CN117252840B - 一种光伏阵列缺陷消除评定方法、装置及计算机设备 - Google Patents
一种光伏阵列缺陷消除评定方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN117252840B CN117252840B CN202311249020.8A CN202311249020A CN117252840B CN 117252840 B CN117252840 B CN 117252840B CN 202311249020 A CN202311249020 A CN 202311249020A CN 117252840 B CN117252840 B CN 117252840B
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic
- defect
- defects
- feature
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 192
- 230000008030 elimination Effects 0.000 title claims abstract description 52
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000000725 suspension Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 5
- 210000003608 fece Anatomy 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Photovoltaic Devices (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种光伏阵列缺陷消除评定方法、装置及计算机设备，属于缺陷检测技术领域，包括如下步骤：获取消除缺陷后的光伏阵列的光伏图像；以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对参考图和对比图的特征点及特征描述符进行提取，获取光伏图像中的特征向量；根据特征向量对参考图和对比图进行特征匹配，得到配准图；对配准图和对比图作差，得到配准后的作差图；若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功。本发明能对缺陷消除进行准确判定。
Description
技术领域
本发明属于缺陷检测技术领域，具体涉及一种光伏阵列缺陷消除评定方法、装置及计算机设备。
背景技术
随着国家大力推进大型风光基地建设，光伏电站装机容量愈来愈大，光伏发电呈规模化发展。由于光伏板对极端天气的耐受能力弱，易发生故障，因此高效、智能的光伏缺陷检测及管理技术是保障光伏产业高质量发展的重要因素。
对于光伏缺陷检测技术，早期传统的光伏电站主要依赖于电站设备的电气特性，一般只能定位故障到组串，无法定位到组件，且光伏电站电气特性参数受天气等环境因素影响较大，无法精准检测。目前随着深度学习智能算法的迅速发展，通过图像采集结合智能图像处理算法的光伏电站智能检测***得到了广泛应用，其在安全、效率、灵活性等方面体现了巨大优势。
然而，当前光伏电站智能检测***所使用的缺陷消除方法主要是依据红外光图像判断温度异常部位进而识别光伏阵列中异常发热组件，但是所拍摄的红外光图像往往组件边缘信息模糊，对于组件与环境，组件与组件之间难以做到有效分割，这就使得红外光图像难以有效利用。另一方面，当前的智能检测***通常直接对所采集到的光伏阵列的图像进行缺陷识别，这难免会造成图像细节把握不完整，缺陷识别不准确。并且当前智能检测***工作重点主要集中在缺陷的识别，对于识别缺陷之后的工作少有提及，对识别出的缺陷缺乏有效的管理、处理办法，对消除后的缺陷缺少有效的评定方式，导致光伏电站缺陷管理混乱。
发明内容
为了克服消除后的缺陷缺少有效的评定方式的不足，本发明提供了一种光伏阵列缺陷消除评定方法、装置及计算机设备，其方法包括如下步骤：
获取消除缺陷后的光伏阵列的光伏图像；
以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对所述参考图和对比图的特征点及特征描述符进行提取，获取光伏图像中的特征向量；
根据所述特征向量对所述参考图和对比图进行特征匹配，得到配准图；
对所述配准图和对比图作差，得到配准后的作差图；
若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功。
优选的，所述获取消除缺陷后的光伏阵列的光伏图像，包括如下步骤：
获取光伏阵列的可见光图像和红外光图像；
对获得的光伏阵列的可见光图像和红外光图像进行分割；
根据图像分割结果对光伏阵列缺陷进行识别及分类；
根据得到的光伏阵列缺陷类别确定对应的缺陷消除方法，并消除缺陷，获得消除缺陷后的光伏阵列的光伏图像。
优选的，对获得的光伏阵列的可见光图像和红外光图像进行分割，包括如下步骤：
使用深度学习模型Mask RCNN将光伏阵列的可见光图像及红外光图像分割为可见光光伏组串图像和红外光光伏组串图像；
采用提取算子提取可见光光伏组串图像边缘并进行直线检测验证，在可见光光伏组串图像上分割出光伏组件图像；
通过特征点提取算子对所述已进行光伏组件分割的可见光光伏组串图像及红外光光伏组串图像提取特征点并进行多模态配准，以对红外光光伏组串图像进行分割，得到红外光光伏组件图像。
优选的，根据图像分割结果对光伏阵列缺陷进行识别及分类，包括如下步骤：
运用神经网络算法模型ResNet对可见光光伏组件图像及红外光光伏组件图像进行缺陷识别，并对识别到的缺陷信息进行标记；
对比可见光光伏组件图像及红外光光伏组件图像的相同缺陷点，若红外光光伏组件图像为热斑，可见光光伏组件图像为鸟粪、草木或灰尘类的表面污染，则判定光伏组件为一类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像为电池片破碎、光伏组件碎裂类的损坏情况，则判定光伏组件为二类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像正常，则判定光伏组件为三类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像为阴影遮挡，且随着阴影消失后热斑消失，则判定光伏组件为正常，无需维护。
优选的，所述缺陷消除方法包括：
所述一类缺陷通过自动清扫设备或清洁人员清洗消除；
所述电池片破碎、光伏组件碎裂类的二类缺陷通过人工处理消除；
所述三类缺陷由专家根据消缺成本、对发电量的影响、缺陷对潜在风险等因素开展缺陷评定，并根据评定结果判定处理方式为暂缓处理或立即处理。
优选的，对所述参考图和对比图的特征点及特征描述符进行提取，包括如下步骤：
采用SIFT算法对参考图与对比图图像进行特征点提取；
基于高斯平滑方式，采用不同大小的标准差对参考图与对比图进行高斯平滑；
对高斯平滑后获得的参考图及对比图图像分别求差得到参考图及对比图的差分图像；
选取特征点主要包括差分图像上灰度的极大值点或者极小值点；
采用BRIEF算法对参考图与对比图图像进行特征描述符的提取；
在特征点周围做像素值比较，比较结果编码为二进制串作为特征描述符；
基于图像中特征点及特征描述符，获取图像中具有尺度不变性和旋转不变性的特征向量，用于特征匹配。
优选的，根据所述特征向量对所述参考图和对比图进行特征匹配，得到配准图，包括如下步骤：
采用汉明距离Hamming Distance度量特征点对应的特征向量间的相似度；
针对参考图中的特征点a，根据汉明距离值在对比图中寻找对应的最近邻特征点b和次近邻特征点b′，计算特征点a和最近邻特征点b的汉明距离值，以及特征点a和次近邻特征点b′的汉明距离值；
若两个距离的比值小于设定阈值，特征点a和最近邻特征点b可以作为一对有效匹配的特征点，反之则删除特征点a；
根据已匹配成对的特征点进行变换模型估计，计算参考图和对比图之间的单应性矩阵；
根据单应性矩阵对参考图中的所有像素点进行映射，经重采样操作后可以实现参考图和对比图之间的对齐配准，获得配准图。
优选的，所述汉明距离公式为：
其中，xn,yn分别为特征点a，b中第n个位置的值，n＝1，2，…N。
本发明还提供有一种光伏阵列缺陷消除评定装置，包括：
图像采集模块，用于获取光伏图像并消除光伏图像缺陷；
特征提取模块，用于以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对所述参考图和对比图的特征点及特征描述符进行提取；
配准图获取模块，用于根据提取的特征点对所述参考图和对比图进行特征匹配，得到配准图；
作差图获取模块，用于对所述配准图和对比图作差，得到配准后的作差图；
缺陷消除评定模块，用于若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功。
本发明还提供有一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行光伏阵列缺陷消除评定方法。
本发明提供的光伏阵列缺陷消除评定方法、装置及计算机设备具有以下有益效果：
本发明通过对消除缺陷后的参考图和无缺陷的光伏图像对比图的特征点及特征描述符进行提取，能够获取图像中的具有尺度不变性和旋转不变性的特征向量，从而能够对同一位置不同时间条件下的光伏缺陷图像进行特征匹配；通过特征匹配能够得到配准图，通过配准图能够获得该位置处缺陷随时间尺度的动态变化，准确掌握缺陷的变化情况，从而能够准确判定缺陷消除情况，为光伏电站的缺陷管理提供准确的指导。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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为本发明实施例的光伏阵列缺陷消除评定方法、装置及计算机设备的流程示意图；
图2为光伏组件图像分割的流程示意图；
图3为缺陷状态监测的流程示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例
本发明提供了一种光伏阵列缺陷消除评定方法、装置及计算机设备，如图1所示，其方法包括如下步骤：
步骤1：获取光伏阵列的可见光图像和红外光图像。
通过调整拍摄角度和镜头将正常相机与红外相机搭载到同一载具，获取光伏阵列的可见光图像和红外光图像。
步骤2：对获得的光伏阵列的可见光图像和红外光图像进行分割，具体如图2所示，包括如下步骤：
步骤2.1采集光伏阵列的可见光及红外光图像分别构建训练数据集，训练MaskRCNN等用于实例分割的深度学习模型，将光伏阵列的可见光图像及红外光图像自动分割为可见光光伏组串图像和红外光光伏组串图像；
步骤2.2基于可见光光伏组串图像，通过Sobel算子、Canny算子等提取算子提取光伏组串图像边缘并进行直线检测验证，将可见光光伏组串图像分割为具体的光伏组件，并对分割好的光伏组件进行编号；
步骤2.3通过Harris等特征点提取算子对已进行光伏组件分割的可见光光伏组串图像与未进行光伏组件分割的红外光光伏组串图像提取特征点，基于特征点匹配的方法进行双光图像配准以实现红外光图像的组件分割。
步骤3：根据图像分割结果对光伏阵列缺陷进行识别及分类。
运用ResNet等神经网络算法模型对可见光与红外光光伏组件图像进行缺陷识别，在两种图像模式下的对光伏组件缺陷信息进行联合诊断，消除由于飞鸟、云层、建筑阴影遮挡引起的缺陷误报。具体包括以下步骤：
步骤3.1将故障信息在光伏组件的红外光图像和对应的可见光图像中进行标记；
步骤3.2对比光伏组件相同故障点处红外光光伏组件图像和可见光光伏组件图像信息，若红外光光伏组件图像表现为热斑，可见光光伏组件图像表现为鸟粪、草木、灰尘等表面污染，可判定该组件为一类缺陷；
步骤3.3若红外光光伏组件图像表现为热斑，可见光图像表现为电池片破碎、光伏组件碎裂等损坏情况，可判定该组件为二类缺陷；
步骤3.4若红外光光伏组件图像表现为热斑，可见光图像表现正常，可判定该组件为三类缺陷；
步骤3.5若红外光光伏组件图像表现为热斑，可见光图像表现为阴影遮挡，且随着阴影消失后热斑消失，可判定该组件为正常，无需维护。
步骤4：根据得到的光伏阵列缺陷类别确定对应的缺陷消除方法，并对缺陷进行消除，获得消除缺陷后的光伏阵列的光伏图像。
步骤4.1针对一类缺陷，主要包括：鸟粪、草木、灰尘等通过清洗可以实现消缺的缺陷，将缺陷类别、光伏组件位置上传至缺陷数据库，并发送缺陷单至自动清扫设备或清洁人员处定点清洗。
步骤4.2针对二类缺陷，主要包括：暗斑、隐裂、电池片破碎等需通过人工处理实现消缺的缺陷，将缺陷类别、光伏组件位置上传至缺陷数据库。
步骤4.3针对三类缺陷由专家根据消缺成本、对发电量的影响、缺陷对潜在风险等因素开展缺陷评定，并根据评定结果判定处理方式为立即处理和暂缓处理。
步骤5：针对一类缺陷、二类缺陷及被判定为立即处理的三类缺陷，以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对参考图和对比图的特征点及特征描述符进行提取，获取光伏图像中的特征向量，包括如下步骤：
采用SIFT算法对参考图与对比图图像进行特征点提取；
基于高斯平滑方式，采用不同大小的标准差对参考图与对比图进行高斯平滑；
对高斯平滑后获得的参考图及对比图图像分别求差得到参考图及对比图的差分图像；
选取特征点主要包括差分图像上灰度的极大值点或者极小值点；
采用BRIEF算法对参考图与对比图图像进行特征描述符的提取；
在特征点周围做像素值比较，比较结果编码为二进制串作为特征描述符；
基于图像中特征点及特征描述符，获取图像中具有尺度不变性和旋转不变性的特征向量，用于特征匹配。
步骤6：根据特征向量对参考图和对比图进行特征匹配，得到配准图。
采用汉明距离Hamming Distance度量特征点对应的特征向量间的相似度；
汉明距离公式为：
其中，xn,yn分别为特征点a，b中第n个位置的值，n＝1，2，…N。
针对参考图中的特征点a，根据汉明距离值在对比图中寻找对应的最近邻特征点b和次近邻特征点b′，计算特征点a和最近邻特征点b的汉明距离值，以及特征点a和次近邻特征点b′的汉明距离值；
若两个距离的比值小于设定阈值，特征点a和最近邻特征点b可以作为一对有效匹配的特征点，反之则删除特征点a；
