CN105720917B - 基于红外图像处理的光伏阵列热斑快速检测系统及方法 - Google Patents
基于红外图像处理的光伏阵列热斑快速检测系统及方法 Download PDFInfo
- Publication number
- CN105720917B CN105720917B CN201610057516.9A CN201610057516A CN105720917B CN 105720917 B CN105720917 B CN 105720917B CN 201610057516 A CN201610057516 A CN 201610057516A CN 105720917 B CN105720917 B CN 105720917B
- Authority
- CN
- China
- Prior art keywords
- hot spot
- new
- mrow
- photovoltaic
- image processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims description 47
- 230000003044 adaptive effect Effects 0.000 claims description 37
- 238000004088 simulation Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 241000935974 Paralichthys dentatus Species 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004870 electrical engineering Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
-
- 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)
- Multimedia (AREA)
- Signal Processing (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Processing (AREA)
Abstract
一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于它包括红外视频采集模块、红外图像处理系统和光伏热斑输出模块；其检测方法包括：视频信号采集、处理、图像数字化、存储并编址、热斑识别及输出；其优越性在于：①硬件装置设计简单，算法易于编程实现；②能够快速有效的分割出光伏红外图像上的热斑；③增加了红外图像对比度，滤除了噪声；④提高了该控制系统的可靠性。
Description
(一)技术领域：
本发明属于电工理论与新技术领域，涉及到光伏阵列热斑检测及红外图像技术领域，特别是一种基于红外图像处理的光伏阵列热斑快速检测系统及方法。
(二)背景技术：
随着全世界范围内能源危机和环境问题的日益突出，可再生能源的开发利用引起广泛的关注。太阳能以其取之不尽、用之不竭及清洁安全等特点成为最具前景的新能源之一。光伏发电是充分利用太阳能的一种有效方式，对解决世界能源危机和环境问题具有重要意义。与此同时，随着光伏阵列的长时间使用，以及恶劣工作环境的影响，致使光伏组件中的部分电池出现各种故障，表现为光伏板上热斑现象，导致系统的输出功率下降。常规光伏阵列检测方法有电气测量法、CTCT法、数学建模法、智能检测法等。
但是电气测量法不能确定热斑位置，CTCT法系统安装过于复杂，数学建模法存在模型建立困难的问题，智能检测法比较依赖于先验知识且难于硬件实现。因此,研究一种快速有效检测光伏阵列热斑的系统是电工理论与新技术的一个重要研究内容。
(三)发明内容：
本发明的目的在于提供一种基于红外图像处理的光伏阵列热斑快速检测系统，它针对目前光伏阵列热斑检测效率低、不准确两个问题，利用实时采集的光伏阵列红外图像来检测热斑，通过数字信号处理器进行红外图像处理，在分析比较多种图像分割算法的基础上，提出了一种适合光伏阵列热斑分割的算法，该系统能快速有效提取光伏阵列热斑，为故障诊断与定位提供依据，对提高光伏板检测的智能化水平有着重要意义。
本发明的技术方案：一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于它包括红外视频采集模块、红外图像处理系统和光伏热斑输出模块；其中所述红外视频采集模块、红外图像处理系统和光伏热斑输出模块依次呈单向连接；所述红外视频采集模块将采集到的光伏红外图像输入到红外图像处理系统；所述红外图像处理系统对光伏红外图像综合预处理且由自适应最大散度阈值差法提取热斑，将热斑输入到光伏热斑输出模块。
所述红外视频采集模块是能够持续采集红外模拟视频的红外热像仪，采用配有高性能的320×240焦平面阵列传感器，能够在640×240的显示屏上显示热图像和可见光图像的福禄克公司的Fluke Ti32Thermal Imager热像仪。
所述红外图像处理系统由集成视频处理器、FPGA(现场可编程门阵列，FieldProgrammable Gate Array)协处理器、DSP(数字信号处理器，digital signal processor)主处理器、DSP主控制器、SDRAM(同步动态随机存取內存，Synchronous Dynamic RandomAccess Memory)存储器；其中，所述集成视频处理器的输入端采集光伏阵列红外模拟视频信号，其输出端分别与FPGA协处理器、SDRAM存储器以及DSP主控制器均呈顺序单向连接；所述DSP主控制器与DSP主处理器之间呈双向连接；所述DSP主控制器的输出端分别与集成视频处理器、FPGA协处理器、SDRAM存储器的输入端连接；所述DSP主处理器的输出端输出光伏阵列红外模拟视频信号发送给光伏热斑输出模块。
所述DSP主处理器与DSP主控制器通过MCBSP(多通道缓冲串行口，multichannelbuffered serial port)双向连接。
所述集成视频处理器采用飞利浦公司的SAA711。
所述FPGA协处理器采用Xilinx公司的XC2V3000芯片。
所述DSP主控制器拟采用TI公司TM S320C6000系列的TMS320C6203B芯片。
所述DSP主处理器拟采用TI公司C6000系列的DM642芯片。
所述SDRAM存储器拟采用SAMSUNG公司生产的SDRAM,型号为K4S643232H-T C/L60。
所述光伏热斑输出模块由视频解码器和监视器构成；所述视频解码器的输入端采集红外图像处理系统的光伏阵列红外图像信号；其输出端与监视器的输入端连接；所述监视器的输出端输出光伏阵列红外模拟视频信号给监视器的显示屏。
所述视频解码器采用Ti公司的TH8134。
所述监视器采用普通的电脑显示器。
一种基于红外图像处理的光伏阵列热斑快速检测方法，其特征在于它包括以下步骤：
(1)红外视频采集模块将视频信号输入到红外图像处理系统，视频信号经过集成视频处理器之后，输出八位的数字信号和相关的视频时序信号；
(2)DSP主控制器调度FPGA协处理器，使之逐帧采集数字化后的红外图像，并实现光伏红外图像综合预处理算法；
(3)经过FPGA协处理器后的红外图像逐帧放入SDRAM存储器中，并由DSP主控制器编址；
(4)DSP主处理器逐帧采集综合预处理后的红外图像，并实现自适应最大散度阈值差法，并实现热斑的识别；
(5)经过DSP主处理器后的红外图像，由DSP主控制器决定如何输出到光伏热斑输出模块上。
所述步骤(2)中的光伏红外图像综合预处理算法是分段线性化、非均匀拉伸和伪中值滤波。
所述步骤(4)中的自适应最大散度阈值差法为：
上式中，Tnew为自适应最大散度阈值差，为类间方差，σW为类内方差，C为自适应最大散度阈值差法的调节系数，
上式中T为传统最大化类间方差的分割阈值。
所述自适应最大散度阈值差法的具体实现方法由以下步骤构成：
①设定三个λ的值，记为(λ1,λ,λ2)，由这三个λ值可以得到三个相应的参数C值，记为(C1，C，C2)；其中，λ1、λ2均表示光伏红外图像某一像素点到目标类的距离与目标类到背景类的距离的比值，λ表示λ1与λ2的平均值，即λ＝(λ1+λ2)/2；参数C1表示与λ1相对应的自适应最大散度阈值差法的调节系数，参数C表示与λ相对应的自适应最大散度阈值差法的调节系数，参数C2表示与λ2相对应的自适应最大散度阈值差法的调节系数；
②由于(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)并不一定是理想的图像分割阈值，借助二分法的迭代思想，不断改变(C1，C，C2)的值，并根据最大散度差准则计算对应的(T1 new，Tnew，Tnew2)，记|Tnew-T1 new|为Δ1；|Tnew-T2 new|为Δ2；其中，T1 new表示与C1相对应的自适应最大散度阈值差法迭代阈值，Tnew表示与C相对应的自适应最大散度阈值差法迭代阈值，T2 new表示与C2相对应的自适应最大散度阈值差法迭代阈值；Δ1表示T1 new、Tnew两迭代阈值之间差值的绝对值，Δ2表示Tnew、T2 new两迭代阈值之间差值的绝对值；
③若Δ1<Δ2时，重新设置：C1的值不改变；当Δ1>Δ2时，重新设置：C2的值不改变；
④再次计算(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)，直到Δ1或Δ2的值为零，即调整参数C的取值而获得阈值不再改变，可以认为此时参数C对应的Tnew就是Δ2最佳的分割阈值。
本发明的工作原理：本案所涉及的基于红外图像处理的光伏阵列热斑快速检测系统的工作原理为：由红外摄像头给出模拟视频信号，经过集成视频处理器后，输出八位的数字信号和相关的视频时序信号。FPGA对数字视频信号进行分段线性化、非均匀拉伸、伪中值滤波、图像增强，输出综合预处理后的数字图像，DSP主控制器对综合预处理后的数字图像编址，并存入SDRAM存储器中。DSP主处理器采用中断方式将SDRAM中的图像存到其内部的存储器中，采用自适应最大散度阈值差法提取热斑，通过MCBSP与DSP主控制器进行数据交互，两者配合将结果输出到光伏热斑输出模块。
SAA711为一款可编程视频输入处理芯片，该芯片使用简单：能自动检测行、场同步信号；内部数字锁相环电路能对行同步信号SH进行锁相同步,以产生时钟控制信号，省去了以往时钟同步电路的设计，该芯片能完成视频的模数转换。XC2V3000是Virtex-Ⅱ家族的成员之一，具有64×56个逻辑阵列，1728Kbit的块RAM、18×18的嵌入式乘法器、4个时钟管理器，最大达720个I/O口。TMS320C6000系列DSP,内设计为修正的哈佛总线结构，这里所选用的TMS320C6203B GN Y-300,为384脚的BGA封装,DSP的时钟主频为300MHz,即指令周期速度达到了2400M IPS(兆条指令/S),采用了6000系列的超长指令字(VILW)结构。C6000系列的DM642芯片，该芯片以高性能著称，适合数字图像的处理，芯片内部具有16KB的L1程序高速缓存，16KB的L1数据高速缓存，256KB的L2RAM高速缓存，也可以外接存储器。处理器最高使用频率可以到达720MHZ。SAMSUNG公司生产的SD RAM,型号为K4S643232H-T C/L60,存储容量为64M bit，数据宽度为32位,最小时钟周期为6ns。该SDRAM内部由4个BANK组成,每个BANK有2048行和256列,保证工作所需要的存储容量和实时性的要求。
视频解码器采用TH8134，具有内部基准电平产生电路；最小转换速率可达到8OMHZ,满足系统的工作要求；芯片为电流输出型器件，可直接驱动双端75欧姆负载，生成标准视频信号；具有RGB888(3X8)等多种工作模式；复合视频信号符合RS一343或RS一170标准。
该程序的实现，可以通过C语言来实现，程序简单，占用存储空间小，运行速度快。该程序可以在Visual Studio 2010集成开发平台下完成。
本发明的优越性在于：①硬件装置设计简单，算法易于编程实现；②采用自适应最大散度阈值差法，提取光伏阵列热斑，该方法能够快速有效的分割出光伏红外图像上的热斑；③综合采用了分段线性化、非均匀拉伸与伪中值滤波对光伏红外图像进行修正，达到了增加红外图像对比度，滤除噪声的效果；④利用双DSP的数据计算和数据处理能力，大大提高了该控制系统的可靠性。
(四)附图说明：
图1为本发明所涉一种基于红外图像处理的光伏阵列热斑快速检测系统总体结构示意图。
图2为本发明所涉一种基于红外图像处理的光伏阵列热斑快速检测系统中红外图像处理系统示意图。
图3为本发明所涉一种基于红外图像处理的光伏阵列热斑快速检测系统中光伏热斑输出模块示意图。
图4为本发明所涉一种基于红外图像处理的光伏阵列热斑快速检测方法中自适应最大散度阈值差法程序流程图。
图5为本发明所涉一种基于红外图像处理的光伏阵列热斑快速检测方法中光伏红外图像综合预处理程序流程图。
(五)具体实施方式：
实施例：一种基于红外图像处理的光伏阵列热斑快速检测系统(见图1)，其特征在于它包括红外视频采集模块、红外图像处理系统和光伏热斑输出模块；其中所述红外视频采集模块、红外图像处理系统和光伏热斑输出模块依次呈单向连接；所述红外视频采集模块将采集到的光伏红外图像输入到红外图像处理系统；所述红外图像处理系统对光伏红外图像综合预处理且由自适应最大散度阈值差法提取热斑，将热斑输入到光伏热斑输出模块。
所述红外视频采集模块是一块红外热像仪，它能够持续的采集红外模拟视频，采用福禄克公司的Fluke Ti32Thermal Imager，该热像仪配有高性能的320×240焦平面阵列传感器，能够在640×240的显示屏上显示热图像和可见光图像。
所述红外图像处理系统(见图2)由集成视频处理器、FPGA协处理器、DSP主处理器、DSP主控制器、SDRAM存储器；其中，所述集成视频处理器的输入端采集光伏阵列红外模拟视频信号，其输出端分别与FPGA协处理器、SDRAM存储器以及DSP主控制器均呈顺序单向连接；所述DSP主控制器与DSP主处理器之间呈双向连接；所述DSP主控制器的输出端分别与集成视频处理器、FPGA协处理器、SDRAM存储器的输入端连接；所述DSP主处理器的输出端输出光伏阵列红外模拟视频信号发送给光伏热斑输出模块。
所述DSP主处理器与DSP主控制器通过MCBSP双向连接。
所述集成视频处理器采用飞利浦公司的SAA711。
所述FPGA协处理器采用Xilinx公司的XC2V3000芯片。
所述DSP主控制器拟采用TI公司TM S320C6000系列的TMS320C6203B芯片。
所述DSP主处理器拟采用TI公司C6000系列的DM642芯片。
所述SDRAM存储器拟采用SAMSUNG公司生产的SDRAM,型号为K4S643232H-T C/L60。
所述光伏热斑输出模块(见图3)由视频解码器和监视器构成；所述视频解码器的输入端采集红外图像处理系统的光伏阵列红外图像信号；其输出端与监视器的输入端连接；所述监视器的输出端输出光伏阵列红外模拟视频信号给监视器的显示屏。
所述视频解码器采用Ti公司的TH8134。
所述监视器采用普通的电脑显示器。
一种基于红外图像处理的光伏阵列热斑快速检测方法，其特征在于它包括以下步骤：
(1)红外视频采集模块将视频信号输入到红外图像处理系统，视频信号经过集成视频处理器之后，输出八位的数字信号和相关的视频时序信号；
(2)DSP主控制器调度FPGA协处理器，使之逐帧采集数字化后的红外图像，并实现光伏红外图像综合预处理算法；
(3)经过FPGA协处理器后的红外图像逐帧放入SDRAM存储器中，并由DSP主控制器编址；
(4)DSP主处理器逐帧采集综合预处理后的红外图像，并实现自适应最大散度阈值差法，并实现热斑的识别；
(5)经过DSP主处理器后的红外图像，由DSP主控制器决定如何输出到光伏热斑输出模块上。
所述步骤(2)中的光伏红外图像综合预处理算法(见图5)是分段线性化、非均匀拉伸和伪中值滤波。
所述步骤(4)中的自适应最大散度阈值差法为：
上式中，Tnew为自适应最大散度阈值差，为类间方差，σW为类内方差，C为自适应最大散度阈值差法的调节系数，
上式中T为传统最大化类间方差的分割阈值。
所述自适应最大散度阈值差法(见图4)的具体实现方法由以下步骤构成：
①设定三个λ的值，记为(λ1,λ,λ2)，由这三个λ值可以得到三个相应的参数C值，记为(C1，C，C2)；其中，λ1、λ2均表示光伏红外图像某一像素点到目标类的距离与目标类到背景类的距离的比值，本方案中取λ1＝0.5、λ2＝0.25，λ表示λ1与λ2的平均值，即λ＝(λ1+λ2)/2。；参数C1表示与λ1相对应的自适应最大散度阈值差法的调节系数，参数C表示与λ相对应的自适应最大散度阈值差法的调节系数，参数C2表示与λ2相对应的自适应最大散度阈值差法的调节系数；
②由于(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)并不一定是理想的图像分割阈值，借助二分法的迭代思想，不断改变(C1，C，C2)的值，并根据最大散度差准则计算对应的(T1 new，Tnew，Tnew 2)，记|Tnew-T1 new|为Δ1；|Tnew-T2 new|为Δ2；其中，T1 new表示与C1相对应的自适应最大散度阈值差法迭代阈值，Tnew表示与C相对应的自适应最大散度阈值差法迭代阈值，T2 new表示与C2相对应的自适应最大散度阈值差法迭代阈值；Δ1表示T1 new、Tnew两迭代阈值之间差值的绝对值，Δ2表示Tnew、T2 new两迭代阈值之间差值的绝对值；
③若Δ1<Δ2时，重新设置：C1的值不改变；当Δ1>Δ2时，重新设置：C2的值不改变；
④再次计算(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)，直到Δ1或Δ2的值为零，即调整参数C的取值而获得阈值不再改变，可以认为此时参数C对应的Tnew就是Δ2最佳的分割阈值。
Claims (8)
1.一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于它包括红外视频采集模块、红外图像处理系统和光伏热斑输出模块；其中所述红外视频采集模块、红外图像处理系统和光伏热斑输出模块依次呈单向连接；所述红外视频采集模块将采集到的光伏红外图像输入到红外图像处理系统；所述红外图像处理系统对光伏红外图像综合预处理且由自适应最大散度阈值差法提取热斑，将热斑输入到光伏热斑输出模块；
所述红外图像处理系统由集成视频处理器、FPGA协处理器、DSP主处理器、DSP主控制器、SDRAM存储器；其中，所述集成视频处理器的输入端采集光伏阵列红外模拟视频信号，其输出端与FPGA协处理器、SDRAM存储器以及DSP主控制器呈顺序单向连接；所述DSP主控制器与DSP主处理器之间呈双向连接；所述DSP主控制器的输出端分别与集成视频处理器、FPGA协处理器、SDRAM存储器的输入端连接；所述DSP主处理器的输出端输出光伏阵列红外模拟视频信号发送给光伏热斑输出模块；
所述基于红外图像处理的光伏阵列热斑快速检测系统的检测方法为：
(1)红外视频采集模块将视频信号输入到红外图像处理系统，视频信号经过集成视频处理器之后，输出八位的数字信号和相关的视频时序信号；
(2)DSP主控制器调度FPGA协处理器，使之逐帧采集数字化后的红外图像，并实现光伏红外图像综合预处理算法；
(3)经过FPGA协处理器后的红外图像逐帧放入SDRAM存储器中，并由DSP主控制器编址；
(4)DSP主处理器逐帧采集综合预处理后的红外图像，并实现自适应最大散度阈值差法，并实现热斑的识别；
(5)经过DSP主处理器后的红外图像，由DSP主控制器决定如何输出到光伏热斑输出模块上。
2.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述红外视频采集模块是能够持续采集红外模拟视频的红外热像仪，采用配有高性能的320×240焦平面阵列传感器，能够在640×240的显示屏上显示热图像和可见光图像的福禄克公司的Fluke Ti32 Thermal Imager热像仪。
3.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述DSP主处理器与DSP主控制器通过MCBSP双向连接。
4.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述集成视频处理器采用飞利浦公司的SAA711；所述FPGA协处理器采用Xilinx公司的XC2V3000芯片；所述DSP主控制器拟采用TI公司TM S320C6000系列的TMS320C6203B芯片；所述DSP主处理器拟采用TI公司C6000系列的DM642芯片；所述SDRAM存储器拟采用SAMSUNG公司生产的SDRAM,型号为K4S643232H-T C/L60。
5.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述光伏热斑输出模块由视频解码器和监视器构成；所述视频解码器的输入端采集红外图像处理系统的光伏阵列红外图像信号；其输出端与监视器的输入端连接；所述监视器的输出端输出光伏阵列红外模拟视频信号给监视器的显示屏。
6.根据权利要求5所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述视频解码器采用Ti公司的TH8134；所述监视器采用普通的电脑显示器。
7.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述检测方法的步骤(2)中的光伏红外图像综合预处理算法是分段线性化、非均匀拉伸和伪中值滤波；
所述步骤(4)中的自适应最大散度阈值差法为：
<mrow>
<msup>
<mi>T</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msup>
<mo>=</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>B</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mi>C</mi>
<mo>*</mo>
<msub>
<mi>&sigma;</mi>
<mi>w</mi>
</msub>
</mrow>
上式中，Tnew为自适应最大散度阈值差，为类间方差，σW为类内方差，C为自适应最大散度阈值差法的调节系数，
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>-</mo>
<mn>9</mn>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>-</mo>
<mn>71</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>44</mn>
</mfrac>
<mo>+</mo>
<mn>29</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>T</mi>
<mo><</mo>
<mn>127</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mn>50</mn>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>-</mo>
<mn>127</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>78</mn>
</mfrac>
<mo>+</mo>
<mn>60</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>T</mi>
<mo>&GreaterEqual;</mo>
<mn>127</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
上式中T为传统最大化类间方差的分割阈值。
8.根据权利要求1所述一种基于红外图像处理的光伏阵列热斑快速检测系统，其特征在于所述检测方法中自适应最大散度阈值差法的具体实现方法由以下步骤构成：
①设定三个λ的值，记为(λ1,λ,λ2)，由这三个λ值可以得到三个相应的参数C值，记为(C1，C，C2)；其中，λ1、λ2均表示光伏红外图像某一像素点到目标类的距离与目标类到背景类的距离的比值，λ表示λ1与λ2的平均值，即λ＝(λ1+λ2)/2；参数C1表示与λ1相对应的自适应最大散度阈值差法的调节系数，参数C表示与λ相对应的自适应最大散度阈值差法的调节系数，参数C2表示与λ2相对应的自适应最大散度阈值差法的调节系数；
②由于(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)并不一定是理想的图像分割阈值，借助二分法的迭代思想，不断改变(C1，C，C2)的值，并根据最大散度差准则计算对应的(T1 new，Tnew，Tnew 2)，记|Tnew-T1 new|为Δ1；|Tnew-T2 new|为Δ2；其中，T1 new表示与C1相对应的自适应最大散度阈值差法迭代阈值，Tnew表示与C相对应的自适应最大散度阈值差法迭代阈值，T2 new表示与C2相对应的自适应最大散度阈值差法迭代阈值；Δ1表示T1 new、Tnew两迭代阈值之间差值的绝对值，Δ2表示Tnew、T2 new两迭代阈值之间差值的绝对值；
③若Δ1<Δ2时，重新设置：C2←C，C1的值不改变；当Δ1>Δ2时，重新设置：C1←C,C2的值不改变；
④再次计算(C1，C，C2)对应的阈值(T1 new，Tnew，T2 new)，直到Δ1或Δ2的值为零，即调整参数C的取值而获得阈值不再改变，可以认为此时参数C对应的Tnew就是Δ2最佳的分割阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610057516.9A CN105720917B (zh) | 2016-01-28 | 2016-01-28 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610057516.9A CN105720917B (zh) | 2016-01-28 | 2016-01-28 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105720917A CN105720917A (zh) | 2016-06-29 |
| CN105720917B true CN105720917B (zh) | 2017-12-15 |
Family
ID=56154093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610057516.9A Active CN105720917B (zh) | 2016-01-28 | 2016-01-28 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105720917B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451600B (zh) * | 2017-07-03 | 2020-02-07 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
| CN107507163A (zh) * | 2017-07-04 | 2017-12-22 | 国网山东省电力公司菏泽供电公司 | 一种识别光伏太阳能板表面污垢程度的方法及系统 |
| CN108011578B (zh) * | 2017-12-19 | 2024-01-12 | 华电电力科学研究院有限公司 | 具备热斑测试反馈功能的光伏组件清洗机器人与清洗方法 |
| CN108986076A (zh) * | 2018-06-15 | 2018-12-11 | 重庆大学 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
| CN109215042B (zh) * | 2018-09-28 | 2021-09-03 | 吉林电力股份有限公司科技开发分公司 | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 |
| CN110487802A (zh) * | 2019-08-15 | 2019-11-22 | 苏州热工研究院有限公司 | 现场检测光伏组件缺陷的识别装置 |
| CN114255185B (zh) * | 2021-12-16 | 2022-11-25 | 武汉高德智感科技有限公司 | 一种图像处理的方法、装置、终端及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204304922U (zh) * | 2014-11-20 | 2015-04-29 | 中国建材检验认证集团股份有限公司 | 一种基于无人机的光伏组件热斑巡检装置 |
| CN204761571U (zh) * | 2015-07-03 | 2015-11-11 | 成都市凯胜科技有限公司 | 一种红外热成像系统 |
| CN105263000A (zh) * | 2015-10-16 | 2016-01-20 | 广西大学 | 基于无人机载双相机的大型光伏电站巡检装置 |
| CN105187808A (zh) * | 2015-10-29 | 2015-12-23 | 中国电子科技集团公司第三十八研究所 | 一种可见光与红外热成像双目智能一体机及其处理方法 |
-
2016
- 2016-01-28 CN CN201610057516.9A patent/CN105720917B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105720917A (zh) | 2016-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105720917B (zh) | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 | |
| CN105827200B (zh) | 光电系统中电池组串故障的识别方法、装置和设备 | |
| CN113538391B (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
| CN105263000A (zh) | 基于无人机载双相机的大型光伏电站巡检装置 | |
| CN102759530B (zh) | 一种表面质量图像在线检测装置 | |
| 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 | |
| CN114881956A (zh) | 基于霍夫变换的电池板栅线自适应提取方法及系统 | |
| CN113987823A (zh) | 陆上集中式光伏电站气候效应评估的中尺度数值模拟方法 | |
| CN108008633A (zh) | 包含多种天气变化的辐照度与光伏组件坐标关联关系建立方法 | |
| CN205883160U (zh) | 一种基于红外图像处理的光伏阵列热斑快速检测装置 | |
| CN110210060A (zh) | 太阳能光伏板表面积灰程度的预测方法 | |
| Zhang et al. | Advanced multimodal fusion method for very short-term solar irradiance forecasting using sky images and meteorological data: A gate and transformer mechanism approach | |
| CN103712685B (zh) | 光伏阵列辐照度测量辨识方法 | |
| Yun et al. | Intelligent control of urban lighting system based on video image processing technology | |
| Ni et al. | Simulation of solar radiation on metropolitan building surfaces: A novel and flexible research framework | |
| CN106650060B (zh) | 一种光伏电池内阻衰减系数预测方法 | |
| CN202075234U (zh) | 一种束管生产线焊缝自动识别装置 | |
| Yao et al. | Halcon-based solar panel crack detection | |
| CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
| CN105203045B (zh) | 一种基于异步时域视觉传感器的产品形状完整性检测系统及检查方法 | |
| Li et al. | A district-scale spatial distribution evaluation method of rooftop solar energy potential based on deep learning | |
| CN104182938B (zh) | 一种全天空云图的太阳光斑修复方法 | |
| Zhou et al. | Water photovoltaic plant contaminant identification using visible light images | |
| CN116258057A (zh) | 一种基于Transformer进行光伏发电预测分析的方法 | |
| Hu et al. | A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |