CN116310903A - 识别光伏组件故障类型的方法、装置及电子设备 - Google Patents
识别光伏组件故障类型的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116310903A CN116310903A CN202310251203.7A CN202310251203A CN116310903A CN 116310903 A CN116310903 A CN 116310903A CN 202310251203 A CN202310251203 A CN 202310251203A CN 116310903 A CN116310903 A CN 116310903A
- Authority
- CN
- China
- Prior art keywords
- fault
- visible light
- type
- thermal infrared
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000013467 fragmentation Methods 0.000 claims description 29
- 238000006062 fragmentation reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请公开了一种识别光伏组件故障类型的方法、装置及电子设备。其中,该方法包括:获取光伏组件的热红外图像以及可见光图像;采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果;基于第一故障类型确定是否调用可见光故障检测模型;在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果;基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果。本申请解决了由于相关技术中仅依靠热红外图像确定故障类型造成的故障识别不准确,容易造成故障误检的技术问题。
Description
技术领域
本申请涉及光伏组件故障识别领域,具体而言,涉及一种识别光伏组件故障类型的方法、装置及电子设备。
背景技术
相关技术中,可基于热红外图像分析故障检测,该方法可以利用热红外图像温度越高像素值越高的特点,通过获取图像特征,再使用算法对获取的特征进行处理,从而实现故障检测与定位,但是由于部分故障在热红外图像下的特征比较相似,仅依靠热红外图像无法准确识别出故障类型,比如热班和碎裂在热红外图像下特征极为相似。其次,基于热红外图像分析故障检测方法对光反射等环境因素造成的图像亮度上升没有较好的区分方法,容易造成误检,比如组串开路与组串反光容易误识别。
即相关技术中,仅依靠热红外图像无法准确识别故障类型,且对于光反射等环境因素造成的图像亮度上升缺乏有效的区分方法,容易造成误检。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种识别光伏组件故障类型的方法、装置及电子设备,以至少解决由于相关技术中仅依靠热红外图像确定故障类型造成的故障识别不准确,容易造成故障误检的技术问题。
根据本申请实施例的一个方面,提供了一种识别光伏组件故障类型的方法,包括:获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;基于第一故障类型确定是否调用可见光故障检测模型;在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型。
可选地,基于第一故障类型确定是否调用可见光故障检测模型,包括:在确定第一故障类型为热斑类型或者碎裂类型的情况下,确定调用可见光故障检测模型。
可选地,基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,包括:在第一识别结果指示故障位置的第一故障类型为碎裂类型,且第二识别结果指示故障位置的第二故障类型为碎裂类型的情况下,确定故障位置对应的目标故障类型为碎裂类型;在第一识别结果指示故障位置的第一故障类型为碎裂类型,且第二识别结果指示故障位置的第二故障类型为非碎裂类型的情况下,确定故障位置对应的目标故障类型为热斑类型;在第一识别结果指示故障位置的第一故障类型为热斑类型,且第二识别结果指示故障位置的第二故障类型为碎裂类型的情况下,确定故障位置对应的目标故障类型为碎裂类型。
可选地,将热红外图像与可见光图像进行匹配,包括:获取自变量参数,其中,自变量参数包括:热红外图像对应的像素坐标矩阵、红外相机的参数矩阵、可见光相机的参数矩阵、红外相机与可见光相机的GPS差值矩阵、飞行器在飞行过程中的高度信息,以及可见光相机的相机姿态矩阵;构建自变量参数与可见光相机的像素坐标矩阵的函数关系表达式,基于函数关系表达式将热红外图像与可见光图像进行匹配。
可选地,函数关系表达式如下:U=K2*K1*V+K2*R/H*W;其中,U为可见光相机的像素坐标矩阵、V为热红外图像对应的像素坐标矩阵、K1为红外相机的参数矩阵、K2为可见光相机的参数矩阵、W是红外相机与可见光相机的GPS差值矩阵、H为飞行器在飞行过程中的高度信息、R为可见光相机的相机姿态矩阵。
可选地,上述方法还包括:在第一识别结果指示故障位置的第一故障类型为接线盒故障、遮挡热斑或者组件缺失的情况下,确定故障位置对应的目标故障类型为第一故障类型。
可选地,上述方法还包括:在第一识别结果指示故障位置的第一故障类型为组串开路的情况下,获取发生组串开路的第一组串区域的第一像素亮度,以及与第一组串区域相邻的第二组串区域的第二像素亮度;确定第一像素亮度与第二像素亮度的差值,在差值大于设定阈值的情况下,确定故障位置对应的目标故障类型为光伏组件发生组串开路。
可选地,获取发生组串开路的所在第一组串区域的第一像素亮度,以及与第一组串区域相邻的第二组串区域的第二像素亮度,上述方法还包括:确定第一组串区域的像素值分布,根据像素值分布确定是否存在反光干扰,在确定第一组串区域不存在反光干扰的情况下,获取第一像素亮度以及第二像素亮度。
可选地,确定第一组串区域的像素值分布,根据像素值分布确定是否存在反光干扰,包括:获取第一组串区域的像素总个数以及每个像素的像素值;确定像素值属于预设区间的目标像素的目标个数,确定目标个数与总个数的比值,在比值大于预定比值的情况下,确定第一组串区域不存在反光干扰,在比值小于预定比值的情况下,确定第一组串区域存在反光干扰。
根据本申请实施例的另一方面,还提供了一种识别光伏组件故障类型的装置,包括:获取模块,用于获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;分析模块,用于采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;第一确定模块,用于基于第一故障类型确定是否调用可见光故障检测模型;匹配模块,用于在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;第二确定模块,用于基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行任意一种识别光伏组件故障类型的方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现任意一种识别光伏组件故障类型的方法。
在本申请实施例中,利用热红外图像与可见光图像进行双光检测的方式,通过获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;然后,采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;再基于第一故障类型确定是否调用可见光故障检测模型;在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型,有效解决了热斑与碎裂等误识别问题,从而实现了提升故障检测识别的准确性,减少人力成本的技术效果,进而解决了由于相关技术中仅依靠热红外图像确定故障类型造成的故障识别不准确,容易造成故障误检的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的识别光伏组件故障类型的方法的流程示意图;
图2是本申请一实施例中热红外图像与对应的可见光图像的示意图;
图3是本申请一实施例中热红外图像与可见光图像的匹配结果;
图4是本申请一实施例中,组串开路与组串反光的像素分布示意图;
图5是本申请一实施例中识别光伏组件故障类型的装置的结构示意图;
图6是本申请一实施例中电子设备600的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种识别光伏组件故障类型的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的识别光伏组件故障类型的方法,如图1所示,该方法包括如下步骤:
步骤S102,获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;
可理解的,上述飞行器可以为无人机,飞行器在巡检过程中可搭建红外相机和可见光相机,不断地拍摄热红外图像和可见光图像并进行保存,为了能够获取含有组件故障的图像以及类别,可从所有拍摄的图像里面剔除没有组件故障的图像并把组件故障图像按照热斑、碎裂、遮挡热斑、接线盒问题、组件缺失和组串开路这六个类别进行归类,同一类缺陷的图像都存放到同一个文件夹中,然后利用LabelImg等标注工具对热红外图像上的故障进行标注,生成热红外图像故障数据集;同时找出有碎裂的可见光图像并对可见光图像进行标注,生成可见光图像数据集。
步骤S104,采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;
在采用采用热红外故障检测模型对热红外图像进行分析之前,可基于利用红外图像数据集和可见光图像数据集分别训练热红外故障检测模型以及可见光故障检测模型,并不断进行优化,直到获取到最优的热红外故障检测模型和可见光故障检测模型。
步骤S106,基于第一故障类型确定是否调用可见光故障检测模型;
可以理解的,基于第一故障类型确定是否调用可见光故障检测模型,可以减少误检,且对于不会存在误检的故障类型避免调用可见光故障检测模型做进一步验证,可以节省处理资源,提高故障检测效率。
步骤S108,在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;
步骤S110,基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型。
在该方法中,利用热红外图像与可见光图像进行双光检测的方式,通过获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;然后,采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;再基于第一故障类型确定是否调用可见光故障检测模型;在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型,有效解决了热斑与碎裂等误识别问题,从而实现了提升故障检测识别的准确性,减少人力成本的技术效果,进而解决了由于相关技术中仅依靠热红外图像确定故障类型造成的故障识别不准确,容易造成故障误检的技术问题。
具体的,基于第一故障类型确定是否调用可见光故障检测模型,包括:在确定第一故障类型为热斑类型或者碎裂类型的情况下,确定调用可见光故障检测模型。需要说明的是,由于热斑与碎裂在热红外图像下特征极为相似,因此仅仅依靠热红外图像无法准确识别出故障类型,因此,需要通过调用可见光故障检测模型作进一步验证识别。
在本申请一些实施例中,在第一故障类型为热斑类型或者碎裂类型的情况下,基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,包括如下确定方式,具体的:
第一种情况,在第一识别结果指示故障位置的第一故障类型为碎裂类型,且第二识别结果指示故障位置的第二故障类型为碎裂类型的情况下,确定故障位置对应的目标故障类型为碎裂类型;容易理解的,在红外图像与可见光图像的识别结果一致的情况下,则确认热红外故障检测模型对热红外图像的识别结果无误,同理,对于在第一识别结果指示故障位置的第一故障类型为热斑类型,且第二识别结果指示故障位置的第二故障类型为热斑类型的情况下,则可以确定故障位置对应的目标故障类型为热斑类型。
第二种情况,在第一识别结果指示故障位置的第一故障类型为碎裂类型,且第二识别结果指示故障位置的第二故障类型为非碎裂类型(即热斑类型)的情况下,确定故障位置对应的目标故障类型为热斑类型;即若在红外图像中检测出碎裂,但在匹配后的可见光图像中同样位置未检测出碎裂,则可以判定该故障是热斑,这是因为碎裂在可见光图像下是非常清晰可见的,因此,可见光图像的识别结果具有更高的准确性。
第三种情况,在第一识别结果指示故障位置的第一故障类型为热斑类型,且第二识别结果指示故障位置的第二故障类型为碎裂类型的情况下,确定故障位置对应的目标故障类型为碎裂类型。正如上述分析所述,由于碎裂在可见光图像中清晰可见,因此,在可见光图像的识别结果中显示光伏组件发生碎裂,则具有更高的可信度,即对于上述情况认为热红外故障检测模型出现了误判,因此,以可见光故障检测模型的检测结果为准。
可以理解的,通过上述技术方案,可以热红图像与可见光图像的识别结果综合起来,避免误检的发生。
由于红外相机与可见光相机的视场参数不同,因此两者拍摄的图像范围存在差异,可见光图像的视角范围往往大于热红外图像的视角范围,因此,本申请一些实施例中,需要将热红外图像与可见光图像进行匹配,以用于找出可见光图像中的热红外图像对应的区域,即就是将热红外图像与可见光图像进行一一匹配起来,去除可见光图像中的多余的区域,具体匹配方式可通过如下方式实现:获取自变量参数,其中,自变量参数包括:热红外图像对应的像素坐标矩阵、红外相机的参数矩阵、可见光相机的参数矩阵、红外相机与可见光相机的GPS差值矩阵、飞行器在飞行过程中的高度信息,以及可见光相机的相机姿态矩阵;构建自变量参数与可见光相机的像素坐标矩阵的函数关系表达式,基于函数关系表达式将热红外图像与可见光图像进行匹配。图2是本申请一实施例中热红外图像与对应的可见光图像,从图2可以看出,热红外图像的视角范围较小,图3是采用上述匹配方式进行区域匹配后,热红外图像与可见光图像的匹配结果,从图3可知,匹配后的热红外图像与可见光图像,去除了可见光图像中的多余区域。
具体的,上述函数关系表达式可以为:
U=K2*K1*V+K2*R/H*W;
其中,U为可见光相机的像素坐标矩阵、V为热红外图像对应的像素坐标矩阵、K1为红外相机的参数矩阵、K2为可见光相机的参数矩阵、W是红外相机与可见光相机的GPS差值矩阵、H为飞行器在飞行过程中的高度信息、R为可见光相机的相机姿态矩阵。
需要说明的是,本申请的上述函数关系表达式不仅限于此,本领域技术人员可以根据实际情况,对上述函数关系表达式进行修改,做出该函数表达式的替换式或者等同式。
为了节省处理资源,提升故障检测效率,对于接线盒故障、遮热挡斑或者组件缺失的情况,则可直接基于热红外图像的识别结果确定故障类型,因此,作为一种可选的实施方式,在第一识别结果指示故障位置的第一故障类型为接线盒故障、遮挡热斑或者组件缺失的情况下,可直接确定故障位置对应的目标故障类型为第一故障类型。
为了进一步克服组串开路的误识别,当检测出图像中有组串开路时,可采用对比组串开路区域与相邻组串区域的像素亮度,这是因为组串开路的亮度较正常组串会更亮,即亮度更高,因此,当组串开路与相邻组串区域的像素亮度的差值大于设定的阈值时,即可判定检测出的组串开路是真的组串开路,具体的,在第一识别结果指示故障位置的第一故障类型为组串开路的情况下,获取发生组串开路的第一组串区域的第一像素亮度,以及与第一组串区域相邻的第二组串区域的第二像素亮度;确定第一像素亮度与第二像素亮度的差值,在差值大于设定阈值的情况下,确定故障位置对应的目标故障类型为光伏组件发生组串开路。
由于光伏组件的反光会对组串开路这一故障类型的判定,造成干扰,为了克服组串反光的干扰,对于组串开路的判定,在本申请一些实施例中采用了如下方式:
获取发生组串开路的所在第一组串区域的第一像素亮度,以及与第一组串区域相邻的第二组串区域的第二像素亮度,具体的,确定第一组串区域的像素值分布,根据像素值分布确定是否存在反光干扰,在确定第一组串区域不存在反光干扰的情况下,获取第一像素亮度以及第二像素亮度。即通过像素值分布排除反光干扰。
可选地,确定第一组串区域的像素值分布,根据像素值分布确定是否存在反光干扰,可通过如下步骤实现:获取第一组串区域的像素总个数以及每个像素的像素值;确定像素值属于预设区间的目标像素的目标个数,确定目标个数与总个数的比值,在比值大于预定比值的情况下,确定第一组串区域不存在反光干扰,在比值小于预定比值的情况下,确定第一组串区域存在反光干扰。
需要说明的是,真正发生组串开路的区域的像素值整体会分布在[200,255],而如果是组串反光,则只有少数区域的像素值分布在[200,255],因此,将处于预设区间的目标像素的个数同整体组串区域的像素总个数进行对比,在比值过小则可确定为组串反光干扰,一般的,上述预定比值可以设置为20%。图4是本申请一实施例中,组串开路与反光的像素分布示意图,左半部位为组串开路的像素分布,右半部位为组串反光的像素分布。
可以理解的,上述预设区间一般可设置在[200,255],但需要说明的是,上述预设区间的范围可以根据实际情况调整,例如,当某地海拔较高,日照比较充分的情况下,则可将该预设区间调整为[220,255]。
图5是本申请一实施例中识别光伏组件故障类型的装置,如图5所示,该装置包括:
获取模块50,用于获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;
分析模块52,用于采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;
第一确定模块54,用于基于第一故障类型确定是否调用可见光故障检测模型;
匹配模块56,用于在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;第二确定模块58,用于基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型。
该装置中,获取模块50,用于获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;分析模块52,用于采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;第一确定模块54,用于基于第一故障类型确定是否调用可见光故障检测模型;匹配模块56,用于在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;第二确定模块58,用于基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型有效解决了热斑与碎裂等误识别问题,从而实现了提升故障检测识别的准确性,减少人力成本的技术效果,进而解决了由于相关技术中仅依靠热红外图像确定故障类型造成的故障识别不准确,容易造成故障误检的技术问题。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行任意一种识别光伏组件故障类型的方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现任意一种识别光伏组件故障类型的方法。
具体地,上述存储介质用于存储以下功能的程序指令,实现以下功能:
获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的光伏组件的可见光图像;采用热红外故障检测模型对热红外图像进行分析,得到第一识别结果,第一识别结果包括:第一故障类型与故障位置;基于第一故障类型确定是否调用可见光故障检测模型;在确定调用可见光故障检测模型的情况下,将热红外图像与可见光图像进行匹配,采用可见光故障检测模型对与热红外图像匹配的可见光图像进行分析,得到第二识别结果,其中,第二识别结果包括:故障位置对应的第二故障类型;基于第一识别结果与第二识别结果共同确定光伏组件的最终检测结果,其中,最终检测结果用于在故障位置对应的目标故障类型。
可选地,在本实施例中,上述存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。上述存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本申请的实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项的识别光伏组件故障类型的方法。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入设备输出设备和上述处理器连接。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如识别光伏组件故障类型的方法。例如,在一些实施例中,识别光伏组件故障类型的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的识别光伏组件故障类型的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行识别光伏组件故障类型的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种识别光伏组件故障类型的方法,其特征在于,包括:
获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的所述光伏组件的可见光图像;
采用热红外故障检测模型对所述热红外图像进行分析,得到第一识别结果,所述第一识别结果包括:第一故障类型与故障位置;
基于所述第一故障类型确定是否调用可见光故障检测模型;
在确定调用所述可见光故障检测模型的情况下,将所述热红外图像与所述可见光图像进行匹配,采用所述可见光故障检测模型对与所述热红外图像匹配的所述可见光图像进行分析,得到第二识别结果,其中,所述第二识别结果包括:所述故障位置对应的第二故障类型;
基于所述第一识别结果与所述第二识别结果共同确定所述光伏组件的最终检测结果,其中,所述最终检测结果用于在所述故障位置对应的目标故障类型。
2.根据权利要求1所述的方法,其特征在于,基于所述第一故障类型确定是否调用可见光故障检测模型,包括:
在确定所述第一故障类型为热斑类型或者碎裂类型的情况下,确定所述调用所述可见光故障检测模型。
3.根据权利要求2所述的方法,其特征在于,基于所述第一识别结果与所述第二识别结果共同确定所述光伏组件的最终检测结果,包括:
在所述第一识别结果指示所述故障位置的所述第一故障类型为所述碎裂类型,且所述第二识别结果指示所述故障位置的所述第二故障类型为所述碎裂类型的情况下,确定所述故障位置对应的所述目标故障类型为所述碎裂类型;
在所述第一识别结果指示所述故障位置的所述第一故障类型为所述碎裂类型,且所述第二识别结果指示所述故障位置的所述第二故障类型为非碎裂类型的情况下,确定所述故障位置对应的所述目标故障类型为所述热斑类型;
在所述第一识别结果指示所述故障位置的所述第一故障类型为所述热斑类型,且所述第二识别结果指示所述故障位置的所述第二故障类型为所述碎裂类型的情况下,确定所述故障位置对应的所述目标故障类型为所述碎裂类型。
4.根据权利要求1所述的方法,其特征在于,将所述热红外图像与所述可见光图像进行匹配,包括:
获取自变量参数,其中,所述自变量参数包括:所述热红外图像对应的像素坐标矩阵、所述红外相机的参数矩阵、所述可见光相机的参数矩阵、所述红外相机与所述可见光相机的GPS差值矩阵、所述飞行器在飞行过程中的高度信息,以及所述可见光相机的相机姿态矩阵;
构建所述自变量参数与所述可见光相机的像素坐标矩阵的函数关系表达式,基于所述函数关系表达式将所述热红外图像与所述可见光图像进行匹配。
5.根据权利要求4所述的方法,其特征在于,所述函数关系表达式如下:
U=K2*K1*V+K2*R/H*W
其中,U为所述可见光相机的像素坐标矩阵、V为所述热红外图像对应的像素坐标矩阵、K1为所述红外相机的参数矩阵、K2为所述可见光相机的参数矩阵、W是所述红外相机与所述可见光相机的GPS差值矩阵、H为所述飞行器在飞行过程中的高度信息、R为所述可见光相机的相机姿态矩阵。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述第一识别结果指示所述故障位置的所述第一故障类型为接线盒故障、遮挡热斑或者组件缺失的情况下,确定所述故障位置对应的所述目标故障类型为所述第一故障类型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述第一识别结果指示所述故障位置的所述第一故障类型为组串开路的情况下,获取发生所述组串开路的第一组串区域的第一像素亮度,以及与所述第一组串区域相邻的第二组串区域的第二像素亮度;
确定所述第一像素亮度与所述第二像素亮度的差值,在所述差值大于设定阈值的情况下,确定所述故障位置对应的目标故障类型为所述光伏组件发生组串开路。
8.根据权利要求7所述的方法,其特征在于,获取发生所述组串开路的所在第一组串区域的第一像素亮度,以及与所述第一组串区域相邻的第二组串区域的第二像素亮度,所述方法还包括:
确定所述第一组串区域的像素值分布,根据所述像素值分布确定是否存在反光干扰,在确定所述第一组串区域不存在反光干扰的情况下,获取所述第一像素亮度以及所述第二像素亮度。
9.根据权利要求8所述的方法,其特征在于,确定所述第一组串区域的像素值分布,根据所述像素值分布确定是否存在反光干扰,包括:
获取所述第一组串区域的像素总个数以及每个像素的像素值;
确定像素值属于预设区间的目标像素的目标个数,确定所述目标个数与所述总个数的比值,在所述比值大于预定比值的情况下,确定所述第一组串区域不存在反光干扰,在所述比值小于预定比值的情况下,确定所述第一组串区域存在反光干扰。
10.一种识别光伏组件故障类型的装置,其特征在于,包括:
获取模块,用于获取飞行器在目标光伏电站中所属区域的飞行过程中,通过红外相机拍摄到的光伏组件的热红外图像,以及通过可见光相机拍摄到的所述光伏组件的可见光图像;
分析模块,用于采用热红外故障检测模型对所述热红外图像进行分析,得到第一识别结果,所述第一识别结果包括:第一故障类型与故障位置;
第一确定模块,用于基于所述第一故障类型确定是否调用可见光故障检测模型;
匹配模块,用于在确定调用所述可见光故障检测模型的情况下,将所述热红外图像与所述可见光图像进行匹配,采用所述可见光故障检测模型对与所述热红外图像匹配的所述可见光图像进行分析,得到第二识别结果,其中,所述第二识别结果包括:所述故障位置对应的第二故障类型;
第二确定模块,用于基于所述第一识别结果与所述第二识别结果共同确定所述光伏组件的最终检测结果,其中,所述最终检测结果用于在所述故障位置对应的目标故障类型。
11.一种非易失性存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项所述识别光伏组件故障类型的方法。
12.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至9中任一项所述的识别光伏组件故障类型的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251203.7A CN116310903A (zh) | 2023-03-10 | 2023-03-10 | 识别光伏组件故障类型的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251203.7A CN116310903A (zh) | 2023-03-10 | 2023-03-10 | 识别光伏组件故障类型的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310903A true CN116310903A (zh) | 2023-06-23 |
Family
ID=86818199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251203.7A Pending CN116310903A (zh) | 2023-03-10 | 2023-03-10 | 识别光伏组件故障类型的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310903A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078228A (zh) * | 2023-08-14 | 2023-11-17 | 深圳市德盟科技股份有限公司 | 一种生成输电线路维修方案的方法及*** |
CN117353651A (zh) * | 2023-10-16 | 2024-01-05 | 中科宏一教育科技集团有限公司 | 光伏***控制方法、装置、设备和介质 |
-
2023
- 2023-03-10 CN CN202310251203.7A patent/CN116310903A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078228A (zh) * | 2023-08-14 | 2023-11-17 | 深圳市德盟科技股份有限公司 | 一种生成输电线路维修方案的方法及*** |
CN117353651A (zh) * | 2023-10-16 | 2024-01-05 | 中科宏一教育科技集团有限公司 | 光伏***控制方法、装置、设备和介质 |
CN117353651B (zh) * | 2023-10-16 | 2024-04-16 | 中科宏一教育科技集团有限公司 | 光伏***控制方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310903A (zh) | 识别光伏组件故障类型的方法、装置及电子设备 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN113326796A (zh) | 物体检测方法、模型训练方法、装置及电子设备 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN114677649A (zh) | 图像识别方法、装置、设备和介质 | |
CN115131315A (zh) | 一种图像的变化检测方法、装置、设备及存储介质 | |
CN115049810A (zh) | 固态激光雷达点云的上色方法、装置、设备及存储介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
Song et al. | Bolt looseness detection based on Canny edge detection algorithm | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN117994505B (zh) | 一种磁珠结合率确定方法、装置、电子设备及存储介质 | |
CN113643266B (zh) | 图像检测方法、装置及电子设备 | |
CN116630863A (zh) | 一种配电网安全标识识别方法、装置、设备及存储介质 | |
CN114998372A (zh) | 光伏组件移位的判断方法、装置、存储介质以及电子设备 | |
CN117576077A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN116433926A (zh) | 一种胶卷首帧确定方法、装置、电子设备及存储介质 | |
CN115773821A (zh) | 一种干式空心电抗器热故障检测方法、装置、设备和介质 |
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 |