CN118096738A - 一种新能源光伏组件故障检测方法及*** - Google Patents
一种新能源光伏组件故障检测方法及*** Download PDFInfo
- Publication number
- CN118096738A CN118096738A CN202410487334.XA CN202410487334A CN118096738A CN 118096738 A CN118096738 A CN 118096738A CN 202410487334 A CN202410487334 A CN 202410487334A CN 118096738 A CN118096738 A CN 118096738A
- Authority
- CN
- China
- Prior art keywords
- component
- areas
- value
- values
- area
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000000903 blocking effect Effects 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及光伏***监测技术领域,具体涉及一种新能源光伏组件故障检测方法及***。首先获取光伏组件的组件初始图像,根据两个组件分块区域之间的灰度值分布差异,以及组件分块区域的异常概率值,以及背景灰度值,确定两个组件分块区域的颜色距离;根据两个组件分块区域的异常概率值差异和初始的空间距离,以及组件分块区域和预设邻域范围内所有的组件分块区域之间的颜色距离的差异,获取两个组件分块区域的调整空间距离;根据组件显著图,获取光伏组件的故障检测结果。本发明通过构建能有效体现弱热斑区域和正常区域之间的差异的单尺度显著性值,改善组件显著图的显著性检测效果,提高故障检测结果的准确性。
Description
技术领域
本发明涉及光伏***监测技术领域,具体涉及一种新能源光伏组件故障检测方法及***。
背景技术
光伏组件作为新能源发电***的核心部分,其性能直接影响到整个***的发电效率和稳定性。通过光伏组件的故障检测,可以及时发现并解决潜在的问题,确保光伏组件的正常工作,从而达到预期的发电效率。热斑是光伏组件在运行过程中可能出现的一种故障现象,它会导致组件局部温度过高,影响光伏组件的输出功率和使用寿命。为了确保光伏组件的高效运行和长期稳定,及时发现光伏组件的热斑区域至关重要。
在光伏组件上正常区域的温度是均匀变化的,热斑区域温度通常较高且温度相较于周围区域变化剧烈,热斑区域在光伏组件的图像表现较为显著,现有技术通常采用显著性检测CA(Context-Aware,CA)算法对光伏组件的图像进行显著性分析,从而确定光伏组件中热斑区域。显著性检测CA算法通过计算单尺度显著性值,进行显著性检测,能够有效检测出热斑表现明显的区域,但是显著性检测CA算法在计算单尺度显著性值的过程中,由于受到弱热斑区域和正常区域之间的差异不明显的影响,导致单尺度显著性值难以体现弱热斑区域和正常区域的区别,导致难以检测出热斑表现较弱的区域,导致光伏组件故障检测结果不够准确。
发明内容
为了解决现有技术显著性检测CA算法在计算单尺度显著性值的过程中,由于受到弱热斑区域和正常区域之间的差异不明显的影响,导致单尺度显著性值难以体现弱热斑区域和正常区域的区别,导致难以检测出热斑表现较弱的区域,导致光伏组件故障检测结果不够准确的技术问题,本发明的目的在于提供一种新能源光伏组件故障检测方法及***,所采用的技术方案具体如下:
一种新能源光伏组件故障检测方法,所述方法包括:
获取光伏组件的组件初始图像;确定所述组件初始图像的背景灰度值;在不同预设尺度下,将所述组件初始图像均匀分割为预设数量个组件分块区域;
任选一个所述预设尺度作为待分析尺度;在所述待分析尺度下,根据所述组件分块区域中所有像素点的灰度值和梯度值的波动,以及像素点灰度值与背景灰度值的差异,确定异常概率值;根据两个组件分块区域之间的灰度值分布差异,以及组件分块区域的异常概率值,以及背景灰度值,确定两个所述组件分块区域的颜色距离;根据两个所述组件分块区域的异常概率值差异和初始的空间距离,以及组件分块区域和预设邻域范围内所有的组件分块区域之间的所述颜色距离的差异,获取两个所述组件分块区域的调整空间距离;
在所述待分析尺度下,根据两个所述组件分块区域的调整空间距离以及两个所述组件分块区域的颜色距离,获取两个所述组件分块区域的非相似性度量值;根据组件分块区域和所有组件分块区域之间非相似性度量值,组件分块区域和所有组件分块区域之间异常概率值的差异,获取组件分块区域的单尺度显著性值;
根据所有预设尺度下所有组件分块区域的单尺度显著性值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图;根据所述组件显著图,获取光伏组件的故障检测结果。
进一步地,所述异常概率值的获取方法包括:
根据异常概率值公式获取异常概率值,异常概率值的获取公式包括:
;其中,/>为第/>个所述组件分块区域的异常概率值;/>为第/>个所述组件分块区域中所有像素点的灰度值的方差;/>为第/>个所述组件分块区域中所有像素点的梯度值的方差;/>为第/>个所述组件分块区域中第/>个像素点的灰度值;/>为第/>个所述组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数;/>为双曲正切函数。
进一步地,所述颜色距离的获取方法包括:
根据所述组件分块区域的异常概率值、所述组件分块区域中各个像素点的灰度值和所述背景灰度值之间差异,以及所述组件分块区域中各个像素点的灰度值,获取组件分块区域的区域灰度值;
计算两个所述组件分块区域的所述区域灰度值的差值的绝对值,得到所述待分析尺度下两个所述组件分块区域的颜色距离。
进一步地,所述区域灰度值的获取方法包括:
根据区域灰度值公式获取区域灰度值,区域灰度值的获取公式包括:
;其中,/>为第/>个所述组件分块区域的所述区域灰度值;/>为第/>个所述组件分块区域的异常概率值;/>为第/>个所述组件分块区域中第/>个像素点的灰度值;/>为第/>个所述组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数。
进一步地,所述调整空间距离的获取方法包括:
在所述组件分块区域的预设邻域范围内,将各个组件分块区域,作为组件分块区域的各个参考分块区域;
计算组件分块区域和参考分块区域的颜色距离的差值的绝对值,得到组件分块区域对应参考分块区域的特征差异值;
计算组件分块区域对应所有的参考分块区域的所述特征差异值的均值,获取组件分块区域的颜色显著值;
根据调整空间距离公式获取调整空间距离,调整空间距离的获取公式包括:
;其中,/>为第/>个所述组件分块区域和第/>个所述组件分块区域之间的调整空间距离;/>为第/>个所述组件分块区域的颜色显著值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域和第/>个所述组件分块区域之间的所述初始的空间距离;/>为以e为底数的指数函数;/>为双曲正切函数。
进一步地,所述非相似性度量值的获取方法包括:
根据两个所述组件分块区域的调整空间距离以及两个所述组件分块区域的颜色距离,获取两个所述组件分块区域的非相似性度量值;
所述调整空间距离和所述非相似性度量值呈负相关性;所述颜色距离和所述非相似性度量值呈正相关性。
进一步地,所述单尺度显著性值的获取方法包括:
根据单尺度显著性值公式获取单尺度显著性值,单尺度显著性值的获取公式包括:
;其中,/>为第/>个所述组件分块区域单尺度显著性值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域的所述异常概率值;/>为所有组件分块区域的总数量;/>为第/>个所述组件分块区域和第/>个所述组件分块区域之间的非相似性度量值;/>为以e为底数的指数函数;/>为归一化函数。
进一步地,所述组件显著图的获取方法包括:
将组件分块区域在所有预设尺度下的单尺度显著性值的均值,作为每个所述组件分块区域的平均显著值;
根据所有所述组件分块区域的平均显著值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图。
进一步地,所述背景灰度值的获取方法包括:
将所述组件初始图像中对应像素点数量最多的灰度值,作为所述组件初始图像的背景灰度值。
本发明还提出了一种新能源光伏组件故障检测***,所述***包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明需要首先获取光伏组件的组件初始图像。考虑到热斑区域是局部电路短路造成的,局部温度较高且变化相对比较剧烈;而正常区域主要是阳光照射角度等自然原因造成的,变化比较平缓;组件分块区域可能存在正常温度变化区域和热斑区域,对于不同的组件分块区域包含热斑区域概率不同,获取待分析尺度下组件分块区域的异常概率值,异常概率值能反映组件分块区域在待分析尺度的局部异常概率。为了构建能有效体现热斑区域和正常区域之间的差异的单尺度显著性值,需要提高热斑区域和正常区域之间的对比度。首先获取颜色距离,颜色距离能够更加有效反映热斑区域和正常区域之间在颜色特征上的区分度。为了增强斑区域和正常区域之间在空间位置的区分度,考虑到两个组件分块区域的异常概率值差异越大,说明两个组件分块区域包含热斑部分的概率区分度越大,考虑到热斑区域主要由于部分电池片受到遮挡无法工作导致内部短路造成的,其中遮挡部分在图像位置空间中相对集中,进而对两个组件分块区域的初始的空间距离进行调整,获取待分析尺度下两个组件分块区域的调整空间距离;调整空间距离能够更加有效反映热斑区域和正常区域之间在空间位置的区分度。进而使得非相似性度量值能够更有效反映待分析尺度下两个组件分块区域之间的差异程度,保障单尺度显著性值能反映充分弱热斑区域的显著程度,改善组件显著图的显著性检测效果,提高故障检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种新能源光伏组件故障检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种新能源光伏组件故障检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种新能源光伏组件故障检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种新能源光伏组件故障检测方法的方法流程图,该方法包括以下步骤:
步骤S1:获取光伏组件的组件初始图像;确定组件初始图像的背景灰度值;在不同预设尺度下,将组件初始图像均匀分割为预设数量个组件分块区域。
光伏组件中的热斑为检测过程的主要故障之一。热斑的产生原因是部分电池片不提供发电功率贡献并在组件内部成为耗能负载,同时造成组件局部温度升高,引发旁路二极管启动,短路对应的电池串,影响发电量,甚至烧毁组件。为了保障光伏组件的高效运行和长期稳定,需要发现光伏组件的热斑故障。本发明需要首先获取光伏组件的组件初始图像。为了反映正常电池板区域的灰度值,获取背景灰度值。由于图像的显著性在不同的尺度下可能表现有所不同,通过在不同的预设尺度下进行检测,可以全面捕捉图像的显著程度。通过将组件初始图像均匀分割为预设数量个组件分块区域,可以分析每个组件分块区域的局部显著性,从而捕捉到图像不同部分的特征。
具体的,通过无人机搭载红外热成像仪采集光伏电池板的红外图像,获取红外图像,由于采集的红外图像存在噪声,噪声会对后续分析光伏组件的故障区域产生影响,所以对图像进行降噪操作,获取降噪图像。消除噪声和外界干扰造成的影响,增强后续分析的准确性。将降噪图像进行灰度化处理,获取光伏电池板的灰度图像,为了避免不必要的区域检测,因此可采用预先训练好的语义分割网络从灰度图像中将仅包含光伏电池板的图像提取出来,获取光伏组件的组件初始图像。本发明实施例采用双边滤波对图像降噪,实施者可根据实际情况自行设置。需要说明的是,语义分割网络采用DNN神经网络,且为Encode-Decode结构,网络输入为光伏电池板的灰度图像,网络输出为仅包含光伏电池板的组件初始图像;打标签的方式为仅包含光伏电池板的区域标记为1,其他区域标记为0,网络损失函数使用交叉熵损失函数;图像获取的装置可根据实施场景进行调整,在此不做限定及赘述,语义分割网络的训练过程为本领域技术人员熟知的过程,在此不做过多赘述。
需要说明的是,为了方便运算,本发明实施例中所参与运算的所有指标数据均经过数据预处理,进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段,在此不做限定。
考虑到红外热成像仪采集太阳能电池的红外图像时,太阳能电池表面有玻璃,红外热成像仪是通过探测太阳能电池表面的玻璃的热量分布,间接探测玻璃下方太阳能电池的热量分布,因此,组件初始图像难以精确的反映电池板温度分布,会导致热斑区域和电池板的正常温度区域之间的差异比较小,显著性检测CA算法难以检测出此类弱热斑区域。
组件初始图像存在灰度值均匀变化的正常区域,光伏组件的热斑区域在组件初始图像主要表现为与整体正常区域相比灰度值较高的区域,与正常运行的正常电池区域相比,热斑区域温度变化剧烈,热斑区域在组件初始图像中灰度值变化较大。在组件初始图像中热斑区域表现较为显著,由于显著性检测可以通过统计学的方法,对图像中各种成分的分布特征进行量化,从而判断各成分之间的差异是否显著,即是否存在明显的分布不均匀现象。所以本发明实施例中采用显著性检测CA算法进行显著性检测,显著性检测CA算法的步骤可概括为:
(1)计算区域在单个尺度下的颜色距离和区域在单个尺度下的空间距离,颜色距离反映了区域之间在颜色特征上的差异,而空间距离则描述了它们在图像中的相对位置关系。进而得到区域在单个尺度下的非相似性度量值;区域的非相似性度量值和颜色距离呈正比;与空间距离呈反比。在各个尺度下,根据所有区域的非相似性度量值,获取各个尺度的单尺度显著性值;(2)将单尺度计算扩展至多尺度,最后求得每个区域在所有尺度下的单尺度显著性值的线性平均,作为平均显著值。(3)提取关注区域,并重新定义显著值。(4)得到显著图,突出显著性区域。但是由于显著性检测CA算法在(1)中,计算单尺度显著性值的过程中,由于受到弱热斑区域和正常区域之间的差异不明显的影响,导致单尺度显著性值难以体现弱热斑区域和正常区域的区别,导致难以检测出热斑表现较弱的区域,因此针对此问题,本发明深入挖掘热热斑区域和正常区域之间的差异,通过构建能有效体现弱热斑区域和正常区域之间的差异的单尺度显著性值,用于提高最终的显著性检测效果。
优选的,为了反映正常电池板区域的灰度值,获取背景灰度值,本发明一个实施例中,背景灰度值的获取方法包括:
将组件初始图像中对应像素点数量最多的灰度值,作为组件初始图像的背景灰度值。
具体的,在图像处理中不同尺度能揭示出不同的显著性特征,小尺度往往体现细节,大尺度则往往体现整体结构或模式,某些特征在小尺度上会比较显著,而某些特征在大尺度上显著,通过在不同的预设尺度下进行检测,可以全面捕捉图像的显著程度。为了捕捉图像不同部分的特征,还需要进行分区研究。因此在本发明该实施例中,设置不同的预设尺度,并在每个预设尺度下,将初始图像均匀分割为预设数量个区域图像,且预设数量取值为64,需要说明的是,在本发明该实施例中,尺度具体指尺寸,且预设尺度设置为100%、80%、50%、30%、10%,预设尺度可根据实施场景进行调整,在此不做限定。本发明一个实施例中,预设数量取值为64,实施者可根据实施场景自行设定。
步骤S2,任选一个预设尺度作为待分析尺度;在待分析尺度下,根据组件分块区域中所有像素点的灰度值和梯度值的波动,以及像素点灰度值与背景灰度值的差异,确定异常概率值;根据两个组件分块区域之间的灰度值分布差异,以及组件分块区域的异常概率值,以及背景灰度值,确定两个组件分块区域的颜色距离;根据两个组件分块区域的异常概率值差异和初始的空间距离,以及组件分块区域和预设邻域范围内所有的组件分块区域之间的颜色距离的差异,获取两个组件分块区域的调整空间距离。
考虑到热斑区域是局部电路短路造成的,局部温度较高且变化相对比较剧烈;而正常区域主要是阳光照射角度等自然原因造成的,变化比较平缓;组件分块区域可能存在正常温度变化区域和热斑区域,对于不同的组件分块区域包含热斑区域概率不同,获取待分析尺度下组件分块区域的异常概率值,异常概率值能反映组件分块区域在待分析尺度的局部异常概率。为了构建能有效体现热斑区域和正常区域之间的差异的单尺度显著性值,需要提高热斑区域和正常区域之间的对比度。首先获取待分析尺度下两个组件分块区域的颜色距离;颜色距离能够更加有效反映热斑区域和正常区域之间在颜色特征上的区分度。为了增强斑区域和正常区域之间在空间位置的区分度,考虑到两个组件分块区域的异常概率值差异越大,说明两个组件分块区域包含热斑部分的概率区分度越大,考虑到热斑区域主要由于部分电池片受到遮挡无法工作导致内部短路造成的,其中遮挡部分在图像位置空间中相对集中,进而对两个组件分块区域的初始的空间距离进行调整,获取待分析尺度下两个组件分块区域的调整空间距离;调整空间距离能够更加有效反映热斑区域和正常区域之间在空间位置的区分度。
优选的,为了反映待分析尺度下组件分块区域中包括热斑区域的概率,本发明一个实施例中,异常概率值的获取方法包括:
根据异常概率值公式获取异常概率值,异常概率值的获取公式包括:
;其中,/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为在待分析尺度下,第/>个组件分块区域中所有像素点的灰度值的方差;/>为在待分析尺度下,第/>个组件分块区域中所有像素点的梯度值的方差;/>为在待分析尺度下,第/>个组件分块区域中第/>个像素点的灰度值;/>为在待分析尺度下,第/>个组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数;/>为双曲正切函数。
式中,考虑到组件分块区域可能存在正常温度变化区域和热斑区域,对于不同的组件分块区域包含热斑区域概率不同,需要分析在待分析尺度下组件分块区域中包括热斑区域的概率。表示组件分块区域中灰度值的方差,反映了组件分块区域的温度变化幅度,当/>较大时候,表示组件分块区域内部的温度变化幅度较大,该组件分块区域包含热斑区域的可能性越大,此时判断的重心偏向于/>,/>反映了组件分块区域的温度变化的剧烈程度,剧烈程度越大,说明组件分块区域包含热斑区域概率越大。当/>较小时候,表示组件分块区域内部的温度变化幅度较小,该组件分块区域包含热斑区域的可能性越小,此时通过/>难以准确判断出组件分块区域包含热斑区域的概率,考虑到在电池板中,正常区域的温度通常较低且相对集中,/>能够反映正常区域的灰度值,此时判断的重心偏向于,/>反映了热斑区域和正常区域的灰度值差异,差异越大,说明组件分块区域包含热斑区域概率越大。通过/>和/>来调整/>和/>权重,异常概率值能更加准确的反映待分析尺度下组件分块区域中包括热斑区域的概率。
考虑到显著性检测CA算法中计算颜色距离往往在Lab颜色空间中,本发明实施例中通过红外热成像仪采集的图像是单通道图像,单通道图像无法转换到Lab颜色空间中,所以现有技术显著性检测CA算法在计算颜色距离采用灰度图像,显著性检测CA算法通过在单个尺度下分块区域的灰度值均值,作为区域灰度值,根据两个区域的区域灰度值的欧式距离,进而获取两个区域的在单个尺度下的颜色距离。本发明为了使得颜色距离能够更加有效反映热斑区域和正常区域之间在颜色特征上的区分度,重新构建了颜色距离的计算方法。
优选的,本发明一个实施例中,考虑当组件分块区域的异常概率值较大时,代表组件分块区域中包含热斑部分的概率较大,热斑部分的灰度值较高,放大高灰度值像素点的计算占比,获取待分析尺度下组件分块区域的区域灰度值,区域灰度值能够提升热斑区域的显著度,使得热斑区域和正常区域对应的区域灰度值差异更大,区域灰度值的获取方法包括:
根据区域灰度值公式获取区域灰度值,区域灰度值的获取公式包括:
;其中,/>为在待分析尺度下,第/>个组件分块区域的区域灰度值;/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为在待分析尺度下,第/>个组件分块区域中第/>个像素点的灰度值;/>为在待分析尺度下,第/>个组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数。
式中,为了使得弱热斑区域的区域灰度值区别于正常区域,当异常概率值较大时,组件分块区域中包括热斑区域的概率较大,在计算区域灰度值时候,可以适当放大高灰度值的像素点的占比,当异常概率值较小时,组件分块区域中包括热斑区域的概率较小,在计算区域灰度值时候,正常计算灰度均值即可。当越大时,代表待分析尺度下组件分块区域中包括热斑区域的概率越大,判断的重心倾向于,/>能够放大高灰度值的像素点的占比,使得组件分块区域的整体灰度值同时使得热斑区域和正常区域之间的差异更大。当/>越小时,代表待分析尺度下组件分块区域中包括热斑区域的概率越小,判断的重心倾向于/>,/>能够表征组件分块区域的整体灰度值。区域灰度值表征组件分块区域的整体灰度值,且使得热斑区域的区域灰度值和正常区域的区域灰度值之间的差异更大。
优选的,本发明一个实施例中,为了体现两个组件分块区域在颜色特征上的区分度,颜色距离的获取方法包括:
计算两个组件分块区域的区域灰度值的差值的绝对值,得到待分析尺度下两个组件分块区域的颜色距离。通过上述步骤构建区域灰度值,使得弱热斑区域的区域灰度值区别于正常区域,有助于颜色距离能够更加有效反映热斑区域和正常区域之间在颜色特征上的区分度。
本发明一个实施例中,颜色距离的获取公式包括:
;其中,/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的颜色距离;/>为在待分析尺度下,第/>个组件分块区域的区域灰度值;/>为在待分析尺度下,第/>个组件分块区域的区域灰度值。
为了有效反映热斑区域和正常区域之间在空间位置的区分度,首先需要获取两个组件分块区域在待分析尺度下的初始的空间距离。具体的,基于显著性检测CA算法,获取两个组件分块区域在待分析尺度下的空间距离,将空间距离作为初始的空间距离。需要说明的是,显著性检测CA算法为本领域技术人员熟知的技术手段,在此仅仅简述获取两个组件分块区域在待分析尺度下的初始的空间距离的简要步骤:计算两个组件分块区域的位置的欧式距离,获取两个组件分块区域在待分析尺度下的空间距离,将空间距离作为初始的空间距离。
优选的,考虑到现有显著性检测CA算法中在根据两个区域之间的欧式距离,获取两个组件分块区域在待分析尺度下的初始的空间距离。本发明为了有效反映热斑区域和正常区域之间在空间位置的区分度,考虑到热斑区域主要由于部分电池片受到遮挡无法工作导致内部短路造成的,其中遮挡部分在图像位置空间中相对集中,进而对两个组件分块区域的初始的空间距离进行调整,获取待分析尺度下两个组件分块区域的调整空间距离。本发明一个实施例中,调整空间距离的获取方法包括:
为了后续分析组件分块区域的周围,本发明一个实施例中,将组件分块区域作为目标处理区域,将所有和目标处理区域邻接的组件分块区域,作为目标处理区域的预设邻域范围。在组件分块区域的预设邻域范围内,将各个组件分块区域,作为组件分块区域的各个参考分块区域,各个参考分块区域表示组件分块区域的各个周围区域。
计算组件分块区域和参考分块区域的颜色距离的差值的绝对值,得到组件分块区域对应参考分块区域的特征差异值;计算组件分块区域对应所有的参考分块区域的特征差异值的均值,获取组件分块区域颜色显著值;组件分块区域颜色显著值反映了组件分块区域相较于周围的颜色差异程度。
根据调整空间距离公式获取调整空间距离,调整空间距离的获取公式包括:
;其中,/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的调整空间距离;/>为在待分析尺度下,第/>个组件分块区域的颜色显著值;/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的初始的空间距离;/>为以e为底数的指数函数;/>为双曲正切函数。
式中,为在待分析尺度下,第/>个组件分块区域的颜色显著值,反映了组件分块区域相较于周围的颜色差异程度,考虑到热斑区域在图像局部的像素表现通常相对集中,差异程度越大,代表组件分块区域的局部特殊程度越大,组件分块区域越可能包括热斑区域。考虑到强热斑区域的异常概率值/>弱热斑区域的异常概率值/>正常区域的异常概率值,当/>大于/>时候,需要放大/>有助于更好的体现出热斑区域和正常区域的区分度。将/>的值域正比例归一化,值域为[0,2],使得当/>大于/>时候,/>取值为(1,2],代表第/>个组件分块区域比第/>个组件分块区域的异常概率大,此时放大/>的占比。使得当/>小于/>时候,/>取值为[0,1),此时缩小/>的占比。最终使得/>越大,代表第/>个组件分块区域包括热斑区域的可能性越大。由于/>与非相似性度量值呈负相关性,通过/>调节/>的逻辑关系,即第/>个组件分块区域的代表组件分块区域的局部特殊程度越大,且第/>个组件分块区域比第/>个组件分块区域的异常概率大时,越需要在计算显著参数时缩小/>的权重,使得调整空间距离能够更加有效反映热斑区域和正常区域之间在空间位置的区分度。
步骤S3,在所述待分析尺度下,根据两个所述组件分块区域的调整空间距离以及两个所述组件分块区域的颜色距离,获取两个所述组件分块区域的非相似性度量值;根据组件分块区域和所有组件分块区域之间非相似性度量值,组件分块区域和所有组件分块区域之间异常概率值的差异,获取组件分块区域的单尺度显著性值。
非相似性度量值能够反映待分析尺度下两个组件分块区域之间的差异程度。为了保证弱热斑区域的检测准确性,在计算两个组件分块区域的单尺度显著性值的过程中,降低异常概率值大于自身组件分块区域的非相似性度量值的在加权均值计算过程的权重,从而减小强热斑区域在单尺度显著性值计算过程的影响,放大自身区域与正常背景区域的显著差异,保障单尺度显著性值能反映充分弱热斑区域的显著程度。
优选地,本发明一个实施例中,非相似性度量值的获取方法包括:
根据两个组件分块区域的调整空间距离以及两个组件分块区域的颜色距离,获取两个组件分块区域的非相似性度量值;调整空间距离和非相似性度量值呈负相关性;颜色距离和非相似性度量值呈正相关性。
根据非相似性度量值公式获取非相似性度量值,非相似性度量值的获取公式包括:
;其中,为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的非相似性度量值;/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的颜色距离;/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的调整空间距离。
通过上述步骤构建能够更好体现出两个组件分块区域在颜色特征上的区分度的颜色距离,以及能够更好体现出两个组件分块区域在空间位置上的区分度的调整空间距离,使得非相似性度量值能够反映待分析尺度下两个组件分块区域之间的差异程度。
优选地,本发明一个实施例中,单尺度显著性值的获取方法包括:
根据单尺度显著性值公式获取单尺度显著性值,单尺度显著性值的获取公式包括:
;其中,/>为在待分析尺度下,第/>个组件分块区域单尺度显著性值;/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为在待分析尺度下,第/>个组件分块区域的异常概率值;/>为所有组件分块区域的总数量;/>为在待分析尺度下,第/>个组件分块区域和第/>个组件分块区域之间的非相似性度量值;/>为以e为底数的指数函数;/>为归一化函数。
式中,为了保证弱热斑区域的检测概率,通过作为/>的调整系数,降低异常概率值大于第/>个组件分块区域的非相似性度量值的在加权均值计算过程的权重,从而减小强热斑区域在单尺度显著性值计算过程的影响,放大第/>个组件分块区域与正常背景区域的显著差异,保障单尺度显著性值能反映充分弱热斑区域的显著程度,从而构建能有效体现弱热斑区域和正常区域之间的差异的单尺度显著性值,单尺度显著性值能针对性体现出弱热斑区域的显著程度。
步骤S4,根据所有预设尺度下所有组件分块区域的单尺度显著性值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图;根据组件显著图,获取光伏组件的故障检测结果。
所有预设尺度下所有组件分块区域的单尺度显著性值,能够反映每个预设尺度下组件分块区域的缺陷表现显著情况,单尺度显著性值能反映充分弱热斑区域的显著程度,进而改善组件显著图的显著性检测效果,提高故障检测结果的准确性。
优选地,本发明一个实施例中,通过上述步骤构建能反映充分弱热斑区域的显著程度的单尺度显著性值,进而改善组件显著图的显著性检测效果,组件显著图的获取方法包括:
将组件分块区域在所有预设尺度下的单尺度显著性值的均值,作为每个组件分块区域的平均显著值;
根据所有组件分块区域的平均显著值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图。需要说明的是,利用显著性检测CA算法根据所有组件分块区域的平均显著值,获取组件初始图像对应的组件显著图为本领域技术人员熟知的技术手段,在此不做过多赘述。
至此可以得到光伏组件的组件显著图,且组件显著图为灰度图,其中亮度越高的区域显著性越高。
具体的,根据组件显著图,获取光伏组件的故障检测结果。将显著值不小于预设判断阈值的像素点标记为故障像素点,将其余像素点标记为正常像素点。本发明一个实施例中,预设判断阈值为0.8。计算故障像素点与组件显著图中所有像素点的占比,得到缺陷参数。当缺陷参数小于第一设定参数时,则判定光伏组件的质量检测等级为优秀;当缺陷参数不小于第一设定参数且小于第二设定参数时,则判定光伏组件的质量检测等级为良好;当缺陷参数不小于第二设定参数且小于第三设定参数时,则判定光伏组件的质量检测等级为合格;当缺陷参数不小于第三设定参数时,则判定光伏组件的质量检测等级为不合格,需要进行返工。本实施例设置第一设定参数的取值为0.15,第二设定参数的取值为0.35,第三设定参数的取值为0.45,实施者可根据实施场景自行设定。至此,确定光伏组件的故障检测结果。
本实施例还提供了一种新能源光伏组件故障检测***,该***包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现任意一项一种新能源光伏组件故障检测方法的步骤。
综上,本发明实施例首先获取光伏组件的组件初始图像,根据两个组件分块区域之间的灰度值分布差异,以及组件分块区域的异常概率值,以及背景灰度值,确定两个组件分块区域的颜色距离;根据两个组件分块区域的异常概率值差异和初始的空间距离,以及组件分块区域和预设邻域范围内所有的组件分块区域之间的颜色距离的差异,获取两个组件分块区域的调整空间距离;从而获取组件分块区域的单尺度显著性值;根据组件显著图,获取光伏组件的故障检测结果。本发明通过构建能有效体现弱热斑区域和正常区域之间的差异的单尺度显著性值,改善组件显著图的显著性检测效果,提高故障检测结果的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种新能源光伏组件故障检测方法,其特征在于,所述方法包括:
获取光伏组件的组件初始图像;确定所述组件初始图像的背景灰度值;在不同预设尺度下,将所述组件初始图像均匀分割为预设数量个组件分块区域;
任选一个所述预设尺度作为待分析尺度;在所述待分析尺度下,根据所述组件分块区域中所有像素点的灰度值和梯度值的波动,以及像素点灰度值与背景灰度值的差异,确定异常概率值;根据两个组件分块区域之间的灰度值分布差异,以及组件分块区域的异常概率值,以及背景灰度值,确定两个所述组件分块区域的颜色距离;根据两个所述组件分块区域的异常概率值差异和初始的空间距离,以及组件分块区域和预设邻域范围内所有的组件分块区域之间的所述颜色距离的差异,获取两个所述组件分块区域的调整空间距离;
在所述待分析尺度下,根据两个所述组件分块区域的调整空间距离以及两个所述组件分块区域的颜色距离,获取两个所述组件分块区域的非相似性度量值;根据组件分块区域和所有组件分块区域之间非相似性度量值,组件分块区域和所有组件分块区域之间异常概率值的差异,获取组件分块区域的单尺度显著性值;
根据所有预设尺度下所有组件分块区域的单尺度显著性值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图;根据所述组件显著图,获取光伏组件的故障检测结果。
2.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述异常概率值的获取方法包括:
根据异常概率值公式获取异常概率值,异常概率值的获取公式包括:
;其中,/>为第/>个所述组件分块区域的异常概率值;/>为第/>个所述组件分块区域中所有像素点的灰度值的方差;/>为第/>个所述组件分块区域中所有像素点的梯度值的方差;/>为第/>个所述组件分块区域中第/>个像素点的灰度值;/>为第/>个所述组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数;/>为双曲正切函数。
3.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述颜色距离的获取方法包括:
根据所述组件分块区域的异常概率值、所述组件分块区域中各个像素点的灰度值和所述背景灰度值之间差异,以及所述组件分块区域中各个像素点的灰度值,获取组件分块区域的区域灰度值;
计算两个所述组件分块区域的所述区域灰度值的差值的绝对值,得到所述待分析尺度下两个所述组件分块区域的颜色距离。
4.根据权利要求3所述的一种新能源光伏组件故障检测方法,其特征在于,所述区域灰度值的获取方法包括:
根据区域灰度值公式获取区域灰度值,区域灰度值的获取公式包括:
;其中,/>为第/>个所述组件分块区域的所述区域灰度值;/>为第/>个所述组件分块区域的异常概率值;/>为第/>个所述组件分块区域中第/>个像素点的灰度值;/>为第/>个所述组件分块区域中所有像素点的总数量;/>为组件初始图像的背景灰度值;/>为归一化函数。
5.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述调整空间距离的获取方法包括:
在所述组件分块区域的预设邻域范围内,将各个组件分块区域,作为组件分块区域的各个参考分块区域;
计算组件分块区域和参考分块区域的颜色距离的差值的绝对值,得到组件分块区域对应参考分块区域的特征差异值;
计算组件分块区域对应所有的参考分块区域的所述特征差异值的均值,获取组件分块区域的颜色显著值;
根据调整空间距离公式获取调整空间距离,调整空间距离的获取公式包括:
;其中,为第/>个所述组件分块区域和第/>个所述组件分块区域之间的调整空间距离;/>为第/>个所述组件分块区域的颜色显著值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域和第/>个所述组件分块区域之间的所述初始的空间距离;/>为以e为底数的指数函数;/>为双曲正切函数。
6.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述非相似性度量值的获取方法包括:
根据两个所述组件分块区域的调整空间距离以及两个所述组件分块区域的颜色距离,获取两个所述组件分块区域的非相似性度量值;
所述调整空间距离和所述非相似性度量值呈负相关性;所述颜色距离和所述非相似性度量值呈正相关性。
7.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述单尺度显著性值的获取方法包括:
根据单尺度显著性值公式获取单尺度显著性值,单尺度显著性值的获取公式包括:
;其中,/>为第/>个所述组件分块区域单尺度显著性值;/>为第/>个所述组件分块区域的所述异常概率值;/>为第/>个所述组件分块区域的所述异常概率值;/>为所有组件分块区域的总数量;/>为第/>个所述组件分块区域和第/>个所述组件分块区域之间的非相似性度量值;/>为以e为底数的指数函数;/>为归一化函数。
8.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述组件显著图的获取方法包括:
将组件分块区域在所有预设尺度下的单尺度显著性值的均值,作为每个所述组件分块区域的平均显著值;
根据所有所述组件分块区域的平均显著值,利用显著性检测CA算法,获取组件初始图像对应的组件显著图。
9.根据权利要求1所述的一种新能源光伏组件故障检测方法,其特征在于,所述背景灰度值的获取方法包括:
将所述组件初始图像中对应像素点数量最多的灰度值,作为所述组件初始图像的背景灰度值。
10.一种新能源光伏组件故障检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487334.XA CN118096738B (zh) | 2024-04-23 | 2024-04-23 | 一种新能源光伏组件故障检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487334.XA CN118096738B (zh) | 2024-04-23 | 2024-04-23 | 一种新能源光伏组件故障检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118096738A true CN118096738A (zh) | 2024-05-28 |
CN118096738B CN118096738B (zh) | 2024-06-25 |
Family
ID=91157284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410487334.XA Active CN118096738B (zh) | 2024-04-23 | 2024-04-23 | 一种新能源光伏组件故障检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096738B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130307556A1 (en) * | 2011-01-21 | 2013-11-21 | Ampt, Llc | Abnormality Detection Architecture and Methods For Photovoltaic Systems |
CN106447704A (zh) * | 2016-10-13 | 2017-02-22 | 西北工业大学 | 基于显著区域特征和边缘度的可见光‑红外图像配准方法 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN116664549A (zh) * | 2023-06-29 | 2023-08-29 | 河北工业大学 | 一种基于特征感知的光伏电站热斑缺陷检测方法 |
CN117422695A (zh) * | 2023-11-08 | 2024-01-19 | 上海朗驰佰特智能技术有限公司 | 一种基于CR-Deeplab的异常检测方法 |
-
2024
- 2024-04-23 CN CN202410487334.XA patent/CN118096738B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130307556A1 (en) * | 2011-01-21 | 2013-11-21 | Ampt, Llc | Abnormality Detection Architecture and Methods For Photovoltaic Systems |
CN106447704A (zh) * | 2016-10-13 | 2017-02-22 | 西北工业大学 | 基于显著区域特征和边缘度的可见光‑红外图像配准方法 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN116664549A (zh) * | 2023-06-29 | 2023-08-29 | 河北工业大学 | 一种基于特征感知的光伏电站热斑缺陷检测方法 |
CN117422695A (zh) * | 2023-11-08 | 2024-01-19 | 上海朗驰佰特智能技术有限公司 | 一种基于CR-Deeplab的异常检测方法 |
Non-Patent Citations (2)
Title |
---|
孙海蓉;伍金文: "基于加权灰度图与混合阈值分割方法的光伏热斑检测", 《 电力科学与工程》, vol. 40, no. 1, 31 January 2024 (2024-01-31), pages 63 - 68 * |
王延召: "基于视觉显著性的目标检测方法研究", 《中国博士学位论文电子期刊网》, 31 May 2022 (2022-05-31), pages 138 - 45 * |
Also Published As
Publication number | Publication date |
---|---|
CN118096738B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241699B (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115115634B (zh) | 基于红外图像的光伏阵列热斑检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
CN112164086B (zh) | 一种精细化的图像边缘信息确定方法、***及电子设备 | |
CN112381759B (zh) | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
CN115029704B (zh) | 一种用于不锈钢酸洗工艺的智能控制方法及装置 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及*** | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及*** | |
CN116309344A (zh) | 一种绝缘子异常检测方法、装置、设备和存储介质 | |
CN118096738B (zh) | 一种新能源光伏组件故障检测方法及*** | |
CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN116188510B (zh) | 一种基于多传感器的企业排放数据采集*** | |
CN116503633A (zh) | 基于图像识别的开关柜状态智能检测控制方法 | |
CN113674215B (zh) | 光伏板的光斑识别方法、装置及计算机可读存储介质 | |
CN113963013B (zh) | 一种基于计算机视觉的无标靶输电塔位移振动识别方法 | |
US20230245445A1 (en) | An object detection method | |
CN115330787B (zh) | 一种基于图像识别的光伏组件覆冰面积检测方法 | |
CN116883401B (zh) | 一种工业产品生产质量检测*** | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
CN117351021B (zh) | 一种光伏连接线生产质量智能检测方法 | |
CN115984546B (zh) | 一种针对固定场景的异常检测用的样本底库生成方法 |
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 | ||
GR01 | Patent grant |