,将其作为一个正常的4通道图像送入深度学习模型进行训练即可。
需要说明的是,在进行组串分割时,可以融合正射影像DOM的外观信息和数字表面模型DSM的高程信息进行组合训练,以达到提高组串提取精度的目的。
还需要说明的是,在本实施例中,采用DOM与DSM融合训练的方式,提高了组串分割的精度,同时对分割结果采用了多种后处理方法,保证了航线生成工具的稳健性,同时按照组串的排布设定巡检中心,能以最少的拍摄点采集整个电站的影像,降低了采集数据的冗余。
可选的,步骤S15根据所述组串行列数从所述多个标准组串中划分为多个区域,包括:
步骤S151,获取到多个标准组串的坐标并进行排序,得到每个标准组串的次序。
具体的,上述多个标准组串的坐标可以为纵坐标,本方案可以按照纵坐标的大小或者将多个标准组串进行排序,这里需要说明的是,在本文中,组串的坐标指的都是提取的组串中心的坐标。假设提取组串中心的纵坐标排列顺序(次序)为y1、y2、y3…yn,其中满足y1≤y2≤y3…yn。
步骤S152,基于所述每个标准组串的次序将多个标准组串中次序相邻的每两个标准组串的坐标分别做差分处理,得到多个差分结果。
具体的,本方案可以对以上纵坐标进行差分,差分结果为:d1=y2-y1,d2=y3-y2,…dn-1=yn-yn-1;上述d1至dn-1为多个差分结果,需要说明的是,上述差分结果可以为组串的行间距。
步骤S153,根据所述多个差分结果将所述多个标准组串进行分行,得到多行标准组串。
具体的,本方案对差分结果进行统计,更为具体的,可以采用距离为依据对差分结果进行DBSCAN聚类,以1.5为聚类半径,2/>为有效区间进行聚类,得到的聚类结果中的单类即为按照行间距划分的行类结果,即本方案将差值同属于一个范围的归类为同一行的组串。
需要说明的是,上述步骤步骤S151至上述步骤S153可以为根据行间距进行组串分组的过程。
步骤S154,根据所述组串行列数将所述多行标准组串划分为多个区域。
具体的,得知多行组串(即那个组串属于哪行)之后,本方案就可以根据设定的单张照片所要覆盖的组串行列数从多行标准组串快速、准确的划分为多个区域了。
应理解,本文中前述关于本发明的方法所描述的具体特征、操作和细节也可类似地应用于本发明的装置和***,或者,反之亦然。另外,上文描述的本发明的方法的每个步骤可由本发明的装置或***的相应部件或单元执行。
应理解,本发明的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。所述各模块/单元各自可以硬件或固件形式内嵌于计算机设备的处理器中或独立于所述处理器,也可以软件形式存储于计算机设备的存储器中以供处理器调用来执行所述各模块/单元的操作。所述各模块/单元各自可以实现为独立的部件或模块,或者两个或更多个模块/单元可实现为单个部件或模块。
在一个实施例中,提供了一种计算机设备,其包括存储器和处理器,所述存储器上存储有可由处理器执行的计算机指令,所述计算机指令在由所述处理器执行时指示所述处理器执行本发明的实施例的方法的各步骤。该计算机设备可以广义地为服务器、终端,或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中,该计算机设备可包括通过***总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作***、计算机程序等。该内存储器可为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
本发明可以实现为一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在由处理器执行时导致本发明实施例的方法的步骤被执行。在一个实施例中,所述计算机程序被分布在网络耦合的多个计算机设备或处理器上,以使得所述计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作,或者两个或更多个方法步骤/操作,可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行,并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作,或执行两个或更多个方法步骤/操作。
本领域普通技术人员可以理解,本发明的方法步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成,所述的计算机程序可存储于非暂时性计算机可读存储介质中,该计算机程序被执行时导致本发明的步骤被执行。根据情况,本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述,但这些技术特征的任何组合都应当被认为由本说明书涵盖,只要这样的组合不存在矛盾。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种光伏电站巡检航点的智能生成方法,其特征在于,包括:
从光伏电站的图片识别得到多个标准组串,标准组串是指从尺寸上,每个组串的尺寸在一定范围之内;
获取到设定的拍摄单张图片要求覆盖的组串行列数,所述组串行列数均为奇数;
根据所述组串行列数从所述多个标准组串中划分为多个区域,其中,每个区域的标准组串的数量满足所述行列数;
根据每个区域的每个标准组串的坐标确定所述每个区域的拍摄中心点;
基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点;其中,从光伏电站的图片识别得到多个标准组串,包括:采用组串分割模型将光伏电站的图片进行组串分割,得到多个初始组串;计算得到所述多个初始组串的平均尺寸参数;根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,得到所述多个标准组串;
其中,根据每个初始组串的尺寸参数与所述平均尺寸参数对所述多个初始组串中的一个或者多个进行切割处理,包括:计算每个初始组串相对于所述平均尺寸参数的倍数临界值,其中,所述倍数临界值包括上界临界值以及下界临界值,其中,所述上界临界值与下界临界值的差值小于预设阈值;在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值在所述上界临界值以及下界临界值之间的情况下,将所述每个初始组串分割成下界临界值数量的段数;在所述每个初始组串的尺寸参数与所述平均尺寸参数的比值小于等于预设阈值的情况下,则对所述每个初始组串不做处理。
2.根据权利要求1所述的方法,其特征在于,基于所述每个区域的拍摄中心点生成所述光伏电站的所有巡检航点,包括:
获取到光伏电站光伏组串的倾角以及光伏电站的数字表面模型;
基于所述光伏组串的倾角、数字表面模型以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点的高度以及水平面坐标。
3.根据权利要求2所述的方法,其特征在于,基于所述光伏组串的倾角、数字表面模型以及每个区域的拍摄中心点生成所述光伏电站的所有巡检航点的高度以及水平面坐标,包括:
通过所述每个区域的拍摄中心点的坐标从所述数字表面模型中进行索引,得到所述拍摄中心点的实际海拔;
获取预先设定的巡检航点到所述拍摄中心的第一距离;
根据所述拍摄中心点的实际海拔、第一距离以及所述光伏组串的倾角计算得到所述光伏电站的所有巡检航点的高度以及水平面坐标。
4.根据权利要求1所述的方法,其特征在于,通过训练后的分割模型对光伏电站的图片进行组串分割,得到多个初始组串,其中,训练所述分割模型包括:
获取到光伏电站的正射影像以及数字表面模型;
通过所述数字表面模型确定所述光伏电站的最低海拔;
通过所述数字表面模型上的所有高程以及所述最低海拔得到所述光伏电站的相对高程的表面模型;
提取所述相对高程的表面模型的第一RGB三通道图像以及正射影像的第二RGB三通道图像;
将所述第一RGB三通道图像以及第二RGB三通道图像处理成四通道图像,并将所述四通道图像输入深度网络训练得到所述分割模型。
5.根据权利要求1所述的方法,其特征在于,根据所述组串行列数从所述多个标准组串中划分为多个区域,包括:
获取到多个标准组串的坐标并进行排序,得到每个标准组串的次序;
基于所述每个标准组串的次序将多个标准组串中次序相邻的每两个标准组串的坐标分别做差分处理,得到多个差分结果;
根据所述多个差分结果将所述多个标准组串进行分行,得到多行标准组串;
根据所述组串行列数将所述多行标准组串划分为多个区域。
6.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机指令,其特征在于,所述计算机指令在由所述处理器执行时导致权利要求1至5中任一项方法被执行。
7.一种非暂时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在由处理器执行时导致权利要求1至5中任一项方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087071.0A CN115311587B (zh) | 2022-09-07 | 2022-09-07 | 一种光伏电站巡检航点的智能生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087071.0A CN115311587B (zh) | 2022-09-07 | 2022-09-07 | 一种光伏电站巡检航点的智能生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311587A CN115311587A (zh) | 2022-11-08 |
CN115311587B true CN115311587B (zh) | 2024-05-31 |
Family
ID=83866135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087071.0A Active CN115311587B (zh) | 2022-09-07 | 2022-09-07 | 一种光伏电站巡检航点的智能生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311587B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132419B (zh) * | 2023-10-26 | 2024-01-23 | 北京图知天下科技有限责任公司 | 一种光伏组件的编号方法 |
CN117968705A (zh) * | 2024-04-02 | 2024-05-03 | 广东电网有限责任公司佛山供电局 | 电缆线路的巡检方法、装置、可读存储介质和处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636787A (zh) * | 2018-12-11 | 2019-04-16 | 哈尔滨工业大学 | 一种基于深度学习的高精度实时电池点焊质量自动检测方法 |
CN110244766A (zh) * | 2019-07-03 | 2019-09-17 | 王峰 | 一种光伏电站无人机巡检航线的规划方法及*** |
CN112034878A (zh) * | 2020-11-05 | 2020-12-04 | 北京云圣智能科技有限责任公司 | 基于无人机的电力巡检方法、装置和电子设备 |
CN113311861A (zh) * | 2021-05-14 | 2021-08-27 | 国家电投集团青海光伏产业创新中心有限公司 | 光伏组件隐裂特性的自动化检测方法及其*** |
CN113591729A (zh) * | 2021-08-03 | 2021-11-02 | 浙江农林大学 | 结合rgb-dsm图像和深度学习的城市森林单木树冠检测方法 |
CN114758002A (zh) * | 2022-06-15 | 2022-07-15 | 南开大学 | 一种基于航拍图像的光伏组串位置确定方法及*** |
CN114935942A (zh) * | 2022-05-20 | 2022-08-23 | 无锡海纳智能科技有限公司 | 一种分布式光伏电站巡检航线的确定方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9740200B2 (en) * | 2015-12-30 | 2017-08-22 | Unmanned Innovation, Inc. | Unmanned aerial vehicle inspection system |
-
2022
- 2022-09-07 CN CN202211087071.0A patent/CN115311587B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636787A (zh) * | 2018-12-11 | 2019-04-16 | 哈尔滨工业大学 | 一种基于深度学习的高精度实时电池点焊质量自动检测方法 |
CN110244766A (zh) * | 2019-07-03 | 2019-09-17 | 王峰 | 一种光伏电站无人机巡检航线的规划方法及*** |
CN112034878A (zh) * | 2020-11-05 | 2020-12-04 | 北京云圣智能科技有限责任公司 | 基于无人机的电力巡检方法、装置和电子设备 |
CN113311861A (zh) * | 2021-05-14 | 2021-08-27 | 国家电投集团青海光伏产业创新中心有限公司 | 光伏组件隐裂特性的自动化检测方法及其*** |
CN113591729A (zh) * | 2021-08-03 | 2021-11-02 | 浙江农林大学 | 结合rgb-dsm图像和深度学习的城市森林单木树冠检测方法 |
CN114935942A (zh) * | 2022-05-20 | 2022-08-23 | 无锡海纳智能科技有限公司 | 一种分布式光伏电站巡检航线的确定方法及电子设备 |
CN114758002A (zh) * | 2022-06-15 | 2022-07-15 | 南开大学 | 一种基于航拍图像的光伏组串位置确定方法及*** |
Non-Patent Citations (2)
Title |
---|
Inspection Path Planning for Aerial Vehicles via Sampling-based Sequential Optimization;Liping Shi et al.;2021 International Conference on Unmanned Aircraft Systems (ICUAS);第679-687页 * |
基于React的输电线路智能机巡***的设计与实现;张欢;万方数据;第1-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115311587A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311587B (zh) | 一种光伏电站巡检航点的智能生成方法 | |
CN109741257B (zh) | 全景图全自动拍摄、拼接***及方法 | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN111443730B (zh) | 一种用于输电线路巡检的无人机轨迹自动生成方法及装置 | |
CN110796135B (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
US9317966B1 (en) | Determine heights/shapes of buildings from images with specific types of metadata | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN110378942A (zh) | 基于双目相机的障碍物标识方法、***、设备和存储介质 | |
CN113421192B (zh) | 对象统计模型的训练方法、目标对象的统计方法和装置 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN111738040A (zh) | 一种减速带识别方法及*** | |
CN114332134A (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN114519712A (zh) | 一种点云数据处理方法、装置、终端设备及存储介质 | |
CN115937466B (zh) | 一种融合gis的三维模型生成方法、***及存储介质 | |
CN116893685A (zh) | 一种无人机航线规划方法及*** | |
CN116482700A (zh) | 一种鲁棒的无人机激光雷达仿线杆塔识别方法、装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN116009581A (zh) | 输电线路的无人机巡检方法、无人机控制终端及存储介质 | |
CN109934185A (zh) | 数据处理方法及装置、介质和计算设备 | |
CN114924260A (zh) | 一种多激光雷达点云配准方法 | |
CN113269678A (zh) | 接触网输电线路的故障点定位方法 | |
CN113469130A (zh) | 一种遮挡目标检测方法、装置、存储介质及电子装置 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |