CN108961154A - 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 - Google Patents
基于改进非下采样轮廓波变换的太阳电池热斑检测方法 Download PDFInfo
- Publication number
- CN108961154A CN108961154A CN201810767154.1A CN201810767154A CN108961154A CN 108961154 A CN108961154 A CN 108961154A CN 201810767154 A CN201810767154 A CN 201810767154A CN 108961154 A CN108961154 A CN 108961154A
- Authority
- CN
- China
- Prior art keywords
- image
- hot spot
- notable
- infrared
- solar cell
- 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 36
- 238000005070 sampling Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000012952 Resampling Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 10
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification 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
-
- G06T3/02—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
Abstract
本发明涉及一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法。该方法具体包括以下步骤：步骤S1：建立测试图像库，将图像重采样为256×256像素；步骤S2:对重采样的图像进行严格的图像配准；步骤S3：对红外图像进行显著性检测，获得其显著图；步骤S4：分别对可见光和红外图像进行NSCT分解，得到高频和低频子带系数；步骤S5：对高频和低频子带系数分别采用不同的融合规则进行融合；步骤S6：对融合后的NSCT系数进行逆变换，得到融合图像。本发明可以实现太阳电池热斑的准确检测；热斑故障检测对于太阳电池来说是至关重要，基于视觉显著性和NSCT的太阳电池热斑检测方法精确定位热斑缺陷区域，方便故障检测和排查，及时发现故障片，灵活方便，提高效率。
Description
技术领域
本发明涉及光伏能源技术领域，具体是一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法。
背景技术
太阳能发电是近期发展起来的一种具有巨大潜力的新能源技术，而太阳电池是其中的核心。当太阳电池受遮挡或者被破坏的时候，其工作电流会超过组件的短路电流，热斑现象就会不合时宜地发生，进而导致电池的使用寿命和安全受到影响。通常情况下，热斑会导致太阳电池外观出现缺陷，但是外观检查并不能完全发现热斑故障，统计发现当太阳电池发生热斑问题时，仅有19％的电池外观会出现可见的缺陷。因此，可见缺陷并不能作为判断热斑的主要依据。除了通过可见光图像进行检测，电致发光(EL)图像和热红外图像也被广泛地应用在太阳电池热斑检测。EL图像检测方法，利用电致发光原理对太阳电池及组件施加正向偏压以产生光子，并通过CCD相机捕获近红外光子，然后经由图像处理形成图像。对于正常的EL图像，光强度与电压成正比，而其他电不活跃部分则被描述为暗区。采用EL图像法可以较为精确地显示和定位热斑缺陷，但是其容易导致区域分类错误。而红外热成像法则是通过光电技术检测物体热辐射的红外线特定波段信号，并将其转换成可供人类视觉分辨的图像，以进一步计算出温度值的方法，这种方法在太阳电池故障检测的实际应用中得到较为广泛的应用。J.A.Tsanakas等利用热红外图像处理和Canny边缘检测算子进行缺陷检测，虽然该方法对大尺寸PV组件的检测效果较好，但在小范围的细节方面效果不佳。
红外与可见光图像融合是多源图像融合的一个重要分支，其将红外图像的目标探测特性与可见光图像的场景保持特性相结合，既克服了单一可见光图像对光照条件的强依赖性，又能克服单一红外图像对比度低、背景模糊的缺点。利用图像融合技术将太阳电池热斑的红外与可见光图像进行融合，可以提高热斑的识别准确率，并及时定位故障以便后续排查。近年来，视觉显著性等相关生物神经学方面的研究在近几年吸引大量研究者的关注。人类的视觉具有快速搜索感兴趣目标的能力。如果在太阳电池热斑热红外图像中引入视觉显著性，可以对热斑可能存在的区域进行快速识别，进而定位热斑位置，大大减少了背景的干扰。
基于改进非下采样轮廓波变换的太阳电池热斑检测方法，能够有效地克服上面两种方法存在的缺点，对太阳电池图像做好预处理后，根据显著图对红外图像进行检测，通过NSCT图像融合方法对热斑故障进行检测和定位。
发明内容
本发明的目的在于提供一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法，该方法通过随机矩形感兴趣区域显著图，正确的提取红外热斑图像的显著图，紧接着对可见光和显著性检测后的红外图像进行NSCT变换，通过不同的高低频融合规则指导子带系数，最后通过NSCT反变换得到融合图像，可以正确识别出太阳电池热斑。
为实现上述目的，本发明的技术方案是：一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法，包括如下步骤：
步骤S1：采集太阳电池热斑的可见光和红外图像，并对该可见光和红外图像进行重采样，而后建立测试图像库；
步骤S2：对测试图像库中的图像进行预处理以提高图像融合的效果；
步骤S3：对红外图像进行显著性检测，获得热斑图像的红外显著图；
步骤S4：分别对可见光和红外显著图进行NSCT分解，得到对应的高频子带系数和低频子带系数；
步骤S5：对步骤S4获得后的高频子带系数和低频子带系数，采用显著图指导的规则进行低频融合，基于绝对值取大规则进行高频融合；
步骤S6：对经步骤S5处理后获得的NSCT各子带系数，进行NSCT逆变换，得到融合图像。
在本发明一实施例中，所述步骤S1中，通过可见光相机和热像仪采集太阳电池热斑的可见光和红外图像，对可见光和红外图像进行重采样操作调整像素为256×256pixels。
在本发明一实施例中，所述步骤S1中，在环境温度25℃条件下进行可见光和红外图像的采集，以达到减少误差的目的。
在本发明一实施例中，所述步骤S2中，对测试图像库中的图像进行预处理以提高图像融合的效果，即对步骤S1重采样的图像进行严格的图像配准，根据不同的图像源，采用包括仿射变换、投影变换、刚体变换、非线性变换的方式对重采样的图像进行配准，提高图像的效果。
在本发明一实施例中，所述步骤S3中，对红外图像进行显著性检测，获得热斑图像的红外显著图的方式为：通过产生大量的感兴趣区域上的随机矩形，生成矩形的显著性图，再通过融合所有局部显著图得到全局的显著图；其具体步骤为：
步骤S31：为了消除噪声干扰，首先对输入的红外图像进行高斯滤波；
步骤S32：对滤波后的RGB图像进行CIE L*a*b颜色空间变换，并将L*a*b空间分别分解到L*、a*、b*三个通道上；
步骤S33：在L*、a*、b*三个通道分别随机生成n个矩形子窗口，对于第k个子窗口，Avgk定义为子窗口灰度值之和与矩形面积之比，即计算单位面积像素值；可以由如下公式(1)计算得到：
每个子窗口显著图的值SMk可以经过如下公式(2)计算得到，即第k个子窗口中每个像素点的值Ik(i,j)与第k个子窗口的Avgk之差的绝对值
接着将n个子窗口的这些绝对值进行求和得到SM；定义为如下公式(3)
步骤S34：以上得到的是各个通道的显著图值，为了计算L*a*b空间的全局显著图，将由公式(3)计算得到的各个通道的显著图LM,AM,BM，采用欧式距离把颜色空间的显著值融合在一起得到FSM，计算如下：
步骤S35：最后，利用中值滤波对FSM进行平滑操作。
在本发明一实施例中，所述步骤S5的具体实现过程如下：
定义经步骤S4处理后得到的可见光和红外显著图的子带系数分别为和其中，表示低频子带系数，表示高频子带系数且jt＞j0；
采用显著图指导的规则进行低频融合，融合图像低频子带系数可以定义为如下公式：
ωir(m,n)+ωvis(m,n)＝1 (6)
其中，ωir(m,n)是红外显著图归一化后的值；
图像的高频子带系数则反映了图像的边缘或细节等突变特性，采用绝对值取大的方法进行高频融合，公式如下：
相较于现有技术，本发明具有以下有益效果：本发明通过对采集热斑图像进行预处理，通过视觉显著性检测和NSCT变换进行热斑检测，可以提高太阳电池热斑的识别准确率。
附图说明
图1是本发明的总体流程框图。
图2是太阳电池热斑红外图像视觉显著性提取的流程。
图3是多种图像融合算法的主观性能评价图像。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法，包括如下步骤：
步骤S1：采集太阳电池热斑的可见光和红外图像，并对该可见光和红外图像进行重采样，而后建立测试图像库；
步骤S2：对测试图像库中的图像进行预处理以提高图像融合的效果；
步骤S3：对红外图像进行显著性检测，获得热斑图像的红外显著图；
步骤S4：分别对可见光和红外显著图进行NSCT分解，得到对应的高频子带系数和低频子带系数；
步骤S5：对步骤S4获得后的高频子带系数和低频子带系数，采用显著图指导的规则进行低频融合，基于绝对值取大规则进行高频融合；
步骤S6：对经步骤S5处理后获得的NSCT各子带系数，进行NSCT逆变换，得到融合图像。
所述步骤S1中，通过可见光相机和热像仪采集太阳电池热斑的可见光和红外图像，对可见光和红外图像进行重采样操作调整像素为256×256pixels。所述步骤S1中，在环境温度25℃条件下进行可见光和红外图像的采集，以达到减少误差的目的。
所述步骤S2中，对测试图像库中的图像进行预处理以提高图像融合的效果，即对步骤S1重采样的图像进行严格的图像配准，根据不同的图像源，采用包括仿射变换、投影变换、刚体变换、非线性变换的方式对重采样的图像进行配准，提高图像的效果。
所述步骤S3中，对红外图像进行显著性检测，获得热斑图像的红外显著图的方式为：通过产生大量的感兴趣区域上的随机矩形，生成矩形的显著性图，再通过融合所有局部显著图得到全局的显著图；其具体步骤为：
步骤S31：为了消除噪声干扰，首先对输入的红外图像进行高斯滤波；
步骤S32：对滤波后的RGB图像进行CIE L*a*b颜色空间变换，并将L*a*b空间分别分解到L*、a*、b*三个通道上；
步骤S33：在L*、a*、b*三个通道分别随机生成n个矩形子窗口，对于第k个子窗口，Avgk定义为子窗口灰度值之和与矩形面积之比，即计算单位面积像素值；可以由如下公式(1)计算得到：
每个子窗口显著图的值SMk可以经过如下公式(2)计算得到，即第k个子窗口中每个像素点的值Ik(i,j)与第k个子窗口的Avgk之差的绝对值
接着将n个子窗口的这些绝对值进行求和得到SM；定义为如下公式(3)
步骤S34：以上得到的是各个通道的显著图值，为了计算L*a*b空间的全局显著图，将由公式(3)计算得到的各个通道的显著图LM,AM,BM，采用欧式距离把颜色空间的显著值融合在一起得到FSM，计算如下：
步骤S35：最后，利用中值滤波对FSM进行平滑操作。
所述步骤S5的具体实现过程如下：
定义经步骤S4处理后得到的可见光和红外显著图的子带系数分别为和其中，表示低频子带系数，表示高频子带系数且jt＞j0；
采用显著图指导的规则进行低频融合，融合图像低频子带系数可以定义为如下公式：
ωir(m,n)+ωvis(m,n)＝1 (6)
其中，ωir(m,n)是红外显著图归一化后的值；
图像的高频子带系数则反映了图像的边缘或细节等突变特性，采用绝对值取大的方法进行高频融合，公式如下：
以下为本发明的具体实现过程。
本实施例提供了一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法，流程框图如图1所示。该方法首先通过建立测试图像库，将图像重采样为256×256像素，对重采样的图像进行严格的图像配准；然后对红外图像进行显著性检测，获得其显著图，并分别对可见光和红外图像进行NSCT分解，得到高频和低频子带系数；最后对高频和低频子带系数分别采用不同的融合规则进行融合，再对融合后的NSCT系数进行逆变换，得到融合图像。具体包括以下步骤：
步骤S1：建立测试图像库，由于存储图片的像素高，耗费存储空间，需要将图像的像素重采样为256×256pixels；
步骤S2：经由步骤S1中的重采样，还需要对图像进行预处理以提高图像融合的效果，对重采样的图像进行严格的图像配准；
步骤S3：经由步骤S2中的图像配准，单独对红外图像进行显著性检测，获得热斑图像的显著图；
步骤S4：对步骤S3处理后获得的红外显著图，分别对可见光和红外显著图进行NSCT分解，得到对应的高频和低频子带系数；
步骤S5：对步骤S4处理后的高频和低频子带系数，采用显著图指导的规则进行低频融合，基于绝对值取大规则进行高频融合；
步骤S6：对步骤S5处理获得的NSCT各子带系数，接着进行NSCT逆变换，得到融合图像。
在本实施例中，步骤S1建立测试图像库和重采样具体方法为：通过热像仪和可见光相机采集太阳电池热斑的可见光和红外图像，对其进行重采样操作调整像素为256×256pixels。并用采集到的图像构建测试图像库，充分考虑环境温度等对图像采集的客观因素，在环境温度25℃条件下进行图像的采集，以达到减少误差的目的。
在本实施例中，步骤S2中所述对图像进行预处理以提高图像融合效果具体方法为：对重采样的图像进行严格的图像配准，根据不同的图像源，采用仿射变换、投影变换、刚体变换、非线性变换等对重采样的图像进行配准，提高图像的效果。
在本实施例中，步骤S3中对严格配准后的红外图像进行视觉显著性变换所述具体方法为：为了克服局部显著性，通过产生大量的感兴趣区域上的随机矩形，生成矩形的显著性图，再通过融合所有局部显著图得到全局的显著图。
具体步骤为：
步骤S31：为了消除噪声干扰，首先对输入的红外热斑图像进行高斯滤波；
步骤S32：对滤波后的RGB图像进行CIE L*a*b颜色空间变换，并将L*a*b空间分别分解到L*，a*，b*三个通道上；
步骤S33：在三个通道分别随机生成n个矩形子窗口，对于第k个子窗口，Avgk定义为子窗口灰度值之和与矩形面积之比，即计算单位面积像素值。可以由如下公式(1)计算得到：
每个子窗口显著图的值SMk可以经过如下公式(2)计算得到，即第k个子窗口中每个像素点的值Ik(i,j)与第k个子窗口的Avgk之差的绝对值
接着将n个子窗口的这些绝对值进行求和得到SM；定义为如下公式(3)
步骤S34：以上得到的是各个通道的显著图值，为了计算L*a*b空间的全局显著图，将由公式(3)计算得到的各个通道的显著图LM,AM,BM，采用欧式距离把颜色空间的显著值融合在一起得到FSM，计算如下：
步骤S35：最后，利用中值滤波对FSM进行平滑操作。
基于随机矩形感兴趣区域的显著图变换不仅提取了热斑目标，而且保留了边缘细节，同时充分抑制了红外图像的背景信息。
图2为提取太阳电池热斑红外图像视觉显著性图像的流程。
在本实施例中，步骤S4中对可见光和红外图像进行NSCT融合所述具体方法为：对可见光和由步骤S3获得的红外热斑显著图进行NSCT分解，得到对应的高频和低频子带系数。
在本实施例中，所述步骤S5中，对步骤S4处理后的高频和低频子带系数，采用显著图指导的规则进行低频融合，基于绝对值取大规则进行高频融合的具体实现过程如下：
定义经步骤S4处理后得到的可见光和红外显著图的子带系数分别为和其中，表示低频子带系数，表示高频子带系数且jt＞j0；
采用显著图指导的规则进行低频融合，融合图像低频子带系数可以定义为如下公式：
ωir(m,n)+ωvis(m,n)＝1 (6)
其中，ωir(m,n)是红外显著图归一化后的值；
图像的高频子带系数则反映了图像的边缘或细节等突变特性，采用绝对值取大的方法进行高频融合，公式如下：
下面通过实验对本发明做进一步说明。
主客观评价采用本文提出的算法同LP，DTCWT,CVT,NSCT和改进的CVT等5种算法作比较。
图3为多种算法的主观性能评价，为了验证算法对单点缺陷和团状缺陷的识别能力，本文从测试图像库中选取包含两种类型缺陷的图像进行验证。图中圆形区域为单点热斑，方形区域为团状热斑。从图像的整体融合效果看，前四种算法(LP，DTCWT,CVT,NSCT)进行融合处理出现了冗余的栅线背景，而基于视觉显著性和CVT的方法虽然可以去除冗余的栅线背景干扰，但是融合处理后右下角的单点和团状缺陷变得很小。而本文的算法就可以去除冗余的栅线背景，也可以保留热斑缺陷。
表1为多种算法的客观性能评价，由于主观性能评价受观察者的影响且时间代价大。为了进一步评估不同融合方法的量化性能，采用互信息、结构相似度、峰值信噪比和均方根误差等四个指标进行客观性能评价。其中前三个指标越大，相应的融合效果越好，而均方根误差越小则融合效果越好。
表1.多种融合算法客观性能评价
以上所述本发明的基本流程和重要步骤，仅为本发明的较佳实施例和示范性描述，光伏图像技术领域的技术人员在阅读本专利申请后，可以进行若干改进和等效替换，在不脱离本发明涉及范围对本发明进行各种修改应纳入本发明的保护范围。
Claims (6)
1.一种基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，包括如下步骤：
步骤S1：采集太阳电池热斑的可见光和红外图像，并对该可见光和红外图像进行重采样，而后建立测试图像库；
步骤S2：对测试图像库中的图像进行预处理以提高图像融合的效果；
步骤S3：对红外图像进行显著性检测，获得热斑图像的红外显著图；
步骤S4：分别对可见光和红外显著图进行NSCT分解，得到对应的高频子带系数和低频子带系数；
步骤S5：对步骤S4获得后的高频子带系数和低频子带系数，采用显著图指导的规则进行低频融合，基于绝对值取大规则进行高频融合；
步骤S6：对经步骤S5处理后获得的NSCT各子带系数，进行NSCT逆变换，得到融合图像。
2.根据权利要求1所述的基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，所述步骤S1中，通过可见光相机和热像仪采集太阳电池热斑的可见光和红外图像，对可见光和红外图像进行重采样操作调整像素为256×256pixels。
3.根据权利要求1所述的基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，所述步骤S1中，在环境温度25℃条件下进行可见光和红外图像的采集，以达到减少误差的目的。
4.根据权利要求1所述的基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，所述步骤S2中，对测试图像库中的图像进行预处理以提高图像融合的效果，即对步骤S1重采样的图像进行严格的图像配准，根据不同的图像源，采用包括仿射变换、投影变换、刚体变换、非线性变换的方式对重采样的图像进行配准，提高图像的效果。
5.根据权利要求1所述的基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，所述步骤S3中，对红外图像进行显著性检测，获得热斑图像的红外显著图的方式为：通过产生大量的感兴趣区域上的随机矩形，生成矩形的显著性图，再通过融合所有局部显著图得到全局的显著图；其具体步骤为：
步骤S31：为了消除噪声干扰，首先对输入的红外图像进行高斯滤波；
步骤S32：对滤波后的RGB图像进行CIE L*a*b颜色空间变换，并将L*a*b空间分别分解到L*、a*、b*三个通道上；
步骤S33：在L*、a*、b*三个通道分别随机生成n个矩形子窗口，对于第k个子窗口，Avgk定义为子窗口灰度值之和与矩形面积之比，即计算单位面积像素值；可以由如下公式(1)计算得到：
每个子窗口显著图的值SMk可以经过如下公式(2)计算得到，即第k个子窗口中每个像素点的值Ik(i,j)与第k个子窗口的Avgk之差的绝对值
接着将n个子窗口的这些绝对值进行求和得到SM；定义为如下公式(3)
步骤S34：以上得到的是各个通道的显著图值，为了计算L*a*b空间的全局显著图，将由公式(3)计算得到的各个通道的显著图LM,AM,BM，采用欧式距离把颜色空间的显著值融合在一起得到FSM，计算如下：
步骤S35：最后，利用中值滤波对FSM进行平滑操作。
6.根据权利要求1所述的基于改进非下采样轮廓波变换的太阳电池热斑检测方法，其特征在于，所述步骤S5的具体实现过程如下：
定义经步骤S4处理后得到的可见光和红外显著图的子带系数分别为和其中，表示低频子带系数，表示高频子带系数且jt＞j0；
采用显著图指导的规则进行低频融合，融合图像低频子带系数可以定义为如下公式：
ωir(m,n)+ωvis(m,n)＝1 (6)
其中，ωir(m,n)是红外显著图归一化后的值；
图像的高频子带系数则反映了图像的边缘或细节等突变特性，采用绝对值取大的方法进行高频融合，公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810767154.1A CN108961154B (zh) | 2018-07-13 | 2018-07-13 | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810767154.1A CN108961154B (zh) | 2018-07-13 | 2018-07-13 | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961154A true CN108961154A (zh) | 2018-12-07 |
| CN108961154B CN108961154B (zh) | 2022-12-23 |
Family
ID=64484122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810767154.1A Active CN108961154B (zh) | 2018-07-13 | 2018-07-13 | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961154B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
| CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
| CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
| CN113781448A (zh) * | 2021-09-14 | 2021-12-10 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN114294780A (zh) * | 2021-11-22 | 2022-04-08 | 丁家智 | 一种云端在线中央空调故障分析系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521818A (zh) * | 2011-12-05 | 2012-06-27 | 西北工业大学 | 一种基于nsct的sar图像和可见光图像的融合方法 |
| US20130061184A1 (en) * | 2011-09-02 | 2013-03-07 | International Business Machines Corporation | Automated lithographic hot spot detection employing unsupervised topological image categorization |
| CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
| CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
| CN105719263A (zh) * | 2016-01-22 | 2016-06-29 | 昆明理工大学 | 基于nsct域底层视觉特征的可见光和红外图像融合算法 |
| CN107657217A (zh) * | 2017-09-12 | 2018-02-02 | 电子科技大学 | 基于运动目标检测的红外与可见光视频的融合方法 |
-
2018
- 2018-07-13 CN CN201810767154.1A patent/CN108961154B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130061184A1 (en) * | 2011-09-02 | 2013-03-07 | International Business Machines Corporation | Automated lithographic hot spot detection employing unsupervised topological image categorization |
| CN102521818A (zh) * | 2011-12-05 | 2012-06-27 | 西北工业大学 | 一种基于nsct的sar图像和可见光图像的融合方法 |
| CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
| CN104809734A (zh) * | 2015-05-11 | 2015-07-29 | 中国人民解放军总装备部军械技术研究所 | 一种基于引导滤波的红外图像与可见光图像融合的方法 |
| CN105719263A (zh) * | 2016-01-22 | 2016-06-29 | 昆明理工大学 | 基于nsct域底层视觉特征的可见光和红外图像融合算法 |
| CN107657217A (zh) * | 2017-09-12 | 2018-02-02 | 电子科技大学 | 基于运动目标检测的红外与可见光视频的融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨智勇等: "聚光条件下太阳能光电热联用途径初探", 《万方数据会议库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
| CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
| CN111815550B (zh) * | 2020-07-04 | 2023-09-15 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
| CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
| CN112465738B (zh) * | 2020-12-21 | 2023-05-05 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
| CN113781448A (zh) * | 2021-09-14 | 2021-12-10 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN113781448B (zh) * | 2021-09-14 | 2024-01-23 | 国电四子王旗光伏发电有限公司 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
| CN114294780A (zh) * | 2021-11-22 | 2022-04-08 | 丁家智 | 一种云端在线中央空调故障分析系统 |
| CN114294780B (zh) * | 2021-11-22 | 2024-05-07 | 广西联洋数智节能科技有限公司 | 一种云端在线中央空调故障分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961154B (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961154A (zh) | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 | |
| CN107491781A (zh) | 一种巡检机器人可见光与红外传感器数据融合方法 | |
| CN105741379A (zh) | 一种变电站全景巡检方法 | |
| CN102982520B (zh) | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 | |
| CN106056594A (zh) | 一种基于双光谱的可见光图像提取系统与方法 | |
| CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
| Kuo et al. | Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging | |
| Guerriero et al. | Automatic edge identification for accurate analysis of thermographic images of solar panels | |
| CN114973028B (zh) | 一种航拍视频图像实时变化检测方法及系统 | |
| CN110210292A (zh) | 一种基于深度学习的目标识别方法 | |
| Li et al. | Progressive task-based universal network for raw infrared remote sensing imagery ship detection | |
| CN113762161A (zh) | 一种障碍物智能监测方法及系统 | |
| CN116823694B (zh) | 基于多聚焦信息整合的红外与可见光图像融合方法及系统 | |
| Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
| Imenes et al. | A deep learning approach for automated fault detection on solar modules using image composites | |
| CN107045633A (zh) | 一种基于st‑mser的能源计量表具的数字定位分割方法 | |
| Rodriguez et al. | Segmentation and error detection of PV modules | |
| CN108154478B (zh) | 一种遥感图像处理方法 | |
| Zhang et al. | Multisensor Infrared and Visible Image Fusion via Double Joint Edge Preservation Filter and Nonglobally Saliency Gradient Operator | |
| Li et al. | Joint Denoising-Demosaicking Network for Long-Wave Infrared Division-of-Focal-Plane Polarization Images With Mixed Noise Level Estimation | |
| Patel | Automated Inspection System for Visual Defect Detection for PV Plants | |
| Xiao et al. | MOFA: A novel dataset for Multi-modal Image Fusion Applications | |
| Eissa et al. | Low-cost electroluminescence system for infield PV modules | |
| CN112419212B (zh) | 一种基于侧窗引导滤波的红外与可见光图像融合方法 | |
| Ding et al. | Degraded Data Enhancement Based on Regional Similarity Fusion |
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 |