根据已匹配成对的特征点进行变换模型估计，计算参考图和对比图之间的单应性矩阵；
根据单应性矩阵对参考图中的所有像素点进行映射，经重采样操作后可以实现参考图和对比图之间的对齐配准，获得配准图。
步骤7：对配准图和对比图作差，得到配准后的作差图。
步骤8：若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功。
在本实施例中，还包括对缺陷状态进行监测，针对被判定为暂缓处理的三类缺陷，采用基于时间尺度的多时相配准方法对待监测的光伏组件新采集的可见光及红外光图像与前一次采集的图像进行配准，对缺陷变化情况进行评价并生成相应的缺陷监测报告。其过程如图3所示，包括以下步骤：
以待监测的光伏组件前一次采集的可见光及红外光图像为参考图，新采集的可见光及红外光图像为对比图，分别进行灰度化处理；
对参考图与对比图的特征点和特征描述符进行提取，对两者的特征点进行匹配获得配准后的参考图，称之为配准图；
根据配准图和对比图作差得到配准后作差图；
若配准后作差图的异常区域面积较前一次持续增大或连续出现了新的异常区域，该缺陷处理方式判定为立即处理；若配准后作差图的异常区域面积较前一次无变化，该缺陷处理方式判定为暂缓处理；
生成相应的缺陷监测报告。
本发明还提供有一种光伏阵列缺陷消除评定装置，包括图像采集模块、缺陷识别模块、缺陷消除模块、特征提取模块、配准图获取模块、作差图获取模块和缺陷消除评定模块。图像采集模块用于获取光伏图像并消除光伏图像缺陷；特征提取模块用于以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对所述参考图和对比图的特征点及特征描述符进行提取；配准图获取模块用于根据提取的特征点对所述参考图和对比图进行特征匹配，得到配准图；作差图获取模块用于对所述配准图和对比图作差，得到配准后的作差图；缺陷消除评定模块用于若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功。
本发明还提供有一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行光伏阵列缺陷消除评定方法。
本发明对光伏电站的缺陷消除评定方法通过光伏阵列的缺陷消除评定方法来体现。
由以上描述可知，本发明具有如下优点：
(1)本发明针对采集的光伏阵列的可见光及红外光图像进行了光伏组串及光伏组件分割，将缺陷检测区域集中在每一块光伏组件上，可获取更多可见光及红外光光伏组件缺陷细节，有效提升光伏电站缺陷识别的准确率；
(2)与传统的光伏电站缺陷检测***相比，本发明在光伏缺陷检测的基础上提出了一种基于缺陷处理形式而划分的缺陷管理办法，针对不同类型的缺陷制定不同的处理方法，有利于提升光伏电站的缺陷处理能力和管理水平；
(3)本发明通过SIFT算法提取图像中的特征点及BRIEF算法提取图像中特征描述符，获取图像中的具有尺度不变性和旋转不变性的特征向量，通过对同一位置不同时间条件下的光伏缺陷图像进行特征匹配，获得该位置处缺陷随时间尺度的动态变化，准确掌握缺陷的变化情况。
(4)本发明充分利用光伏电站红外光及可见光图像数据，构建了基于时间尺度的多时相配准方法构建光伏缺陷消除评价***，保障消缺质量。另一方面采用基于时间尺度的多时相配准方法对暂缓处理的缺陷进行监测，防止该缺陷影响持续增大造成光伏电站发电效率下降。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。
Claims (6)
1.一种光伏阵列缺陷消除评定方法，其特征在于，包括如下步骤：
获取消除缺陷后的光伏阵列的光伏图像；
以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对所述参考图和对比图的特征点及特征描述符进行提取，获取光伏图像中的特征向量；
根据所述特征向量对所述参考图和对比图进行特征匹配，得到配准图；
对所述配准图和对比图作差，得到配准后的作差图；
若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功；
所述获取消除缺陷后的光伏阵列的光伏图像，包括如下步骤：
获取光伏阵列的可见光图像和红外光图像；
对获得的光伏阵列的可见光图像和红外光图像进行分割；
根据图像分割结果对光伏阵列缺陷进行识别及分类；
根据得到的光伏阵列缺陷类别确定对应的缺陷消除方法，并消除缺陷，获得消除缺陷后的光伏阵列的光伏图像；
所述对获得的光伏阵列的可见光图像和红外光图像进行分割，包括如下步骤：
使用深度学习模型Mask RCNN将光伏阵列的可见光图像及红外光图像分割为可见光光伏组串图像和红外光光伏组串图像；
采用提取算子提取可见光光伏组串图像边缘并进行直线检测验证，在可见光光伏组串图像上分割出光伏组件图像；
通过特征点提取算子对所述已进行光伏组件分割的可见光光伏组串图像及红外光光伏组串图像提取特征点并进行多模态配准，以对红外光光伏组串图像进行分割，得到红外光光伏组件图像；
所述根据图像分割结果对光伏阵列缺陷进行识别及分类，包括如下步骤：
运用神经网络算法模型ResNet对可见光光伏组件图像及红外光光伏组件图像进行缺陷识别，并对识别到的缺陷信息进行标记；
对比可见光光伏组件图像及红外光光伏组件图像的相同缺陷点，若红外光光伏组件图像为热斑，可见光光伏组件图像为鸟粪、草木或灰尘类的表面污染，则判定光伏组件为一类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像为电池片破碎、光伏组件碎裂类的损坏情况，则判定光伏组件为二类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像正常，则判定光伏组件为三类缺陷；
若红外光光伏组件图像为热斑，可见光光伏组件图像为阴影遮挡，且随着阴影消失后热斑消失，则判定光伏组件为正常，无需维护；
所述缺陷消除方法包括：
所述一类缺陷通过自动清扫设备或清洁人员清洗消除；
所述电池片破碎、光伏组件碎裂类的二类缺陷通过人工处理消除；
所述三类缺陷由专家根据消缺成本、对发电量的影响及缺陷对潜在风险因素开展缺陷评定，并根据评定结果判定处理方式为暂缓处理或立即处理。
2.根据权利要求1所述的光伏阵列缺陷消除评定方法，其特征在于，对所述参考图和对比图的特征点及特征描述符进行提取，包括如下步骤：
采用SIFT算法对参考图与对比图图像进行特征点提取；
基于高斯平滑方式，采用不同大小的标准差对参考图与对比图进行高斯平滑；
对高斯平滑后获得的参考图及对比图图像分别求差得到参考图及对比图的差分图像；
选取特征点主要包括差分图像上灰度的极大值点或者极小值点；
采用BRIEF算法对参考图与对比图图像进行特征描述符的提取；
在特征点周围做像素值比较，比较结果编码为二进制串作为特征描述符；
基于图像中特征点及特征描述符，获取图像中具有尺度不变性和旋转不变性的特征向量，用于特征匹配。
3.根据权利要求2所述的光伏阵列缺陷消除评定方法，其特征在于，根据所述特征向量对所述参考图和对比图进行特征匹配，得到配准图，包括如下步骤：
采用汉明距离Hamming Distance度量特征点对应的特征向量间的相似度；
针对参考图中的特征点a，根据汉明距离值在对比图中寻找对应的最近邻特征点b和次近邻特征点b′，计算特征点a和最近邻特征点b的汉明距离值，以及特征点a和次近邻特征点b′的汉明距离值；
若两个距离的比值小于设定阈值，特征点a和最近邻特征点b可以作为一对有效匹配的特征点，反之则删除特征点a；
根据已匹配成对的特征点进行变换模型估计，计算参考图和对比图之间的单应性矩阵；
根据单应性矩阵对参考图中的所有像素点进行映射，经重采样操作后可以实现参考图和对比图之间的对齐配准，获得配准图。
4.根据权利要求3所述的光伏阵列缺陷消除评定方法，其特征在于，所述汉明距离公式为：
其中，xn,yn分别为特征点a，b中第n个位置的值，n＝1，2，…N。
5.一种光伏阵列缺陷消除评定装置，其特征在于，包括：
图像采集模块，用于获取光伏图像并消除光伏图像缺陷；
特征提取模块，用于以消除缺陷后的光伏图像为参考图，以无缺陷的光伏图像为对比图，对所述参考图和对比图的特征点及特征描述符进行提取；
配准图获取模块，用于根据提取的特征点对所述参考图和对比图进行特征匹配，得到配准图；
作差图获取模块，用于对所述配准图和对比图作差，得到配准后的作差图；
缺陷消除评定模块，用于若配准后的作差图存在异常区域位置则判定缺陷消除不成功，需进行再次消缺；若配准后的作差图不存在异常区域则判定消缺成功；
所述图像采集模块还用于获取光伏阵列的可见光图像和红外光图像；对获得的光伏阵列的可见光图像和红外光图像进行分割；根据图像分割结果对光伏阵列缺陷进行识别及分类；根据得到的光伏阵列缺陷类别确定对应的缺陷消除方法，并消除缺陷，获得消除缺陷后的光伏阵列的光伏图像；
其中，所述对获得的光伏阵列的可见光图像和红外光图像进行分割用于使用深度学习模型Mask RCNN将光伏阵列的可见光图像及红外光图像分割为可见光光伏组串图像和红外光光伏组串图像；采用提取算子提取可见光光伏组串图像边缘并进行直线检测验证，在可见光光伏组串图像上分割出光伏组件图像；通过特征点提取算子对所述已进行光伏组件分割的可见光光伏组串图像及红外光光伏组串图像提取特征点并进行多模态配准，以对红外光光伏组串图像进行分割，得到红外光光伏组件图像；
所述根据图像分割结果对光伏阵列缺陷进行识别及分类用于运用神经网络算法模型ResNet对可见光光伏组件图像及红外光光伏组件图像进行缺陷识别，并对识别到的缺陷信息进行标记；对比可见光光伏组件图像及红外光光伏组件图像的相同缺陷点，若红外光光伏组件图像为热斑，可见光光伏组件图像为鸟粪、草木或灰尘类的表面污染，则判定光伏组件为一类缺陷；若红外光光伏组件图像为热斑，可见光光伏组件图像为电池片破碎、光伏组件碎裂类的损坏情况，则判定光伏组件为二类缺陷；若红外光光伏组件图像为热斑，可见光光伏组件图像正常，则判定光伏组件为三类缺陷；若红外光光伏组件图像为热斑，可见光光伏组件图像为阴影遮挡，且随着阴影消失后热斑消失，则判定光伏组件为正常，无需维护；
所述一类缺陷通过自动清扫设备或清洁人员清洗消除；所述电池片破碎、光伏组件碎裂类的二类缺陷通过人工处理消除；所述三类缺陷由专家根据消缺成本、对发电量的影响及缺陷对潜在风险因素开展缺陷评定，并根据评定结果判定处理方式为暂缓处理或立即处理。
6.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311249020.8A CN117252840B (zh) | 2023-09-26 | 2023-09-26 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311249020.8A CN117252840B (zh) | 2023-09-26 | 2023-09-26 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252840A CN117252840A (zh) | 2023-12-19 |
| CN117252840B true CN117252840B (zh) | 2024-04-05 |
Family
ID=89132619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311249020.8A Active CN117252840B (zh) | 2023-09-26 | 2023-09-26 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252840B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
| CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
| CN105262441A (zh) * | 2015-09-08 | 2016-01-20 | 西安交通大学 | 基于红外图像的光伏阵列故障等级划分方法 |
| CN106198569A (zh) * | 2016-08-03 | 2016-12-07 | 广东工业大学 | 一种ltps/igzo玻璃基板破洞快速检测方法 |
| CN112614167A (zh) * | 2020-12-17 | 2021-04-06 | 西南石油大学 | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 |
| CN113920096A (zh) * | 2021-10-14 | 2022-01-11 | 广东工业大学 | 一种集成电路金属封装缺陷检测方法 |
| CN115937517A (zh) * | 2022-11-29 | 2023-04-07 | 浙江大学 | 一种基于多光谱融合的光伏故障自动检测方法 |
| CN116228670A (zh) * | 2023-01-03 | 2023-06-06 | 深圳市朗驰欣创科技股份有限公司 | 基于Yolov5的光伏缺陷检测方法、装置、计算机设备及介质 |
| CN116543357A (zh) * | 2023-07-05 | 2023-08-04 | 南通玖方新材料科技有限公司 | 一种太阳能光伏载具的表面缺陷识别预警方法及*** |
| CN116758425A (zh) * | 2023-06-26 | 2023-09-15 | 国能宁东新能源有限公司 | 一种大基地光伏电站自动验收方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109926341A (zh) * | 2019-03-26 | 2019-06-25 | 武汉大学 | 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法 |
-
2023
- 2023-09-26 CN CN202311249020.8A patent/CN117252840B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258206A (zh) * | 2012-11-28 | 2013-08-21 | 河海大学常州校区 | 一种硅太阳能电池表面缺陷检测和识别方法 |
| CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
| CN105262441A (zh) * | 2015-09-08 | 2016-01-20 | 西安交通大学 | 基于红外图像的光伏阵列故障等级划分方法 |
| CN106198569A (zh) * | 2016-08-03 | 2016-12-07 | 广东工业大学 | 一种ltps/igzo玻璃基板破洞快速检测方法 |
| CN112614167A (zh) * | 2020-12-17 | 2021-04-06 | 西南石油大学 | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 |
| CN113920096A (zh) * | 2021-10-14 | 2022-01-11 | 广东工业大学 | 一种集成电路金属封装缺陷检测方法 |
| CN115937517A (zh) * | 2022-11-29 | 2023-04-07 | 浙江大学 | 一种基于多光谱融合的光伏故障自动检测方法 |
| CN116228670A (zh) * | 2023-01-03 | 2023-06-06 | 深圳市朗驰欣创科技股份有限公司 | 基于Yolov5的光伏缺陷检测方法、装置、计算机设备及介质 |
| CN116758425A (zh) * | 2023-06-26 | 2023-09-15 | 国能宁东新能源有限公司 | 一种大基地光伏电站自动验收方法和装置 |
| CN116543357A (zh) * | 2023-07-05 | 2023-08-04 | 南通玖方新材料科技有限公司 | 一种太阳能光伏载具的表面缺陷识别预警方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| A photovoltaic surface defect detection method for building based on deep learning;Yukang Cao;《Journal of Building Engineering》;20230701;第70卷;全文 * |
| 基于图像配准的STN-LCD外观缺陷检测;沈会良;张宏刚;李志能;;光电工程;20080915(第09期);全文 * |
| 基于深度学习的主动脉根自动分割研究;杨婷婷等;《医用生物力学》;20211231;第36卷(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252840A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280855A (zh) | 一种基于Fast R-CNN的绝缘子故障检测方法 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| CN108765373A (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
| CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
| CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
| CN111949809A (zh) | 一种输电线路红外巡检数据智能处理方法 | |
| CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测***及检测方法 | |
| CN112085089A (zh) | 基于深度学习算法的变电站设备智能测温方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN112697798A (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及*** | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN116228670A (zh) | 基于Yolov5的光伏缺陷检测方法、装置、计算机设备及介质 | |
| CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
| CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot |
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 |