CN117876308A - 基于图像分析的光伏板检测方法 - Google Patents
基于图像分析的光伏板检测方法 Download PDFInfo
- Publication number
- CN117876308A CN117876308A CN202311794393.3A CN202311794393A CN117876308A CN 117876308 A CN117876308 A CN 117876308A CN 202311794393 A CN202311794393 A CN 202311794393A CN 117876308 A CN117876308 A CN 117876308A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic panel
- point
- algorithm
- matching
- 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
- 238000010191 image analysis Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003702 image correction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 5
- 241000237858 Gastropoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000004383 yellowing 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分析的光伏板检测方法,包括以下步骤:通过无人机航拍采集到第一光伏板图像;对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像;通过SURF‑BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像;根据图像分析得到光伏板当前状态。使用本发明可以对光伏板实现无人远程检测,及时有效的反馈光伏板的状态,为传达缺陷信息给维修人员进行维护和更换,并提高光伏电站的工作效率。
Description
技术领域
本发明属于图像分析技术领域,具体涉及一种基于图像分析的光伏板检测方法。
背景技术
随着全球太阳能光伏产业的快速发展,大规模光伏板在世界各国的数量也越来越多,而这些光伏板往往安装在比较恶劣的环境中,且分布范围广泛,从而导致光伏板的各种故障和缺陷频频发生。大量研究表明,大多数出现在光伏板的缺陷是由于聚合物的缺陷导致,比如光伏板的分层、气泡、破裂或发黄等缺陷。光伏板间连接器的缺陷如变色、氧化、腐蚀也会影响光伏板的电气特性,这些光伏板表面缺陷看很容易地通过视觉观察进行检测。其他缺陷如蜗牛纹、阴影、热板、微裂纹和电池损坏等也会对光伏板的性能造成很大影响,这些光伏板内部的缺陷可以通过红外热像仪进行检测。
为了防止光伏板因存在缺陷而发生严重事故,降低光伏电站的收益损失,有必要及时检测存在的缺陷,并通知相关维修人员进行维护和更换工作,从而提高光伏电站的工作效率。
发明内容
鉴于以上存在的问题,本发明提供一种基于图像分析的光伏板检测方法。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于图像分析的光伏板检测方法,包括以下步骤:
通过无人机航拍采集到第一光伏板图像;
对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像;
通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像;
根据图像分析得到光伏板当前状态。
一种可能的实施方式中,所述通过无人机航拍采集到第一光伏板图像包括:
当无人机在光伏板上空进行拍摄时,首先在光伏板左上角拍摄第1张图像,然后无人机在保持水平位置的情况下从左往右相隔一定时间t拍摄第2、3、......直到第k张图像;当无人机飞行到光伏板的右上角时,则完成第一行的图像采集工作,然后无人机以相同时间t向下飞行一段距离并拍摄第k+1张图像,然后再从右往左拍摄第二行图像;以此类推,当无人机完成光伏板最后一行的图像采集工作时,就可以得到所有第一光伏板图像。
一种可能的实施方式中,所述对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像包括:
利用加权平均值方法对第一光伏板图像进行灰度化处理,得到对应的灰度图;采用线性变换对灰度图进行对比增强;在采集到的第一光伏板图像上添加校验噪声,得到对应的校验图像,采用中值滤波方法对校验图像进行滤波处理,得到对应光伏板图像;采用最大类间方差法计算阈值并对采集到的第一光伏板图像进行图像二值化处理,得到对应的二值化图像;
对预处理后仍然存在倾斜形变和透视形变的图像进行校正,采用基于Hough变换进行倾斜校正,采用基于连接点的方法进行透视校正得到预处理和几何校正后的第二光伏板图像。
一种可能的实施方式中,通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像包括:
通过SURF算法进行特征检测;
通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配;
使用RANSAC算法进行特征精匹配并建立交换模型;
使用双线性插值法对图像进行插值,插值点P坐标为(x,y)最近邻的4个像素点A、B、C、D坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1),且灰度值分别为IA、IB、IC、ID,则插值点P的灰度值IP为:
IP=(y-j)(((x-i)(ID-IC)+IC)-((x-i)(IB-IA)+IA))+((x-i)(IB-IA)+IA)
通过加权平均融合法进行图像融合,第一幅图象为f1=(x,y),第二幅图像为f2=(x,y),那么融合后的图像f=(x,y)为:
其中,k1,k2分别表示两幅待融合图像在重叠区域的权重值,且k1+k2=1,0<k1,k2<1,进而实现第二光伏板图像的拼接工作,得到完整的光伏板图像。
一种可能的实施方式中,所述通过SURF算法进行特征检测包括:采用Harris角点检测算法对光伏板图像进行角点的检测,在图像的各个方向移动一个特定的窗口:如果窗口区域的灰度在各个方向移动时都没有发生任何变化,则认为该区域为平面;如果窗口区域内的灰度在某一方向移动是发生了较大变化,而在其他方向移动时没有发生变化,则认为该区域为边缘;如果窗口区域的灰度在各个方向移动是都发生了明显的变化,则认为该区域有角点,从而得到图像的角点集S1;采用SURF特征点算法对光伏板图像进行特征的检测,并确定每一个特征点的位置和尺度值,从而得到图像的特征点S2,合并S1和S2,如果在S1中的某一个角点a与S2中的某一个特征点b之间的欧式距离小于一定阈值,则认为这两个点重复。去除掉重复的特征点中的其中一个,同时去除掉尺度不变性能较差的特征点,并于剩下的不重复的特征点进行合并,从而获得一个新的特征点集S。
一种可能的实施方式中,所述通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配包括:
通过BRISK特征描述算法得到的两个特征描述子分别为A=a1a2...a512,B=b1b2...b512,则这两个特征描述子之间的汉明距离为:
汉明距离的值越小,则表示特征描述子之间的相似性越高,反之则越低。对于待拼接图像A中的任意一个特征点ai,在待拼接图像B中搜索与其汉明距离最近邻点bm和次近邻点bn,它们的距离分别为dm和dn,当最近邻点和次近邻点距离的比值满足:
则可以初步认为特征点ai和bm是相互匹配的,T取值为0.6。
一种可能的实施方式中,使用RANSAC算法进行特征精匹配并建立交换模型包括:首先在通过特征粗匹配后得到的匹配点对中任意的挑选n对进行变换模型的建立,然后计算该变换模型与剩余的匹配点对之间的距离,如果距离小于设置的阈值,则保留并使匹配点对个数加一,同时去除掉距离大于设置阈值的匹配点对;当匹配点对个数达到一定数量时,则表示当前计算的变换模型就是最终所建立的变换模型,否则重新任意的挑选匹配点对并迭代计算变换模型;当迭代的次数超过设置的阈值,仍然没有得到合适的变换模型时,则表示特征精匹配失败。
一种可能的实施方式中,所述根据图像分析得到光伏板当前状态包括:
对完整光伏板图像进行分割并进行二值化处理,得到二值化图像,将该二值化图像与正常光伏板图像进行对比,若光伏板图像并无明显差异,则得出结论光伏板正常;若光伏板图像差异较大,则得出结论光伏板异常。
采用本发明具有如下的有益效果:可以对光伏板实现无人远程检测,及时有效的反馈光伏板的状态,为传达缺陷信息给维修人员进行维护和更换,并提高光伏电站的工作效率。
附图说明
图1为本发明实施例的基于图像分析的光伏板检测方法的步骤流程图;
图2为一具体应用实例中无人机在光伏板上空进行拍摄示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,所示为本发明一实施例的一种基于图像分析的光伏板检测方法的步骤流程图,包括以下步骤:
S10,通过无人机航拍采集到第一光伏板图像;
S20,对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像;
S30,通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像;
S40,根据图像分析得到光伏板当前状态。
本发明又一实施例的一种基于图像分析的光伏板检测方法,S10中通过无人机航拍采集到第一光伏板图像包括:
如图2所示,当无人机在光伏板上空进行拍摄时,首先在光伏板左上角拍摄第1张图像,然后无人机在保持水平位置的情况下从左往右相隔一定时间t拍摄第2、3、......直到第k张图像;当无人机飞行到光伏板的右上角时,则完成第一行的图像采集工作,然后无人机以相同时间t向下飞行一段距离并拍摄第k+1张图像,然后再从右往左拍摄第二行图像;以此类推,当无人机完成光伏板最后一行的图像采集工作时,就可以得到所有第一光伏板图像。
本发明又一实施例的一种基于图像分析的光伏板检测方法,S20中对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像包括:
利用加权平均值方法对第一光伏板图像进行灰度化处理,得到对应的灰度图;采用线性变换对灰度图进行对比增强;在采集到的第一光伏板图像上添加校验噪声,得到对应的校验图像,采用中值滤波方法对校验图像进行滤波处理,得到对应光伏板图像;采用最大类间方差法计算阈值并对采集到的第一光伏板图像进行图像二值化处理,得到对应的二值化图像;
对预处理后仍然存在倾斜形变和透视形变的图像进行校正,采用基于Hough变换进行倾斜校正,采用基于连接点的方法进行透视校正得到预处理和几何校正后的第二光伏板图像。
本发明又一实施例的一种基于图像分析的光伏板检测方法,S30中通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像包括:
S301,通过SURF算法进行特征检测;
S302,通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配;
S303,使用RANSAC算法进行特征精匹配并建立交换模型;
S304,使用双线性插值法对图像进行插值,插值点P坐标为(x,y)最近邻的4个像素点A、B、C、D坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1),且灰度值分别为IA、IB、IC、ID,则插值点P的灰度值IP为:
IP=(y-j)(((x-i)(ID-IC)+IC)-((x-i)(IB-IA)+IA))+((x-i)(IB-IA)+IA)
S304,通过加权平均融合法进行图像融合,第一幅图象为f1=(x,y),第二幅图像为f2=(x,y),那么融合后的图像f=(x,y)为:
其中,k1,k2分别表示两幅待融合图像在重叠区域的权重值,且k1+k2=1,0<k1,k2<1,进而实现第二光伏板图像的拼接工作,得到完整的光伏板图像。
进一步地,S301中通过SURF算法进行特征检测包括:采用Harris角点检测算法对光伏板图像进行角点的检测,在图像的各个方向移动一个特定的窗口:如果窗口区域的灰度在各个方向移动时都没有发生任何变化,则认为该区域为平面;如果窗口区域内的灰度在某一方向移动是发生了较大变化,而在其他方向移动时没有发生变化,则认为该区域为边缘;如果窗口区域的灰度在各个方向移动是都发生了明显的变化,则认为该区域有角点,从而得到图像的角点集S1;采用SURF特征点算法对光伏板图像进行特征的检测,并确定每一个特征点的位置和尺度值,从而得到图像的特征点S2,合并S1和S2,如果在S1中的某一个角点a与S2中的某一个特征点b之间的欧式距离小于一定阈值,则认为这两个点重复。去除掉重复的特征点中的其中一个,同时去除掉尺度不变性能较差的特征点,并于剩下的不重复的特征点进行合并,从而获得一个新的特征点集S。
进一步地,S302中通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配包括:
通过BRISK特征描述算法得到的两个特征描述子分别为A=a1a2...a512,B=b1b2...b512,则这两个特征描述子之间的汉明距离为:
汉明距离的值越小,则表示特征描述子之间的相似性越高,反之则越低。对于待拼接图像A中的任意一个特征点ai,在待拼接图像B中搜索与其汉明距离最近邻点bm和次近邻点bn,它们的距离分别为dm和dn,当最近邻点和次近邻点距离的比值满足:
则可以初步认为特征点ai和bm是相互匹配的,T取值为0.6。
进一步地,S303中使用RANSAC算法进行特征精匹配并建立交换模型包括:首先在通过特征粗匹配后得到的匹配点对中任意的挑选n对进行变换模型的建立,然后计算该变换模型与剩余的匹配点对之间的距离,如果距离小于设置的阈值,则保留并使匹配点对个数加一,同时去除掉距离大于设置阈值的匹配点对;当匹配点对个数达到一定数量时,则表示当前计算的变换模型就是最终所建立的变换模型,否则重新任意的挑选匹配点对并迭代计算变换模型;当迭代的次数超过设置的阈值,仍然没有得到合适的变换模型时,则表示特征精匹配失败。
本发明又一实施例的一种基于图像分析的光伏板检测方法,S 40中根据图像分析得到光伏板当前状态包括:对完整光伏板图像进行分割并进行二值化处理,得到二值化图像,将该二值化图像与正常光伏板图像进行对比,若光伏板图像并无明显差异,则得出结论光伏板正常;若光伏板图像差异较大,则得出结论光伏板异常。
通过以上设置的基于图像分析的光伏板检测方法,可以对光伏板实现无人远程检测,及时有效的反馈光伏板的状态,为传达缺陷信息给维修人员进行维护和更换,并提高光伏电站的工作效率。
应当理解,本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例,本领域普通技术人员应当理解,在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下,可以做出各种形式和细节的改变。
Claims (8)
1.一种基于图像分析的光伏板检测方法,其特征在于,包括以下步骤:
通过无人机航拍采集到第一光伏板图像;
对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像;
通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像;
根据图像分析得到光伏板当前状态。
2.如权利要求1所述的基于图像分析的光伏板检测方法,其特征在于,所述通过无人机航拍采集到第一光伏板图像包括:
当无人机在光伏板上空进行拍摄时,首先在光伏板左上角拍摄第1张图像,然后无人机在保持水平位置的情况下从左往右相隔一定时间t拍摄第2、3、......直到第k张图像;当无人机飞行到光伏板的右上角时,则完成第一行的图像采集工作,然后无人机以相同时间t向下飞行一段距离并拍摄第k+1张图像,然后再从右往左拍摄第二行图像;以此类推,当无人机完成光伏板最后一行的图像采集工作时,就可以得到所有第一光伏板图像。
3.如权利要求1所述的基于图像分析的光伏板检测方法,其特征在于,所述对采集到的第一光伏板图像进行图像预处理和图像校正,得到用于进行后续处理的第二光伏板图像包括:
利用加权平均值方法对第一光伏板图像进行灰度化处理,得到对应的灰度图;采用线性变换对灰度图进行对比增强;在采集到的第一光伏板图像上添加校验噪声,得到对应的校验图像,采用中值滤波方法对校验图像进行滤波处理,得到对应光伏板图像;采用最大类间方差法计算阈值并对采集到的第一光伏板图像进行图像二值化处理,得到对应的二值化图像;
对预处理后仍然存在倾斜形变和透视形变的图像进行校正,采用基于Hough变换进行倾斜校正,采用基于连接点的方法进行透视校正得到预处理和几何校正后的第二光伏板图像。
4.如权利要求1所述的基于图像分析的光伏板检测方法,其特征在于,通过SURF-BRISK算法对第二光伏板图像进行拼接,得到完整的光伏板图像包括:
通过SURF算法进行特征检测;
通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配;
使用RANSAC算法进行特征精匹配并建立交换模型;
使用双线性插值法对图像进行插值,插值点P坐标为(x,y)最近邻的4个像素点A、B、C、D坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1),且灰度值分别为IA、IB、IC、ID,则插值点P的灰度值IP为:
IP=(y-j)(((x-i)(ID-IC)+IC)-((x-i)(IB-IA)+IA))+((x-i)(IB-IA)+IA)
通过加权平均融合法进行图像融合,第一幅图象为f1=(x,y),第二幅图像为f2=(x,y),那么融合后的图像f=(x,y)为:
其中,k1,k2分别表示两幅待融合图像在重叠区域的权重值,且k1+k2=1,0<k1,k2<1,进而实现第二光伏板图像的拼接工作,得到完整的光伏板图像。
5.如权利要求4所述的基于图像分析的光伏板检测方法,其特征在于,所述通过SURF算法进行特征检测包括:采用Harris角点检测算法对光伏板图像进行角点的检测,在图像的各个方向移动一个特定的窗口:如果窗口区域的灰度在各个方向移动时都没有发生任何变化,则认为该区域为平面;如果窗口区域内的灰度在某一方向移动是发生了较大变化,而在其他方向移动时没有发生变化,则认为该区域为边缘;如果窗口区域的灰度在各个方向移动是都发生了明显的变化,则认为该区域有角点,从而得到图像的角点集S1;采用SURF特征点算法对光伏板图像进行特征的检测,并确定每一个特征点的位置和尺度值,从而得到图像的特征点S2,合并S1和S2,如果在S1中的某一个角点a与S2中的某一个特征点b之间的欧式距离小于一定阈值,则认为这两个点重复。去除掉重复的特征点中的其中一个,同时去除掉尺度不变性能较差的特征点,并于剩下的不重复的特征点进行合并,从而获得一个新的特征点集S。
6.如权利要求5所述的基于图像分析的光伏板检测方法,其特征在于,所述通过BRISK算法进行特征描述,使用汉明距离进行特征粗匹配包括:
通过BRISK特征描述算法得到的两个特征描述子分别为A=a1a2...a512,B=b1b2...b512,则这两个特征描述子之间的汉明距离为:
汉明距离的值越小,则表示特征描述子之间的相似性越高,反之则越低。对于待拼接图像A中的任意一个特征点ai,在待拼接图像B中搜索与其汉明距离最近邻点bm和次近邻点bn,它们的距离分别为dm和dn,当最近邻点和次近邻点距离的比值满足:
则可以初步认为特征点ai和bm是相互匹配的,T取值为0.6。
7.如权利要求6所述的基于图像分析的光伏板检测方法,其特征在于,使用RANSAC算法进行特征精匹配并建立交换模型包括:首先在通过特征粗匹配后得到的匹配点对中任意的挑选n对进行变换模型的建立,然后计算该变换模型与剩余的匹配点对之间的距离,如果距离小于设置的阈值,则保留并使匹配点对个数加一,同时去除掉距离大于设置阈值的匹配点对;当匹配点对个数达到一定数量时,则表示当前计算的变换模型就是最终所建立的变换模型,否则重新任意的挑选匹配点对并迭代计算变换模型;当迭代的次数超过设置的阈值,仍然没有得到合适的变换模型时,则表示特征精匹配失败。
8.如权利要求1所述的基于图像分析的光伏板检测方法,其特征在于,所述根据图像分析得到光伏板当前状态包括:
对完整光伏板图像进行分割并进行二值化处理,得到二值化图像,将该二值化图像与正常光伏板图像进行对比,若光伏板图像并无明显差异,则得出结论光伏板正常;若光伏板图像差异较大,则得出结论光伏板异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311794393.3A CN117876308A (zh) | 2023-12-25 | 2023-12-25 | 基于图像分析的光伏板检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311794393.3A CN117876308A (zh) | 2023-12-25 | 2023-12-25 | 基于图像分析的光伏板检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117876308A true CN117876308A (zh) | 2024-04-12 |
Family
ID=90582231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311794393.3A Pending CN117876308A (zh) | 2023-12-25 | 2023-12-25 | 基于图像分析的光伏板检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876308A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090753A (zh) * | 2024-04-17 | 2024-05-28 | 太原理工大学 | 一种基于视觉的激光打印光伏板极小缺陷检测装置及方法 |
CN118097730A (zh) * | 2024-04-28 | 2024-05-28 | 成都贝迪特信息技术有限公司 | 一种掌靜脉识别的roi图像提取方法 |
-
2023
- 2023-12-25 CN CN202311794393.3A patent/CN117876308A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090753A (zh) * | 2024-04-17 | 2024-05-28 | 太原理工大学 | 一种基于视觉的激光打印光伏板极小缺陷检测装置及方法 |
CN118097730A (zh) * | 2024-04-28 | 2024-05-28 | 成都贝迪特信息技术有限公司 | 一种掌靜脉识别的roi图像提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117876308A (zh) | 基于图像分析的光伏板检测方法 | |
US20170277966A1 (en) | System and methods for automatic solar panel recognition and defect detection using infrared imaging | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN109525194B (zh) | 光伏板故障光斑检测识别方法和*** | |
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类*** | |
CN105678776B (zh) | 一种基于激光视觉传感器焊缝图像特征点提取方法 | |
CN112184711A (zh) | 一种光伏组件缺陷检测和定位方法及*** | |
CN102636490A (zh) | 基于机器视觉的轴承防尘盖表面缺陷检测方法 | |
CN107481237B (zh) | 一种基于多帧温度特性的红外阵列图像热斑检测方法 | |
CN112529875A (zh) | 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** | |
CN110889827A (zh) | 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法 | |
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN113538503A (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN111126381A (zh) | 一种基于r-dfpn算法的绝缘子倾斜定位与识别方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN115937517A (zh) | 一种基于多光谱融合的光伏故障自动检测方法 | |
CN108373001A (zh) | 一种智能工业机器人自动化仓储*** | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN109829919B (zh) | 一种太阳能电池片的视觉定位方法 | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN115082504B (zh) | 一种太阳能光伏板光斑识别方法 |
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 |