CN108986076A - 一种基于pso优化pcnn的光伏阵列热斑检测方法 - Google Patents
一种基于pso优化pcnn的光伏阵列热斑检测方法 Download PDFInfo
- Publication number
- CN108986076A CN108986076A CN201810623297.5A CN201810623297A CN108986076A CN 108986076 A CN108986076 A CN 108986076A CN 201810623297 A CN201810623297 A CN 201810623297A CN 108986076 A CN108986076 A CN 108986076A
- Authority
- CN
- China
- Prior art keywords
- pcnn
- particle
- image
- hot spot
- pso
- 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
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20084—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种基于PSO优化PCNN的光伏阵列热斑检测方法,属于光伏发电领域。首先使用RGB颜色空间下的R分量进行处理,并利用形状特性识别提取光伏阵列区域,然后进行RGB到HSV颜色空间的转换,使用PCNN算法对HSV空间的S分量图像进行热斑区域分割。对于PCNN算法,本文采用最大熵准则确定迭代次数,以及利用粒子群算法(PSO)优化其参数,简化了操作过程,并提高分割的效果。
Description
技术领域
本发明涉及光伏发电系统故障检测领域,尤其是一种基于PSO优化PCNN的光伏阵列热斑检测方法方法。
背景技术
近年来,由于能源与环境问题的凸显,全球新能源产业发展迅速。大力发展可再生能源已成为我国的重要能源战略。然而,光伏发电系统在运行过程中,组件的局部遮阴会影响光伏发电系统的输出,并产生“热斑效应”,严重情况甚至会造成光伏电池的损坏。因此对光伏发电系统进行热斑故障检测是十分必要的。
热斑效应是光伏电池板的运行过程中极易发生的一种主要故障现象。具体地讲,在光照不均匀、光伏电池板被遮蔽、光伏电池板本身质量不合格或者电池板安装使用不当等情况下,光伏电池会出现热斑效应,即不再作为电源向外输出功率,而是成为负载消耗其他未被遮蔽的光伏电池产生的功率,此时系统的发电效率会急剧下降,严重时被遮蔽的光伏电池会由于过热而烧毁,从而使系统可靠性降低。热斑效应严重影响了光伏电池板的使用安全和寿命,热斑测试也由此成为认证测试过程中的一项重要试验,并且通过率非常低。
在实际光伏发电系统中,由于光伏电池组件较多,直接采用对支路测量信号的方式会增加系统的复杂度和运营成本,而红外成像技术能利用物体辐射的红外测量物体表面的温度分布,为光伏发电系统的温度异常点检测提供方便快捷的检测方法。目前基于红外图像的故障检测方法主要是依据图像中故障区域与正常区域之间的亮度差异,来提取故障区与并进行识别。但由于很多故障区域会呈现与正常工作状态不同的温度特性,尤其在光伏发电系统中,热斑区域会呈现高温特性。热红外图像中不同的颜色即代表不同的温度,通过观察热红外图像便可知道被测对象表现的温度分布情况。近年来随着神经网络地发展,基于动物大脑视觉皮层模型地脉冲耦合神经网络(PCNN)成为了图像处理中地研究热点。虽然该方法相对于传统分割方法有更好的分割效果,且能较好的保留图像的原始区域信息。然而此种方法存在一些缺陷:a.在实际应用中,该方法的参数设定复杂,难以调试;b.无法确定迭代次数,即无法针对光伏热斑的故障程度进行合适的迭代等等。
发明内容
本发明的目的是提供一种基于PSO优化PCNN的光伏阵列热斑检测方法,进一步提高对光伏阵列中热斑区域的检测效果。
本发明提供的一种基于PSO优化PCNN的光伏阵列热斑检测方法,包括以下步骤:
S1:对原始图像进行预处理(去噪、增强等);
S2:对RGB空间下的R分量进行处理;
S3:利用图像特征对光伏阵列区域进行提取;
S4:将RGB模型转换为欸HSV模型;
S5:采用PSO优化的PCNN算法对图像进行分割;
S6:输出图像最优分割结果;
进一步,所述步骤S1中的图像预处理采用二维高斯函数:
其中,σ表示高斯函数滤波器的宽度,其主要和平滑程度有关系,σ值越大平滑程度越好,图像也变得相对模糊。
进一步,所述步骤S2中的RGB模型由R(Red)分量、G(Green)分量与B(Blue)分量构成。
低温区域的颜色分布在B分量较多而分布在R分量较小,高温区域的颜色分布在R分量较大而B分量较小。
所述RGB空间下R分量处理为:
进一步,所述步骤S3中的光伏阵列区域识别判断依据为:
其中,Tmin和Tmax分别表示长宽比的上下限,TArea为特征区域的最小面积阈值,R为所选连通区域的最小外接矩形的长与宽的比值,A连通区域的面积。
进一步,所述步骤S4中模型转换为RGB转换为HSV模型,提取S层分量公式为:
进一步,所述步骤S5中PCNN热斑分割算法包括以下具体步骤:
S51:初始化粒子群。本专利中每个粒子为三维,分别表示简化PCNN模型的三个参数。
S52:依据每个粒子值设置简化PCNN的参数,采用最大熵准则确定迭代次数,并计算分割后图像的熵值作为该粒子的适应度值;
简化的PCNN模型主要由接受域、调制部分和脉冲生成器三大部分组成。
将PCNN算法用于图像处理时,每个神经元即为一个像素,F通道的输入Fj同样也是图像的像素值Ij,L通道的输入Lj为相邻神经元的输出。即
Fj(n)=Ij (3)
而L通道的输出可通过判断领域内是否存在点火对Lj进行幅值,当领域内存在神经元点火,则Lj赋值为1,反之则为0,即
而在调制部分中,内部活动项Uj由Lj值加上偏移量再与输入Fj相乘得到,即
Uj(n)=Fj(n)[1+βLj(n)] (5)
其中,β为联接强度。
为了满足视觉响应的要求,动态门限θj按照指数规律衰减:
θj(n)=exp(-α)θj(n-1)+V∑Yj(n-1) (6)
其中,α为时间常数,V为幅度系数。
此时,脉冲生成器将Uj与先前得到的阈值θj进行比较。当Uj超过阈值θj时,神经元点火形成脉冲,并输出为1,否则不点火,即
当神经元点火之后,其阈值因常数V会瞬间增加,并在衰减因子α的影响下阈值呈指数衰减,直到该神经元再次点火.在上述参数确定的情况下,PCNN神经元自发地发生周期性点火,因模型具有同步脉冲发放现象,即一个神经元点火,会捕获其周围与之相似的神经元同步点火,这使得在迭代次数n确定的情况下,神经元的输出Y即为所得的分割效果。
通过适应度值对粒子进行评价,采用最大熵准则确定PCNN算法的迭代次数,将分割后的图像熵值作为粒子的适应度值,按照以下公式确定熵值
H=-P0log2P0-P1log2P1 (8)
其中,P1、P0为PCNN分割图像中输出值为1和0的概率。当PSO搜索完毕,其中全局熵值最大对应最优粒子值即对应的简化PCNN的最佳参数。
S53:更新粒子群的个体最优和全局最优值,并进行粒子位置和速度的更新;
标准的PSO算法公式中,具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中,每个粒子均会调整其在每一维空间的速度,计算出其新的位置。因为每个粒子更新是相对独立的,且维数只与适应度函数的解空间有关,所以,可以用下面的公式表示每个粒子其一维空间的运动情况:
其中,Xi=[xi1,xi2,…,xiD]T表示第i(i=1,2,…,S)个粒子的位置,其对应的速度为Vi,pi表示粒子在迭代过程中的个体极值,pg表示种群在迭代过程中的全局极值,ω为惯性权重,d=1,2,…,D,k为当前迭代次数,c1和c2是加速度因子,一般设定为非负的常数,r1和r2为分布于[0,1]之间的随机数,用于保持粒子丰富性,以提高粒子的搜索能力。同时,为防止粒子的盲目搜索,需要对粒子位置和速度限制在一定的区间[Xmin,Xmax]、[Vmin,Vmax]中。
S54:重复步骤S52和S53,直到满足PSO终止准则为止;
S55:选取全局最优粒子作为简化PCNN模型参数,输出图像最优分割结果;
本发明的优点在于:其一,提出了一种基于简化脉冲耦合神经网络(PCNN)的热斑区域检测方法;其二,利用PSO优化简化PCNN的方法对光伏阵列局部图像进行热斑区域分割,不需要人工设定参数,采用最大熵准则确定PCNN的最佳迭代次数,相比其他方法由更好的分割效果。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为一种基于PSO优化PCNN的光伏阵列热斑检测方法流程图;
图2为对原始RGB图像的R分量处理前后的图像;
图3为基于PSO优化的PCNN热斑分割算法流程图;
图4为光伏电池板热斑效应分割后的红外热像图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
图1为一种基于PSO优化PCNN的光伏阵列热斑检测方法流程图,图2为对原始RGB图像的R分量与B分量的对比,以及对于R分量图像处理之后的图像,图3为基于PSO优化的PCNN热斑分割算法流程图,图4为光伏电池板热斑效应分割后的红外热像图,如图所示:本发明提供的一种基于PSO优化PCNN的光伏阵列热斑检测方法,包括以下步骤:
S1:对原始图像进行预处理(去噪、增强等);
S2:对RGB空间下的R分量进行处理;
S3:利用图像特征对光伏阵列区域进行提取;
S4:将RGB模型转换为欸HSV模型;
S5:采用PSO优化的PCNN算法对图像进行分割;
S6:输出图像最优分割结果;
所述步骤S1中的图像预处理采用二维高斯函数:
其中,σ表示高斯函数滤波器的宽度,其主要和平滑程度有关系,σ值越大平滑程度越好,图像也变得相对模糊。
所述步骤S2中的RGB模型由R(Red)分量、G(Green)分量与B(Blue)分量构成。
低温区域的颜色分布在B分量较多而分布在R分量较小,高温区域的颜色分布在R分量较大而B分量较小。
所述RGB空间下R分量处理为:
所述步骤S3中的光伏阵列区域识别判断依据为:
其中,Tmin和Tmax分别表示长宽比的上下限,TArea为特征区域的最小面积阈值,R为所选连通区域的最小外接矩形的长与宽的比值,A连通区域的面积。
所述步骤S4中模型转换为RGB转换为HSV模型,提取S层分量公式为:
所述步骤S5中PCNN热斑分割算法包括以下具体步骤:
S51:初始化粒子群。本专利中每个粒子为三维,分别表示简化PCNN模型的三个参数。
S52:依据每个粒子值设置简化PCNN的参数,采用最大熵准则确定迭代次数,并计算分割后图像的熵值作为该粒子的适应度值;
简化的PCNN模型主要由接受域、调制部分和脉冲生成器三大部分组成。
将PCNN算法用于图像处理时,每个神经元即为一个像素,F通道的输入Fj同样也是图像的像素值Ij,L通道的输入Lj为相邻神经元的输出。即
Fj(n)=Ij (13)
而L通道的输出可通过判断领域内是否存在点火对Lj进行幅值,当领域内存在神经元点火,则Lj赋值为1,反之则为0,即
而在调制部分中,内部活动项Uj由Lj值加上偏移量再与输入Fj相乘得到,即
Uj(n)=Fj(n)[1+βLj(n)] (15)
其中,β为联接强度。
为了满足视觉响应的要求,动态门限θj按照指数规律衰减:
θj(n)=exp(-α)θj(n-1)+V∑Yj(n-1) (16)
其中,α为时间常数,V为幅度系数。
此时,脉冲生成器将Uj与先前得到的阈值θj进行比较。当Uj超过阈值θj时,神经元点火形成脉冲,并输出为1,否则不点火,即
当神经元点火之后,其阈值因常数V会瞬间增加,并在衰减因子α的影响下阈值呈指数衰减,直到该神经元再次点火.在上述参数确定的情况下,PCNN神经元自发地发生周期性点火,因模型具有同步脉冲发放现象,即一个神经元点火,会捕获其周围与之相似的神经元同步点火,这使得在迭代次数n确定的情况下,神经元的输出Y即为所得的分割效果。
通过适应度值对粒子进行评价,采用最大熵准则确定PCNN算法的迭代次数,将分割后的图像熵值作为粒子的适应度值,按照以下公式确定熵值
H=-P0log2P0-P1log2P1 (18)
其中,P1、P0为PCNN分割图像中输出值为1和0的概率。当PSO搜索完毕,其中全局熵值最大对应最优粒子值即对应的简化PCNN的最佳参数。
S53:更新粒子群的个体最优和全局最优值,并进行粒子位置和速度的更新;
标准的PSO算法公式中,具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中,每个粒子均会调整其在每一维空间的速度,计算出其新的位置。因为每个粒子更新是相对独立的,且维数只与适应度函数的解空间有关,所以,可以用下面的公式表示每个粒子其一维空间的运动情况:
其中,Xi=[xi1,xi2,…,xiD]T表示第i(i=1,2,…,S)个粒子的位置,其对应的速度为Vi,pi表示粒子在迭代过程中的个体极值,pg表示种群在迭代过程中的全局极值,ω为惯性权重,d=1,2,…,D,k为当前迭代次数,c1和c2是加速度因子,一般设定为非负的常数,r1和r2为分布于[0,1]之间的随机数,用于保持粒子丰富性,以提高粒子的搜索能力。同时,为防止粒子的盲目搜索,需要对粒子位置和速度限制在一定的区间[Xmin,Xmax]、[Vmin,Vmax]中。
S54:重复步骤S52和S53,直到满足PSO终止准则为止;
S55:选取全局最优粒子作为简化PCNN模型参数,输出图像最优分割结果;
本方法利用图像特征实现光伏阵列区域的提取,并采用基于PSO优化PCNN的图像分割方法,其中以最大熵准则确定PCNN的最佳分割迭代次数,同时以割后图像的熵值作为PSO算法粒子的适应度值,以获取最优PCNN参数,实现光伏热斑的最佳的分割效果。
Claims (7)
1.一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:包括以下步骤:
S1:对原始图像进行预处理(去噪、增强等);
S2:对RGB空间下的R分量进行处理;
S3:利用图像特征对光伏阵列区域进行提取;
S4:将RGB模型转换为HSV模型;
S5:采用PSO优化的PCNN算法对图像进行分割;
S6:输出图像最优分割结果;。
2.根据权利要求1所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述步骤S1中的图像预处理采用二维高斯函数:
其中,σ表示高斯函数滤波器的宽度,其主要和平滑程度有关系,σ值越大平滑程度越好,图像也变得相对模糊。
3.根据权利要求1所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述步骤S2中的RGB模型由R(Red)分量、G(Green)分量与B(Blue)分量构成;
低温区域的颜色分布在B分量较多而分布在R分量较小,高温区域的颜色分布在R分量较大而B分量较小。
4.根据权利要求3所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述RGB空间下R分量处理为:
。
5.根据权利要求1所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述步骤S3中的光伏阵列区域识别判断依据为:
其中,Tmin和Tmax分别表示长宽比的上下限,TArea为特征区域的最小面积阈值,R为所选连通区域的最小外接矩形的长与宽的比值,A连通区域的面积。
6.根据权利要求1所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述步骤S4中模型转换为RGB转换为HSV模型,提取S层分量公式为:
。
7.根据权利要求1所述的一种基于PSO优化PCNN的光伏阵列热斑检测方法,其特征在于:所述步骤S5中PCNN热斑分割算法包括以下具体步骤:
S51:初始化粒子群。本专利中每个粒子为三维,分别表示简化PCNN模型的三个参数。
S52:依据每个粒子值设置简化PCNN的参数,采用最大熵准则确定迭代次数,并计算分割后图像的熵值作为该粒子的适应度值;
简化的PCNN模型主要由接受域、调制部分和脉冲生成器三大部分组成;
将PCNN算法用于图像处理时,每个神经元即为一个像素,F通道的输入Fj同样也是图像的像素值Ij,L通道的输入Lj为相邻神经元的输出。即
Fj(n)=Ij (3)
而L通道的输出可通过判断领域内是否存在点火对Lj进行幅值,当领域内存在神经元点火,则Lj赋值为1,反之则为0,即
而在调制部分中,内部活动项Uj由Lj值加上偏移量再与输入Fj相乘得到,即
Uj(n)=Fj(n)[1+βLj(n)] (5)
其中,β为联接强度;
为了满足视觉响应的要求,动态门限θj按照指数规律衰减:
θj(n)=exp(-α)θj(n-1)+V∑Yj(n-1) (6)
其中,α为时间常数,V为幅度系数;
此时,脉冲生成器将Uj与先前得到的阈值θj进行比较。当Uj超过阈值θj时,神经元点火形成脉冲,并输出为1,否则不点火,即
当神经元点火之后,其阈值因常数V会瞬间增加,并在衰减因子α的影响下阈值呈指数衰减,直到该神经元再次点火.在上述参数确定的情况下,PCNN神经元自发地发生周期性点火,因模型具有同步脉冲发放现象,即一个神经元点火,会捕获其周围与之相似的神经元同步点火,这使得在迭代次数n确定的情况下,神经元的输出Y即为所得的分割效果;
通过适应度值对粒子进行评价,采用最大熵准则确定PCNN算法的迭代次数,将分割后的图像熵值作为粒子的适应度值,按照以下公式确定熵值
H=-P0 log2 P0-P1 log2 P1 (8)
其中,P1、P0为PCNN分割图像中输出值为1和0的概率。当PSO搜索完毕,其中全局熵值最大对应最优粒子值即对应的简化PCNN的最佳参数;
S53:更新粒子群的个体最优和全局最优值,并进行粒子位置和速度的更新;
标准的PSO算法公式中,具有对上次个体极值点和全局极值点记忆的粒子定义为给定D维的适应度函数空间的一个可能解。在迭代过程中,每个粒子均会调整其在每一维空间的速度,计算出其新的位置。因为每个粒子更新是相对独立的,且维数只与适应度函数的解空间有关,所以,可以用下面的公式表示每个粒子其一维空间的运动情况:
其中,Xi=[xi1,xi2,…,xiD]T表示第i(i=1,2,…,S)个粒子的位置,其对应的速度为Vi,pi表示粒子在迭代过程中的个体极值,pg表示种群在迭代过程中的全局极值,ω为惯性权重,d=1,2,…,D,k为当前迭代次数,c1和c2是加速度因子,一般设定为非负的常数,r1和r2为分布于[0,1]之间的随机数,用于保持粒子丰富性,以提高粒子的搜索能力。同时,为防止粒子的盲目搜索,需要对粒子位置和速度限制在一定的区间[Xmin,Xmax]、[Vmin,Vmax]中;
S54:重复步骤S52和S53,直到满足PSO终止准则为止;
S55:选取全局最优粒子作为简化PCNN模型参数,输出图像最优分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810623297.5A CN108986076A (zh) | 2018-06-15 | 2018-06-15 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810623297.5A CN108986076A (zh) | 2018-06-15 | 2018-06-15 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986076A true CN108986076A (zh) | 2018-12-11 |
Family
ID=64541387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810623297.5A Pending CN108986076A (zh) | 2018-06-15 | 2018-06-15 | 一种基于pso优化pcnn的光伏阵列热斑检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986076A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242914A (zh) * | 2020-01-09 | 2020-06-05 | 武汉博晟信息科技有限公司 | 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法 |
CN111415366A (zh) * | 2020-03-17 | 2020-07-14 | 河海大学常州校区 | 一种基于地基云图的水平地面直射散射辐照计算方法 |
CN112053378A (zh) * | 2020-09-04 | 2020-12-08 | 中原工学院 | 一种改进的pso优化pcnn模型的图像分割算法 |
CN114004343A (zh) * | 2021-12-31 | 2022-02-01 | 之江实验室 | 基于忆阻器脉冲耦合神经网络的最短路径获取方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324955A (zh) * | 2008-06-02 | 2008-12-17 | 昆明理工大学 | 基于颜色特征的植物根系图像分割方法 |
US20090137908A1 (en) * | 2007-11-26 | 2009-05-28 | Patwardhan Sachin V | Multi-spectral tissue imaging |
CN103411970A (zh) * | 2013-07-17 | 2013-11-27 | 同济大学 | 基于红外热像的交流输电线路绝缘子污秽状态检测方法 |
CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
CN104601109A (zh) * | 2014-12-25 | 2015-05-06 | 重庆大学 | 一种电-图模型的光伏热斑效应检测方法 |
CN105046700A (zh) * | 2015-07-09 | 2015-11-11 | 北京农业智能装备技术研究中心 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 |
CN105720917A (zh) * | 2016-01-28 | 2016-06-29 | 天津理工大学 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
CN107314819A (zh) * | 2017-07-03 | 2017-11-03 | 南京绿谷信息科技有限公司 | 一种基于红外图像的光伏电站热斑检测与定位方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
-
2018
- 2018-06-15 CN CN201810623297.5A patent/CN108986076A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090137908A1 (en) * | 2007-11-26 | 2009-05-28 | Patwardhan Sachin V | Multi-spectral tissue imaging |
CN101324955A (zh) * | 2008-06-02 | 2008-12-17 | 昆明理工大学 | 基于颜色特征的植物根系图像分割方法 |
CN103411970A (zh) * | 2013-07-17 | 2013-11-27 | 同济大学 | 基于红外热像的交流输电线路绝缘子污秽状态检测方法 |
CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
CN104601109A (zh) * | 2014-12-25 | 2015-05-06 | 重庆大学 | 一种电-图模型的光伏热斑效应检测方法 |
CN105046700A (zh) * | 2015-07-09 | 2015-11-11 | 北京农业智能装备技术研究中心 | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 |
CN105720917A (zh) * | 2016-01-28 | 2016-06-29 | 天津理工大学 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
CN107314819A (zh) * | 2017-07-03 | 2017-11-03 | 南京绿谷信息科技有限公司 | 一种基于红外图像的光伏电站热斑检测与定位方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
Non-Patent Citations (7)
Title |
---|
JIESHENG WANG 等: "Grayscale image edge detection based on pulse-coupled neural network and particle swarm optimization", 《2008 CHINESE CONTROL AND DECISION CONFERENCE》 * |
S.RAJESWARI 等: "Dimension Reduction: A PSO-PCNN Optimization Approach for Attribute Selection in High-Dimensional Medical Database", 《IEEE INTERNATIONAL CONFERENCE ON POWER, CONTROL, SIGNALS AND INSTRUMENTATION ENGINEERING》 * |
刘敏 等: "基于粒子群优化脉冲耦合神经网络的红外图像分割", 《激光杂志》 * |
徐科 等编著: "《金属表面质量在线检测技术》", 31 October 2016, 冶金工业出版社 * |
朱志宇 编著: "《流行粒子波算法及其在视频目标跟踪中的应用》", 31 January 2015, 国防工业出版社 * |
欧志辉 等: "基于区域连通滤波的薄板焊缝跟踪图像处理算法", 《焊接》 * |
车曦: "基于红外图像识别的光伏组件热斑故障检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242914A (zh) * | 2020-01-09 | 2020-06-05 | 武汉博晟信息科技有限公司 | 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法 |
CN111242914B (zh) * | 2020-01-09 | 2023-09-08 | 武汉赛摩博晟信息科技有限公司 | 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法 |
CN111415366A (zh) * | 2020-03-17 | 2020-07-14 | 河海大学常州校区 | 一种基于地基云图的水平地面直射散射辐照计算方法 |
CN112053378A (zh) * | 2020-09-04 | 2020-12-08 | 中原工学院 | 一种改进的pso优化pcnn模型的图像分割算法 |
CN112053378B (zh) * | 2020-09-04 | 2023-01-13 | 中原工学院 | 一种改进的pso优化pcnn模型的图像分割算法 |
CN114004343A (zh) * | 2021-12-31 | 2022-02-01 | 之江实验室 | 基于忆阻器脉冲耦合神经网络的最短路径获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986076A (zh) | 一种基于pso优化pcnn的光伏阵列热斑检测方法 | |
CN104601109B (zh) | 一种电‑图模型的光伏热斑效应检测方法 | |
CN108985376B (zh) | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 | |
CN107145846B (zh) | 一种基于深度学习的绝缘子识别方法 | |
CN103886344B (zh) | 一种图像型火灾火焰识别方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
Long et al. | Safety helmet wearing detection based on deep learning | |
CN107314819A (zh) | 一种基于红外图像的光伏电站热斑检测与定位方法 | |
CN110222633B (zh) | 基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法 | |
CN102323213B (zh) | 基于火焰自由基的燃料种类的在线识别方法 | |
CN110717495B (zh) | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 | |
CN114283137A (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
Chen et al. | Object detection using deep learning: Single shot detector with a refined feature-fusion structure | |
CN108846849A (zh) | 一种多点信息融合的光伏故障检测方法 | |
CN106778816A (zh) | 基于燃烧混合系数和模糊识别的燃烧稳定性判别方法 | |
KR101779040B1 (ko) | 태양광 어레이의 열적외선 영상으로부터 패널 영역을 자동 추출하는 방법 및 장치 | |
Sujatha et al. | Monitoring power station boilers using ANN and image processing | |
Zheng et al. | A lightweight algorithm capable of accurately identifying forest fires from UAV remote sensing imagery | |
CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
CN113160311A (zh) | 太阳能电池板调节方法及调节装置、追日系统和存储设备 | |
CN117132531A (zh) | 一种基于轻量化的YOLOv5的绝缘子缺陷检测方法 | |
CN111898427A (zh) | 一种基于特征融合深度神经网络的多光谱行人检测方法 | |
CN111783891B (zh) | 一种定制化物体检测方法 | |
CN107063462B (zh) | 一种输电线路红外热像异常区域提取方法 | |
CN105718881B (zh) | 基于红外视频灰度图像的零照度环境烟尘监测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |