CN117392065A - 一种云边协同太阳能板覆灰状况自主评估方法 - Google Patents
一种云边协同太阳能板覆灰状况自主评估方法 Download PDFInfo
- Publication number
- CN117392065A CN117392065A CN202311248398.6A CN202311248398A CN117392065A CN 117392065 A CN117392065 A CN 117392065A CN 202311248398 A CN202311248398 A CN 202311248398A CN 117392065 A CN117392065 A CN 117392065A
- Authority
- CN
- China
- Prior art keywords
- image
- solar panel
- matrix
- resolution
- rgb
- 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 description 78
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 130
- 239000013598 vector Substances 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 26
- 238000002834 transmittance Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process 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
-
- 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种云边协同太阳能板覆灰状况自主评估方法，包括：获取边端太阳能板图像数据，采用压缩感知技术压缩图像数据，将压缩后的数据上传到云端；在云端使用正交匹配追踪技术，复原图像数据，实现图像重构；预处理重构后的图像，将预处理后的图像输入到SRCNN网络中，通过超分辨率技术提高重构图像分辨率；对超分辨率重构图像进行分割得到各子图，对太阳能板子图进行去雾和图像增强处理；采用稀疏子空间聚类算法处理最终图像，输出覆灰状况评估分级。通过压缩感知、正交配追踪重构、超分辨率、去雾+图像增强、子空间聚类算法等图像处理技术来分析安防设备获取的照片，进而达成自主评估分布式太阳能板覆灰状况的目的。
Description
技术领域
本发明涉及图像处理和深度学习太阳能板覆灰情况自主评估方法，具体涉及一种基于压缩感知、正交匹配追踪重构、超分辨率、去雾、图像增强和子空间聚类的从边端到云端全过程太阳能板覆灰情况自主评估方法。
背景技术
近年来，光伏发电作为可再生能源发电的主要表现形式，凭借其低污染、高可靠以及广泛适用性，全球装机容量已达到660吉瓦(GW)。然而，由于太阳能电池板(简称太阳能板)长期暴露于室外环境下，极易受到粉尘污染，久而久之形成的积尘将严重影响太阳能板的光电转换效率(即发电效率)；积尘会降低分布式光伏组件的透射率，不仅影响其发电效率，还易阻碍散热和导致腐蚀。
目前的太阳能板积尘监测***主要是测量一段时间内的发电效率，有少数会对太阳能板覆灰状况进行实时分析，例如接触传感器等方法，鉴于这些方法所存在的局限性，其很难在保证准确度和经济效益的前提下对光伏板的清洗、维修起到指导性的作用，因此对太阳能板覆灰状态的研究具有很重要的实践意义。
发明内容
针对上述现有技术，本发明主要实现云-边协同的太阳能板覆灰状况的自主评估来代替人工巡检太阳能覆灰板状况，通过压缩感知、正交配追踪(OMP)重构、超分辨率、去雾Deblur+图像增强、子空间聚类算法等图像处理技术来分析安防设备获取的照片，进而达成自主评估分布式太阳能板覆灰状况的目的，从而提高分布式太阳能板的发电效率以及避免各种可能情况下的实际应用的故障。本发明解决的技术问题是：缺少光伏板覆灰情况自主评估方法，传输成本高、计算复杂度高、难以推广使用、准确率低的问题。
为了解决上述技术问题，本发明提提出的一种云边协同太阳能板覆灰状况自主评估方法，主要包括：获取边端太阳能板图像数据，采用压缩感知技术压缩图像数据，将压缩后的数据上传到云端；在云端使用正交匹配追踪技术，复原压缩后的图像数据，实现图像重构；对重构后的图像进行预处理，将预处理后的图像输入到SRCNN网络中，通过超分辨率技术提高重构图像分辨率；对超分辨率重构图像进行分割得到各子图，对各子图分别进行去雾和图像增强处理；采用稀疏子空间聚类算法处理最终图像，输出数据分段。步骤如下：
步骤1、通过边端设备获取边端太阳能板RGB图像，采用压缩感知技术压缩RGB图像数据，得到R/G/B三通道的测量值和观测矩阵，将所述的三通道的测量值和观测矩阵上传到云端；
步骤2、在云端使用正交匹配追踪技术对接收的R/G/B三通道的测量值和观测矩阵进行处理，得到重构的太阳能板RGB图像；
步骤3、对重构后的太阳能板RGB图像进行预处理，得到与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像；构建包括有特征提取层、非线性映射层和图像重建层的SRCNN模型，将YCBCR格式的低分辨率太阳能板图像输入至SRCNN网路中提高重构图像的分辨率，包括：将所述的特征提取层提取得到的高维向量表示低分辨率图像块，所述非线性映射层将该高维向量进行非线性映射得到新的高维向量表示高分辨率图像块；所述图像重建层将表示高分辨率图像块的高维向量聚合计算，同时设置损失函数，进行网络训练；该SRCNN模型的输出为高分辨率图像的亮度分量；将高分辨率图像的亮度分量与YCBCR格式的低分辨率太阳能板图像的Cb分量和Cr分量合并，得到YCBCR格式的高分辨率太阳能板图像；将YCBCR格式的高分辨率太阳能板图像转换为RGB格式，得到RGB格式的高分辨率太阳能板图像；
步骤4、对所述的RGB格式的高分辨率太阳能板图像进行分割得到各子图，对其中的太阳能板子图依次进行去雾和图像增强处理；
步骤5、采用稀疏子空间聚类算法对图像增强后的RGB格式的太阳能板子图进行处理，以无监督的方式将太阳能板子图分类，将分类结果作为太阳能板的覆灰情况评估依据，进而实现覆灰状况评估分级。
进一步讲，本发明所述的云边协同太阳能板覆灰状况自主评估方法，其中：
步骤1中，所述边端设备为安防摄像装置，边端太阳能板RGB图像为所述安防摄像装置拍摄的RGB照片，边端太阳能板RGB图像包括拍摄时间、太阳能板图像和拍摄背景图像。
采用压缩感知技术压缩RGB图像数据，得到R/G/B三通道的测量值和观测矩阵的过程包括：提取维度为N*N*3的太阳能板RGB图像，分别获取图像的红色通道数组xR、绿色通道数组xG和蓝色通道数组xB；对任意通道数组进行稀疏表示，并通过随机观测矩阵实现对各通道数据从高维空间到低维空间的线性映射；所述稀疏表示和线性映射的计算包括，
x＝ψ·θ
y＝Φ·x＝Φ·ψ·θ＝A·θ
其中，y∈RM×N,x∈RN×N,Φ∈RM×N，x代表原始通道数据，y代表测量值，Φ为随机生成的高斯变换矩阵，ψ为在离散余弦变换正交基组成的稀疏域下的变换矩阵，θ为x在变换矩阵下的线性映射，A为观测矩阵，N为压缩变化前的像素值大小，M大小为N乘以压缩比例。
步骤2具体过程如下：
步骤2-1)针对云端接收的测量值和观测矩阵，初始化各参数，包括：
r0＝y；
其中，r0为初始残差信号，y为在云端接收的测量值，∧0为初始索引集合，A0为初始按照索引∧0选出的观测矩阵A的列集合；
步骤2-2)计算残差信号与观测矩阵列向量的模值，选择模值中大于门限的值，将这些值对应观测矩阵A的列序号构成列序号集合J，
u＝|<rt-1,aj>|,1≤j≤N
其中，rt-1为第t-1次迭代的残差信号，u为模值，aj为观测矩阵A的第j列，|<·>|代表模值计算；
步骤2-3)更新索引集合和按照索引集合选出列集合，
∧t＝∧t-1∪J
At＝At-1∪aj,j∈J
其中，∧t和At分别为第t次迭代时的索引集和按照索引集选出的观测矩阵的列集合；
对等式y＝At·θt中θ的最小二乘解计算，
其中，对线性映射θ的最小二乘解，arg min表示表达式达到最小值时自变量的取值，||·||为范数计算；
步骤2-4)更新残差信号计算，
其中，rt为第t次迭代时的残差信号；
判断迭代次数是否达到设定最大迭代次数，如果迭代次数超过最大迭代次数或者rt＝0则停止迭代进入步骤2-5)，否则返回上述步骤2-2)；
步骤2-5)根据迭代得到的重构原始通道数据，
其中，为正交匹配追踪技术重构后的通道数据，ψ为在对原始通道数据压缩过程中的稀疏域变换矩阵；对R/G/B三通道的重构数据进行合并，得到维度为N*N*3的重构图像即重构的太阳能板RGB图像。
步骤3中，对重构后的太阳能板RGB图像进行预处理，得到与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像；包括，设置超分辨重建的放大倍数，将重构后的太阳能板的RGB图像转换为YCBCR图像表示；从该YCBCR图像中提取亮度分量，对亮度分量进行归一化并对亮度分量进行切割确保其尺寸可以被设置的放大倍数整除，确保超分辨率重建过程中不出现边缘伪影；使用双三次插值法对亮度分量降采样后再同比例放大，得到与原始亮度分量尺寸相同的低分辨率图像。
构建包括有特征提取层、非线性映射层和图像重建层的SRCNN模型，将YCBCR格式的低分辨率太阳能板图像输入至SRCNN网路中得到YCBCR格式的高分辨率太阳能板图像的过程如下：
构建特征提取层，从与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像中特征提取，使用高维向量表示图像块计算包括，
其中，Y为输入的低分辨率图像，F1(·)代表RELU层操作，W1和B1分别代表卷积核参数和偏置向量；
构建非线性映射层，将提取到的高维向量进行非线性映射，通过映射关系得到新的高维向量来表示高分辨率图像块计算包括，
其中，F2(Y)为第二层输出的高维向量，W2和B2分别代表非线性映射层的卷积核参数和偏置向量；
构建图像重建层，将代表高分辨率图像块的高维向量聚合计算包括，
其中，F3(Y)代表反卷积操作，通过上采样过程恢复图像；
设置损失函数，进行网络训练，所述损失函数计算包括，
其中，Θ＝{W1,W2,W3,B1,B2,B3}代表SRCNN网络参数集，n为网络训练的batchsize，Xi为双三次差值前的亮度分量图像；该SRCNN模型的输出为高分辨率图像的亮度分量；将高分辨率图像的亮度分量与YCBCR格式的低分辨率太阳能板图像的Cb分量和Cr分量合并，得到YCBCR格式的高分辨率太阳能板图像。
步骤4中，将所述的RGB格式的高分辨率太阳能板图像分割为天气状态子图、太阳能板子图和时间信息图；对所述的太阳能板子图依次进行去雾和图像增强处理；包括：
步骤4-1)对太阳能板子图进行去雾操作，包括，
采用暗原色先验去雾原理，构建暗通道表示数学模型，
其中，Jdark(x)为暗通道，Jc为RGB图像中的每个通道，c代表R、G、B中的某一个通道，x为图中的像素点，Ω(x)代表以x为中心的滤波区域，h为属于Ω(x)滤波区域的像素点；
取图像每一像素点中最小的通道值得到灰度图，选用最小值滤波半径为7，求解暗通道，得到暗通道图；
从暗通道图中按照亮度的大小取前0.1％的像素，在这些像素所对应的原始有雾图像中，寻找R/G/B三通道数值的加权平均最大的像素点，以该像素点的RGB数值作为大气光成分L；
根据大气散射模型求解透射率，所述大气散射模型计算包括，
Ic(x)＝Jc(x)t(x)+Lc(1-t(x))
其中，c代表R/G/B三通道，Ic(x)为输入的有雾图像，Jc(x)为待求的去雾图像，Lc代表大气光成分，t(x)为透射率；
设透射率为常数，对大气散射模型进行两次最小值滤波计算，
其中，为透射率的估计值；
根据暗通道先验原理推导出，
将上式带入到透射率的估计值等式中，
引入权重因子对去雾效果进行修正，
其中，ω为修正权重因子，ω＝0.95；
设置透射率阈值，对图像去雾的计算包括，
其中，J(x)为去雾图像，I(x)为初始有雾图形，t～(x)为透射率，L代表大气光成分，t0代表为透射率设置的最小阈值；
步骤4-2)对上述去雾图像进行图像增强处理，包括，
将上述去雾图像转换为double类型，保存R/G/B三通道的灰度值；
计算该图像的全局适应亮度，
Lw＝0.299*IR+0.587IG+0.114IB
其中，Lw为全局适应亮度，IR、IG和IB分别为R/G/B三通道的灰度值；
通过相对亮度值和全局适应亮度得到各像素点修正矩阵计算包括，
其中，Lg为相对亮度值，Lw为全局适应亮度，Lwaver为对数均值亮度值，Lwmax为图像的最大亮度值，G为修正矩阵；R/G/B三通道灰度值分别乘修正矩阵得到修正后的R/G/B三通道图像，将R/G/B三通道图像组合RGB格式的太阳能板子图图像。
步骤5的具体过程包括，
步骤5-1)每一张图像增强后的RGB格式的太阳能板子图图像，其分辨率为N×N，将像素值规范化到[0,1]区间，并将该RGB格式的太阳能板子图图像转换成长为N2的列向量，所有列向量构成数据矩阵X∈N2×R，其中R为图像个数；
设xi处于n个线性子空间中，表示如下：
X＝[x1…xR]＝[X1…Xn]Γ
其中，Xn表示第n个子空间数据组成的矩阵，Γ为未知的置换矩阵，子空间聚类目标是求解Xn矩阵；
将每个列向量表示为其它列向量的线性组合，
X＝XZ＝X[z1…zR]
其中，xi和xj代表X矩阵的第i、j列，zij为系数，zij在xi和xj不属于同一子空间时有zij＝0，Z∈R×R为zij组成的系数矩阵，通过对Z采用不同的稀疏约束使矩阵Z尽可能达到对角结构，进而实现子空间聚类；
对于矩阵Z进行凸松弛处理以实现X的最稀疏表示，稀疏最优化计算如下，
s.t.diag(Z)＝0
其中，为最优化稀疏系数矩阵，||·||1为1范数计算，||·||F为F矩阵范数计算，λ为大于0的系数，X-XZ对应噪声矩阵；
对于得到的稀疏系数阵进行正则化操作；
根据稀疏系数阵构建权值矩阵，
其中，W为权值矩阵，用来衡量xi和xj之间的权重关系；
将权值矩阵应用到正则化谱聚类算法中，创建拉普拉斯算子矩阵，
L＝D-1(D-W)
其中，L为正则化拉普拉斯矩阵，D为对角矩阵，其对角的元素
求解L的特征值和其对应的特征向量，将特征值为零的n个特征值对应的特征向量组合成矩阵U∈n×R，对U的每列进行聚类，其中，R为图像个数；
步骤5-2)根据太阳能板覆灰情况等级设置类别个数k，k的数值为2～4；采用改进的K-means聚类法得到族群中心不再变化的k个族群，过程包括，
步骤5-2-1)寻找矩阵U数据不同密度区内的k个点作为初始聚类中心，操作过程如下，
计算矩阵U列向量之间的欧氏距离，将距离最近的列向量组成临时集合后从矩阵U中临时删除，并计算临时集合内的中心；
所述欧氏距离和计算中心的计算包括，
其中，d(ui,uj)代表U中i和j向量的欧氏距离，uil代表矩阵U中l行i列的数据，Centerk代表第k个族群的中心，Ck代表第k个族群；
计算矩阵U中各列向量到临时集合均值向量的欧氏距离，将欧氏距离最小的列向量加入到临时集合后从U中临时删除；
重复计算矩阵U列向量之间的欧氏距离和矩阵U中各列向量到临时集合均值向量的欧氏距离，直到临时集合中列向量个数超过R/k；
步骤5-2-2)判断临时集合个数是否达到k，个数小于k时，重复步骤5-2-1)寻找初始聚类中心的操作过程，直到临时集合个数达到k；
求取临时集合的集合中心，得到k初始聚类中心；
恢复矩阵U中临时删除的向量，计算每一列与聚类中心的欧式距离，将临时删除的向量划分给最近的中心，得到k个族群；计算每个族群的中心，以该族群的中心为聚类中心重复划分族群操作，直到族群中心不再变化；根据此时得到的k个族群实现太阳能板无监督分类，将得到的k个族群按照覆灰情况进行排序并通过数字来打标记，其中覆灰情况最严重的族群标记为数字k，覆灰情况最轻的族群标记为数字1；此时太阳能板照片即可被分成名为1、2…k的几类，最终将分类结果作为太阳能板的覆灰情况评估依据即可实现覆灰状况评估分级。
与现有技术相比，本发明的有益效果是：
本发明中研究的相关技术和新兴方法对解决太阳能板覆灰状况评估任务有重要意义。压缩感知和正交匹配追踪重构技术可实现低成本高效信息传输，尽可能保留信息的同时占用尽可能少的传输资源，降低了带宽和硬件的需求门槛，提升方法的规模化应用推广潜力。由于压缩感知和正交匹配追踪重构会造成了一定的图像像素下降，超分辨率重构能够有效恢复图像信息和特征，提升后续处理性能。从原图中分割子图旨在为图像增强提供依据，而去雾和图像增强都是为了降低天气对覆灰判断的影响。最后，通过子空间聚类技术实现覆灰状况评估可应对未来的庞大高维复杂数据库。本发明提供新的太阳能板覆灰状况评估思路和解决方案。
附图说明
图1为本发明所述云边协同太阳能板覆灰状况自主评估方法的流程框图；
图2为根据得到的k个族群实现太阳能板无监督覆灰状况评估的流程图；
图3为本发明研究材料的实验结果示意图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
本发明提出的一种云边协同太阳能板覆灰状况自主评估方法，包括：
S1：采用边端设备获取边端太阳能板图像数据，采用压缩感知技术压缩图像数据，将压缩后的数据上传到云端。需要说明的是：
所述边端设备为安防摄像装置，太阳能板图像为摄像装置所拍摄的RGB照片，图像主体由拍摄时间、太阳能板和拍摄背景三部分组成；
本发明以是否需要启动清理来判断覆灰程度，设定三个覆灰等级来进行实例验证，具体等级设置要求可进行修改，在下述内容中调整改进K-means聚类中参数k的大小即可；
提取维度为N*N*3的太阳能板RGB图像,分别获取图像的红色通道数组xR、绿色通道数组xG和蓝色通道数组xB；
对任意通道数组进行稀疏表示，并通过随机观测矩阵实现对各通道数据从高维空间到低维空间的线性映射；
所述稀疏表示和线性映射的计算包括，
x＝ψ·θ
y＝Φ·x＝Φ·ψ·θ＝A·θ
其中，y∈RM×N,x∈RN×N,Φ∈RM×N，x代表原始通道数据，y代表测量值，Φ为随机生成的高斯变换矩阵，ψ为在离散余弦变换正交基组成的稀疏域下的变换矩阵，θ为x在变换矩阵下的线性映射，A为观测矩阵，N为压缩变化前的像素值大小，M大小为N乘以压缩比例；
将三通道的测量值和观测矩阵上传到云端。
应说明的，使用压缩感知处理边端太阳能照片，利用图像信号的冗余性和稀疏性，可以将图像数据以更高效的方式进行表示和传输，减少边端硬件需求和上传过程中的带宽需求。与其他方法相比，压缩感知技术极大的减少了边端和上传成本，使大规模推广利用图像进行覆灰检测任务成为可能；
S2：在云端接收边端上传的测量值和观测矩阵，通过正交匹配追踪技术复原压缩后的图像数据。需要说明的是：
在云端接受测量值和观测矩阵，初始化各参数；
所述初始化各参数的计算包括，
r0＝y；
其中，r0为初始残差信号，y为在云端接受的测量值，∧0为初始索引集合，A0为初始按照索引∧0选出的观测矩阵A的列集合；
利用正交匹配追踪技术复原边端上传的压缩后的图像数据，正交匹配追踪重构技术包括，
计算残差信号与观测矩阵列向量的模值，选择模值中大于门限的值，将这些值对应观测矩阵A的列序号构成列序号集合J，
所述计算模值的计算包括，
u＝|<rt-1,aj>|,1≤j≤N
其中rt-1为第t-1次迭代的残差信号，u为模值，aj为观测矩阵A的第j列，|<·>|代表模值计算；
更新索引集合和按照索引集合选出列集合，
∧t＝∧t-1∪J
At＝At-1∪aj,j∈J
其中∧t和At分别为第t次迭代时的索引集和按照索引集选出的观测矩阵的列集合；
对等式y＝At·θt中θ的最小二乘解计算包括，
其中对线性映射θ的最小二乘解，arg min表示表达式达到最小值时自变量的取值，||·||为范数计算；
更新残差信号计算包括，
其中rt为第t次迭代时的残差信号；
判断迭代次数是否达到设定最大迭代次数，如果迭代次数超过最大迭代次数或者rt＝0则停止迭代进入最后一步，否则返回计算残差信号与观测矩阵列向量的模值；
根据迭代得到的重构原始通道数据，
所述重构计算包括，
其中为正交匹配追踪技术重构后的通道数据，ψ为在对原始通道数据压缩过程中的稀疏域变换矩阵；
对R、G和B三个通道的重构数据进行合并，得到维度为N*N*3的重构图像即重构的太阳能板RGB图像。
应说明的，正交匹配追踪技术用于稀疏信号重建，它通过每次选择当前残差与预测误差最相关的原子进行迭代更新，因此可以在较少的迭代次数内达到较好的稀疏信号重建效果，其计算复杂度相对较低，特别适用于大规模的信号处理。同时正交匹配追踪算法可以有效地捕获信号的稀疏性，即信号在一个基础函数字典中只有很少的非零系数。通过选取与残差最相关的原子，能够逐步逼近真实信号的稀疏表示，使得在压缩感知和信号重建中具有较好的适应性和准确性，适用于本发明的任务。
S3：重构后的图像数据进行预处理，将预处理后的图像信息输入到SRCNN中，训练超分辨率模型。需要说明的是：
设置超分辨重建的放大倍数，本发明中放大倍数设定为3，此设定可根据实际需求进行调整，将重构的太阳能板RGB图像转换为YCBCR色彩图像表示；
从YCBCR图像中提取亮度分量，对亮度分量进行归一化并对亮度分量进行切割确保其尺寸可以被设置的放大倍数整除，确保超分辨率重建过程中不出现边缘伪影；
使用双三次插值法对亮度分量降采样后再同比例放大，得到与原始亮度分量尺寸相同的低分辨率图像；
搭建SRCNN模型以实现对图像的超分辨率处理，所述SRCNN模型的构建包括，构建特征提取层，从低分辨率图像中特征提取，使用高维向量表示图像块计算包括，
其中Y为输入的低分辨率图像，F1(·)代表RELU层操作，W1和B1分别代表卷积核参数和偏置向量；
构建非线性映射层，将提取到的高维向量进行非线性映射，通过映射关系得到新的高维向量来表示高分辨率图像块计算包括，
其中F2(Y)为第二层输出的高维向量，W2和B2分别代表非线性映射层的卷积核参数和偏置向量；
构建图像重建层，将代表高分辨率图像块的高维向量聚合计算包括，
其中，F3(Y)代表反卷积操作，通过上采样过程恢复图像；
设置损失函数，进行网络训练，所述损失函数计算包括，
其中Θ＝{W1,W2,W3,B1,B2,B3}代表SRCNN网络参数集，n为网络训练的batchsize，X为双三次差值前的亮度分量图像。
将高分辨率图像的亮度分量与太阳能光伏板YCBCR的Cb和Cr分量(色度信息)合并，得到YCBCR格式的高分辨率太阳能板图像；将YCBCR格式的高分辨率太阳能板图像转换为RGB格式，得到最终的高分辨率太阳能板RGB图像。
应说明的是，SRCNN网络一方面将重构后的低分辨率图像提升到高分辨率，增强了图像细节和清晰度，另一方面SRCNN能够自适应不同尺度和图像特征，对于不同场景和样本具有一定的普适性和泛化能力。此外，可以将训练好的SRCNN模型推广到其它数据集中作为预训练模型，可以减少对样本的需求量，适用于大规模推广。最后，此过程当中使用YCBCR格式的图像信息，并且只针对亮度通道进行超分辨率处理，是因为SRCNN可以专注于增强图像的细节和边缘，而不会对颜色信息产生不必要的变化。这样可以确保重建后的图像在保持颜色一致性的同时，获得更好的清晰度和质量。
S4：对超分辨率重构图像进行分割后进行去雾和图像增强操作。需要说明的是：直接分割高分辨率太阳能板RGB图像，分割为天气状态子图、太阳能板子图和时间信息图。
对各子图进行去雾操作包括，
采用暗原色先验去雾原理，构建暗通道表示数学模型，
其中Jdark(x)为暗通道，Jc为RGB图像中的每个通道，c代表R、G、B中的某一个通道，x为图中的像素点，Ω(x)代表以x为中心的滤波区域，h为属于Ω(x)滤波区域的像素点；
取图像每一像素点中最小的通道值得到灰度图，选用最小值滤波半径为7，求解暗通道；
从暗通道图中按照亮度的大小取前0.1％的像素，即取前0.1％个较大值；在这些像素所对应的原始有雾图像中，寻找对应具有最高亮度的像素点，即RGB三通道数值的加权平均最大的像素点，以该像素点的RGB数值担任大气光成分L；
根据大气散射模型求解透射率，所述大气散射模型计算包括，
Ic(x)＝Jc(x)t(x)+Lc(1-t(x))
其中c代表R/G/B三个通道，Ic(x)为输入的有雾图像，Jc(x)为待求的去雾图像，Lc代表大气光成分，t(x)为透射率；
假设透射率为常数，对大气散射模型进行两次最小值滤波计算包括，
其中为透射率的估计值；
根据暗通道先验原理可以推导出，
将其带入到透射率的估计值等式中，
对去雾效果进行修正，引入权重因子计算包括，
其中ω为修正权重因子，本发明中ω＝0.95；
设置透射率阈值，对图像去雾的计算包括，
其中J(x)为去雾图形，I(x)为初始有雾图形，为透射率，L代表大气光成分，t0代表为透射率设置的最小阈值。
对太阳板子图进行图像增强，此过程包括，
将输入图像转换为double类型，保存R/G/B三通道的灰度值；
计算图像的全局适应亮度，
Lw＝0.299*IR+0.587IG+0.114IB
其中Lw为全局适应亮度，IR、IG和IB分别为R/G/B三通道的灰度值；
通过相对亮度值和全局适应亮度得到各像素点修正矩阵计算包括，
其中Lg为相对亮度值，Lw为全局适应亮度，Lwaver为对数均值亮度值，Lwmax为图像的最大亮度值，G为修正矩阵；
红、绿、蓝通道灰度值乘修正矩阵得到修正后的单一通道图像，将三个通道组合成三通道图像实现图像增强。
S5：采用稀疏子空间聚类算法处理最终图像生成结果。需要说明的是：
对于每一张图像增强后的太阳能板RGB图像，其分辨率为N×N，将像素值规范化到[0,1]区间，并将其转换成长为N2的列向量，所有列向量构成数据矩阵X∈N2×R，其中R为图像个数；
设xi处于n个线性子空间中，进一步公式表示为，
X＝[x1…xR]＝[X1…Xn]Γ
其中Xn表示第n个子空间数据组成的矩阵，Γ为未知的置换矩阵，子空间聚类目标是求解Xn矩阵；
将每个列向量表示为其它列向量的线性组合，
X＝XZ＝X[z1…zR]
其中，xi和xj代表X矩阵的低i、j列，zij为系数，zij在xi和xj不属于同一子空间时有zij＝0，Z∈R×R为zij组成的系数矩阵，通过对Z采用不同的稀疏约束使其尽可能达到理想结构(对角结构)进而实现子空间聚类；
对于矩阵Z进行凸松弛处理以实现X的最稀疏表示，所述稀疏最优化计算包括，
s.t.diag(Z)＝0
其中为最优化稀疏系数矩阵，||·||1为1范数计算，||·||F为F矩阵范数计算，λ为大于0的系数，X-XZ对应噪声矩阵；
对于得到的稀疏系数阵进行正则化操作；
根据稀疏系数阵构建权值矩阵，
其中W为权值矩阵，用来衡量xi和xj之间的权重关系；
进一步的，将权值矩阵应用到正则化谱聚类算法中，此过程包括，
创建拉普拉斯算子矩阵，
L＝D-1(D-W)
其中L为正则化拉普拉斯矩阵，D为对角矩阵，其对角的元素
求解L的特征值和其对应的特征向量，将特征值为零的n个特征值对应的特征向量组合成矩阵U∈n×R，对U的每列进行聚类，其中R为图像个数；
所述聚类方法为改进的K-means聚类法，图2展示了聚类过程的详细流程，过程包括，
根据覆灰情况等级设置需要的类别个数k，本实例中k为3；
寻找U数据不同密度区内的k个点作为初始聚类中心，取代传统的随机选择初始聚类空间；
所述寻找初始聚类中心过程包括，计算矩阵U列向量之间的欧氏距离，将距离最近的列向量组成临时集合后从U中临时删除，并计算临时集合内的中心；
所述欧氏距离和计算中心的计算包括，
其中，d(ui,uj)代表U中i和j向量的欧氏距离，uil代表矩阵U中l行i列的数据，Centerk代表第k个族群的中心，Ck代表第k个族群；
计算U中各列向量到临时集合均值向量的欧氏距离，将欧氏距离最小的列向量加入到临时集合后从U中临时删除；
重复上述两步操作，直到临时集合中列向量个数超过R/k；
判断临时集合个数是否达到k，个数小于k时重复寻找初始聚类中心全过程，直到临时集合个数达到k；
求取临时集合的集合中心，得到k初始聚类中心；
恢复U中临时删除的向量，计算每一列与聚类中心的欧式距离，将其划分给最近的中心，得到k族群；
重新计算每个族群的中心，重复划分族群操作，直到族群中心不再变化；
根据此时得到的k个族群实现太阳能板无监督分类，将得到的k个族群按照覆灰情况进行排序并通过数字来打标记，其中覆灰情况最严重的族群标记为数字k，覆灰情况最轻的族群标记为数字1；此时太阳能板照片即可被分成名为1、2…k的几类，最终将分类结果作为太阳能板的覆灰情况评估依据即可实现覆灰状况评估分级。
应说明的，本发明中设计的方法对解决太阳能板覆灰状况评估任务有重要意义。图1展示了本发明实现太阳能板覆灰状况自主评估的完整流程。压缩感知和正交匹配追踪重构技术可实现低成本高效信息传输，尽可能保留信息的同时占用尽可能少的传输资源，降低了带宽和硬件的需求门槛，提升方法的规模化应用推广潜力。由于压缩感知和正交匹配追踪重构会造成了一定的图像像素下降，超分辨率重构能够有效恢复图像信息和特征，提升后续处理性能。从原图中分割子图旨在为图像增强提供依据，而去雾和图像增强都是为了降低天气对覆灰判断的影响。最后，通过子空间聚类技术实现覆灰状况评估可应对未来的庞大高维复杂数据库。本发明提供新的太阳能板覆灰状况评估思路和解决方案。
研究材料：
针对本发明云边协同太阳能板覆灰状况自主评估方法的验证测试，为对本方法中采用的技术效果加以验证说明，本研究材料中采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
以南京地区一栋大楼(经度：118.82，纬度：32.09)楼顶安装的分布式太阳能板为样本，通过安防摄像每天设备获取图片，在边端进行压缩感知，压缩比例为0.3，将压缩后的图像数据上传至云端，采集一年的数据进行分析与处理，得到对本发明方法与传统K-means、低秩表示(LRR)和k最近邻(KNN)结果的评估，如下表所示。
从表中可以看出，本发明提出的方法不仅在与其他聚类方法在准确率上表现优异，还可以通过超分辨率、去雾和图像增强提升最终结果。这表明，基于本发明提出的方法进行光伏板覆灰状况自主评估能够得到更加准确的结果，计算复杂度也更低。此外，该方法通过压缩感知和正交匹配追踪重构技术实现云端和边端的互联，节省了传输成本，适用于大规模推广和使用。通过图3直观的看到本发明每一技术步骤的实现效果。首先是边端设备拍摄到的边端RGB图像，对边端RGB图像进行压缩感知处理，将得到的观测矩阵上传到云端后进行正交匹配重构，得到重构后的太阳能板图像。可以看到正交匹配追踪重构后的太阳能板图像分辨率较低，图像较模糊，难以精准的判别覆灰状况。对重构后的太阳能板图像进行超分辨率处理后有效地恢复了图像信息和特征，提升了太阳能板图像分辨率，图像更清晰。进一步的，对高分辨率的太阳能板图像进行子图分割，得到三个子图。更进一步的通过去雾和图像增强处理太阳能板子图，降低了天气对太阳能板子图的影响，得到更为准确清晰的太阳能板子图。最终进行子空间聚类，实现覆灰状况评估分级。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的保护范围当中。
Claims (8)
1.一种云边协同太阳能板覆灰状况自主评估方法，其特征在于，包括：
步骤1、通过边端设备获取边端太阳能板RGB图像，采用压缩感知技术压缩RGB图像数据，得到R/G/B三通道的测量值和观测矩阵，将所述的三通道的测量值和观测矩阵上传到云端；
步骤2、在云端使用正交匹配追踪技术对接收的R/G/B三通道的测量值和观测矩阵进行处理，得到重构的太阳能板RGB图像；
步骤3、对重构后的太阳能板RGB图像进行预处理，得到与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像；构建包括有特征提取层、非线性映射层和图像重建层的SRCNN模型，将YCBCR格式的低分辨率太阳能板图像输入至SRCNN网路中提高重构图像的分辨率，包括：将所述的特征提取层提取得到的高维向量表示低分辨率图像块，所述非线性映射层将该高维向量进行非线性映射得到新的高维向量表示高分辨率图像块；所述图像重建层将表示高分辨率图像块的高维向量聚合计算，同时设置损失函数，进行网络训练；该SRCNN模型的输出为高分辨率图像的亮度分量；将高分辨率图像的亮度分量与YCBCR格式的低分辨率太阳能板图像的Cb分量和Cr分量合并，得到YCBCR格式的高分辨率太阳能板图像；将YCBCR格式的高分辨率太阳能板图像转换为RGB格式，得到RGB格式的高分辨率太阳能板图像；
步骤4、对所述的RGB格式的高分辨率太阳能板图像进行分割得到各子图，对其中的太阳能板子图依次进行去雾和图像增强处理；
步骤5、采用稀疏子空间聚类算法对图像增强后的RGB格式的太阳能板子图进行处理，以无监督的方式将太阳能板子图分类，将分类结果作为太阳能板的覆灰情况评估依据，进而实现覆灰状况评估分级。
2.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤1中，所述边端设备为安防摄像装置，边端太阳能板RGB图像为所述安防摄像装置拍摄的RGB照片，边端太阳能板RGB图像包括拍摄时间、太阳能板图像和拍摄背景图像。
3.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤1中，采用压缩感知技术压缩RGB图像数据，得到R/G/B三通道的测量值和观测矩阵的过程包括：
提取维度为N*N*3的太阳能板RGB图像，分别获取图像的红色通道数组xR、绿色通道数组xG和蓝色通道数组xB；
对任意通道数组进行稀疏表示，并通过随机观测矩阵实现对各通道数据从高维空间到低维空间的线性映射；
所述稀疏表示和线性映射的计算包括，
x＝ψ·θ
y＝Φ·x＝Φ·ψ·θ＝A·θ
其中，y∈RM×N，x∈RN×N，Φ∈RM×N，x代表原始通道数据，y代表测量值，Φ为随机生成的高斯变换矩阵，ψ为在离散余弦变换正交基组成的稀疏域下的变换矩阵，θ为x在变换矩阵下的线性映射，A为观测矩阵，N为压缩变化前的像素值大小，M大小为N乘以压缩比例。
4.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤2的具体过程如下：
步骤2-1)针对云端接收的测量值和观测矩阵，初始化各参数，包括：
r0＝y；
其中，r0为初始残差信号，y为在云端接收的测量值，∧0为初始索引集合，A0为初始按照索引∧0选出的观测矩阵A的列集合；
步骤2-2)计算残差信号与观测矩阵列向量的模值，选择模值中大于门限的值，将这些值对应观测矩阵A的列序号构成列序号集合J，
u＝|<rt-1，aj>|，1≤j≤N
其中，rt-1为第t-1次迭代的残差信号，u为模值，aj为观测矩阵A的第j列，|<·>|代表模值计算；
步骤2-3)更新索引集合和按照索引集合选出列集合，
∧t＝∧t-1∪J
At＝At-1∪aj，j∈J
其中，∧t和At分别为第t次迭代时的索引集和按照索引集选出的观测矩阵的列集合；
对等式y＝At·θt中θ的最小二乘解计算，
其中，对线性映射θ的最小二乘解，arg min表示表达式达到最小值时自变量的取值，||·||为范数计算；
步骤2-4)更新残差信号计算，
其中，rt为第t次迭代时的残差信号；
判断迭代次数是否达到设定最大迭代次数，如果迭代次数超过最大迭代次数或者rt＝0则停止迭代进入步骤2-5)，否则返回上述步骤2-2)；
步骤2-5)根据迭代得到的重构原始通道数据，
其中，为正交匹配追踪技术重构后的通道数据，ψ为在对原始通道数据压缩过程中的稀疏域变换矩阵；
对R/G/B三通道的重构数据进行合并，得到维度为N*N*3的重构图像即重构的太阳能板RGB图像。
5.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤3中，对重构后的太阳能板RGB图像进行预处理，得到与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像；包括，
设置超分辨重建的放大倍数，将重构后的太阳能板的RGB图像转换为YCBCR图像表示；
从该YCBCR图像中提取亮度分量，对亮度分量进行归一化并对亮度分量进行切割确保其尺寸可以被设置的放大倍数整除，确保超分辨率重建过程中不出现边缘伪影；
使用双三次插值法对亮度分量降采样后再同比例放大，得到与原始亮度分量尺寸相同的低分辨率图像。
6.根据权利要求1或5所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤3中，构建包括有特征提取层、非线性映射层和图像重建层的SRCNN模型，将YCBCR格式的低分辨率太阳能板图像输入至SRCNN网路中得到YCBCR格式的高分辨率太阳能板图像的过程如下：
构建特征提取层，从与原始亮度分量尺寸相同的YCBCR格式的低分辨率太阳能板图像中特征提取，使用高维向量表示图像块计算包括，
其中，Y为输入的低分辨率图像，F1(·)代表RELU层操作，W1和B1分别代表卷积核参数和偏置向量；
构建非线性映射层，将提取到的高维向量进行非线性映射，通过映射关系得到新的高维向量来表示高分辨率图像块计算包括，
其中，F2(Y)为第二层输出的高维向量，W2和B2分别代表非线性映射层的卷积核参数和偏置向量；
构建图像重建层，将代表高分辨率图像块的高维向量聚合计算包括，
其中，F3(Y)代表反卷积操作，通过上采样过程恢复图像；
设置损失函数，进行网络训练，所述损失函数计算包括，
其中，Θ＝{W1,W2,W3,B1,B2,B3}代表SRCNN网络参数集，n为网络训练的batchsize，Xi为双三次差值前的亮度分量图像；
该SRCNN模型的输出为高分辨率图像的亮度分量；将高分辨率图像的亮度分量与YCBCR格式的低分辨率太阳能板图像的Cb分量和Cr分量合并，得到YCBCR格式的高分辨率太阳能板图像。
7.根据权利要求1所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤4中，将所述的RGB格式的高分辨率太阳能板图像分割为天气状态子图、太阳能板子图和时间信息图；对所述的太阳能板子图依次进行去雾和图像增强处理；包括：
步骤4-1)对太阳能板子图进行去雾操作，包括，
采用暗原色先验去雾原理，构建暗通道表示数学模型，
其中，Jdark(x)为暗通道，Jc为RGB图像中的每个通道，c代表R、G、B中的某一个通道，x为图中的像素点，Ω(x)代表以x为中心的滤波区域，h为属于Ω(x)滤波区域的像素点；
取图像每一像素点中最小的通道值得到灰度图，选用最小值滤波半径为7，求解暗通道，得到暗通道图；
从暗通道图中按照亮度的大小取前0.1％的像素，在这些像素所对应的原始有雾图像中，寻找R/G/B三通道数值的加权平均最大的像素点，以该像素点的RGB数值作为大气光成分L；
根据大气散射模型求解透射率，所述大气散射模型计算包括，
Ic(x)＝Jc(x)t(x)+Lc(1-t(x))
其中，c代表R/G/B三通道，Ic(x)为输入的有雾图像，Jc(x)为待求的去雾图像，Lc代表大气光成分，t(x)为透射率；
设透射率为常数，对大气散射模型进行两次最小值滤波计算，
其中，为透射率的估计值；
根据暗通道先验原理推导出，
将上式带入到透射率的估计值等式中，
引入权重因子对去雾效果进行修正，
其中，ω为修正权重因子，ω＝0.95；
设置透射率阈值，对图像去雾的计算包括，
其中，J(x)为去雾图像，I(x)为初始有雾图形，为透射率，L代表大气光成分，t0代表为透射率设置的最小阈值；
步骤4-2)对上述去雾图像进行图像增强处理，包括，
将上述去雾图像转换为double类型，保存R/G/B三通道的灰度值；
计算该图像的全局适应亮度，
Lw＝0.299*IR+0.587IG+0.114IB
其中，Lw为全局适应亮度，IR、IG和IB分别为R/G/B三通道的灰度值；
通过相对亮度值和全局适应亮度得到各像素点修正矩阵计算包括，
其中，Lg为相对亮度值，Lw为全局适应亮度，Lwaver为对数均值亮度值，Lwmax为图像的最大亮度值，G为修正矩阵；
R/G/B三通道灰度值分别乘修正矩阵得到修正后的R/G/B三通道图像，将R/G/B三通道图像组合RGB格式的太阳能板子图图像。
8.根据权利要求1或7所述的云边协同太阳能板覆灰状况自主评估方法，其特征在于：步骤5的具体过程包括，
步骤5-1)每一张图像增强后的RGB格式的太阳能板子图图像，其分辨率为N×N，将像素值规范化到[0,1]区间，并将该RGB格式的太阳能板子图图像转换成长为N2的列向量，所有列向量构成数据矩阵X∈N2×R，其中R为图像个数；
设xi处于n个线性子空间中，表示如下：
X＝[x1…xR]＝[X1…Xn]Γ
其中，Xn表示第n个子空间数据组成的矩阵，Γ为未知的置换矩阵，子空间聚类目标是求解Xn矩阵；
将每个列向量表示为其它列向量的线性组合，
X＝XZ＝X[z1…zR]
其中，xi和xj代表X矩阵的第i、j列，zij为系数，zij在xi和xj不属于同一子空间时有zij＝0，Z∈R×R为zij组成的系数矩阵，通过对Z采用不同的稀疏约束使矩阵Z尽可能达到对角结构，进而实现子空间聚类；
对于矩阵Z进行凸松弛处理以实现X的最稀疏表示，稀疏最优化计算如下，
s.t.diag(Z)＝0
其中，为最优化稀疏系数矩阵，||·||1为1范数计算，||·||F为F矩阵范数计算，λ为大于0的系数，X-XZ对应噪声矩阵；
对于得到的稀疏系数阵进行正则化操作；
根据稀疏系数阵构建权值矩阵，
其中，W为权值矩阵，用来衡量xi和xj之间的权重关系；
将权值矩阵应用到正则化谱聚类算法中，创建拉普拉斯算子矩阵，
L＝D-1(D-W)
其中，L为正则化拉普拉斯矩阵，D为对角矩阵，其对角的元素
求解L的特征值和其对应的特征向量，将特征值为零的n个特征值对应的特征向量组合成矩阵U∈n×R，对U的每列进行聚类，其中，R为图像个数；
步骤5-2)根据太阳能板覆灰情况等级设置类别个数k，k的数值为2～4；采用改进的K-means聚类法得到族群中心不再变化的k个族群，过程包括，
步骤5-2-1)寻找矩阵U数据不同密度区内的k个点作为初始聚类中心，操作过程如下，
计算矩阵U列向量之间的欧氏距离，将距离最近的列向量组成临时集合后从矩阵U中临时删除，并计算临时集合内的中心；
所述欧氏距离和计算中心的计算包括，
其中，d(ui,uj)代表U中i和j向量的欧氏距离，uil代表矩阵U中l行i列的数据，Centerk代表第k个族群的中心，Ck代表第k个族群；
计算矩阵U中各列向量到临时集合均值向量的欧氏距离，将欧氏距离最小的列向量加入到临时集合后从U中临时删除；
重复计算矩阵U列向量之间的欧氏距离和矩阵U中各列向量到临时集合均值向量的欧氏距离，直到临时集合中列向量个数超过R/k；
步骤5-2-2)判断临时集合个数是否达到k，个数小于k时，重复步骤5-2-1)寻找初始聚类中心的操作过程，直到临时集合个数达到k；
求取临时集合的集合中心，得到k初始聚类中心；
恢复矩阵U中临时删除的向量，计算每一列与聚类中心的欧式距离，将临时删除的向量划分给最近的中心，得到k个族群；计算每个族群的中心，以该族群的中心为聚类中心重复划分族群操作，直到族群中心不再变化；
根据此时得到的k个族群实现太阳能板无监督分类，将得到的k个族群按照覆灰情况进行排序并通过数字来打标记，其中覆灰情况最严重的族群标记为数字k，覆灰情况最轻的族群标记为数字1；此时太阳能板照片即可被分成名为1、2…k的几类，最终将分类结果作为太阳能板的覆灰情况评估依据即可实现覆灰状况评估分级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248398.6A CN117392065A (zh) | 2023-09-26 | 2023-09-26 | 一种云边协同太阳能板覆灰状况自主评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248398.6A CN117392065A (zh) | 2023-09-26 | 2023-09-26 | 一种云边协同太阳能板覆灰状况自主评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117392065A true CN117392065A (zh) | 2024-01-12 |
Family
ID=89467427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311248398.6A Pending CN117392065A (zh) | 2023-09-26 | 2023-09-26 | 一种云边协同太阳能板覆灰状况自主评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392065A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与*** |
-
2023
- 2023-09-26 CN CN202311248398.6A patent/CN117392065A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与*** |
| CN117786392B (zh) * | 2024-02-27 | 2024-05-17 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741256B (zh) | 基于稀疏表示和深度学习的图像超分辨率重建方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
| CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
| CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、***和介质 | |
| CN112287978A (zh) | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 | |
| CN109727207B (zh) | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 | |
| CN109859110B (zh) | 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN109523470B (zh) | 一种深度图像超分辨率重建方法及*** | |
| CN110956581B (zh) | 一种基于双通道生成-融合网络的图像模态变换方法 | |
| CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN111340697B (zh) | 一种基于聚类回归的图像超分辨方法 | |
| CN107590779A (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
| CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
| CN112241939A (zh) | 一种基于多尺度和非局部的轻量去雨方法 | |
| CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
| Li et al. | An end-to-end system for unmanned aerial vehicle high-resolution remote sensing image haze removal algorithm using convolution neural network | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
| CN116542865A (zh) | 一种基于结构重参数化的多尺度实时去雾方法及装置 | |
| CN116563103A (zh) | 一种基于自适应神经网络的遥感图像时空融合方法 | |
| CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 | |
| Zhang et al. | Superresolution approach of remote sensing images based on deep convolutional neural network | |
| CN113689346A (zh) | 一种基于对比学习的紧凑深度学习去雾方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |