CN109215042A - 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 - Google Patents

Abstract

一种基于计算机视觉的光伏电池板热斑效应检测系统，其特点是：包括光伏阵列源的输出端经汇流箱与直流/交流转换器的输入端相连接，光伏阵列源的背板与温度传感器的输入端相连接；数据采集卡的输入端分别与温度传感器的输出端、高清摄像头的输出端、气象站的输出端和汇流箱的输出端相连接，数据采集卡的输出端与计算机的输入端相连接；直流/交流转换器的输出端与逆变器的输入端相连接，逆变器的输出端与电网相连接；高清摄像头采集的图像经数据采集卡传输给计算机的输入端；由红外成像仪拍摄光伏板表面图像再传输给计算机的输入端。具有结构合理，检测快速、准确，使用寿命长，可以长久不间断工作，检测周期短、效率高等优点。并提供其计算方法。

Description

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

技术领域

本发明涉及光伏发电技术以及计算机视觉领域，是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。

背景技术

随着太阳能电池的广泛应用，一些影响光伏组件发电性能及其寿命的不利因素也随之出现，热斑就是其中之一。目前很多学者认为光伏组件上的热斑是由于光伏组件被局部遮阴引起的，而根据实际观察，即便是建设在毫无任何遮拦的大漠光伏电站组件，热斑现象也十分普遍。光伏组件中的电池热斑效应是一个能严重破坏光伏组件中的光伏电池，并影响组件发电性能的不利因素。严重的热斑效应可导致电池局部烧毁或形成暗斑、焊点熔化、封装材料老化或盖板玻璃炸裂等永久性损坏，降低光伏组件输出功率和使用寿命。

目前常见的光伏板热斑检测手段有：测量伏安特性曲线法、数学模型法、智能检测法、基于红外图像的热斑检测法。但由于伏安特性曲线法对于一些复杂的故障检测不准确，建立精确数学模型比较麻烦，智能检测法比较依赖于先验知识，并且系统难于实现，而基于红外图像的热斑检测法是目前在光伏板热斑检测中，检测比较快速、相对准确率较高的一种方法。然而，红外图像的热斑检测法因红外图像受环境因素的影响比较大，所采集的红外图像往往分辨率低、噪声大，这对热斑区域的提取都是非常不利的。

目前采用基于红外图像的热斑检测法，在对光伏板红外图像的处理上，常见的算法有：最大类间方差法、二维最大熵阈值分割法、全局矩不变法、两级阈值分割算法等。经过实验验证得出上述方法存在分割不完整甚至错分的情形，并且当热斑大小、轮廓、数量发生变化时，也得不到较好的分割效果。

发明内容

本发明的目的是克服现有技术存在的不足，提供一种结构合理，检测快速、准确，使用寿命长，可以长久不间断工作，检测周期短、效率高的基于计算机视觉的光伏电池板热斑效应检测系统；并提供科学合理，适用性强，计算准确率高，基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法。

实现本发明目的之一采用的技术方案是，一种基于计算机视觉的光伏电池板热斑效应检测系统，其特征在于：它包括光伏阵列源1的输出端经汇流箱7与直流/交流转换器8的输入端相连接，光伏阵列源1的背板与温度传感器3的输入端相连接；数据采集卡6的输入端分别与温度传感器3的输出端、高清摄像头2的输出端、气象站4的输出端和汇流箱7的输出端相连接，数据采集卡6的输出端与计算机5的输入端相连接；直流/交流转换器8的输出端与逆变器9的输入端相连接，逆变器9的输出端与电网10相连接；高清摄像头2采集的图像经数据采集卡6传输给计算机5的输入端；由红外成像仪11拍摄光伏板表面图像再传输给计算机5的输入端。

实现本发明目的之二采用的技术方案是，一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法，其特征在于，它包括的步骤为：

1)提取基于计算机视觉的光伏电池板热斑效应检测系统传回的RGB三个通道中的蓝色图像，可见光谱中的这些单色光根据波长由短到长依次连续实现蓝、青、绿、黄、橙、红色的变化，并根据光学理论，蓝色段、红色段相邻彩色之间视觉差异大的特点，在光伏板热斑的红外图像的预处理中，采用蓝色图像的算法增强图像的对比度；

2)采用平稳小波变换的算法在增强对比度的同时抑制噪声，对原始图像进行L层离散平稳小波分解，L＝2，得到表示低频信息的尺度系数和表示高频信息的细节系数；

3)采用多尺度Retinex算法实现光伏板红外图像的增强，将一幅给定的图像分解成两幅不同的图像：入射光图像和反射物体图像，用式(1)表示，

S(x,y)＝R(x,y)L(x,y) (1)

式中，L(x,y)描述了光伏板红外图像中的低频信息，决定了像素能够达到的动态范围； R(x,y)包含了图像的高频信息，决定了图像的内在性质；Retinex理论的目的就是忽略入射光 L(x,y)图像的性质，获得物体的反射性质R(x,y)；从而达到颜色恒常，实现光伏板红外图像增强的效果，为了在动态范围压缩和色感一致性之间取得较好的平衡，采用多尺度Retinex 算法：

式中K为尺度数,w_k为对应于第K个尺度的权值,且满足

对于步骤2)中得到的第L层的低频子带图像进行多尺度Retinex增强，平稳小波变换后的低频子带系数有正有负，而多尺度Retinex增强算法处理的是蓝色通道图像，因此需要将低频子带系数f(i,j)映射到[0,255]范围内，即采用以下线性映射：

式中f_max，f_min分别为低频子带系数的最大值和最小值，f′(i,j)为正规化结果，将f′(i,j)作为输入图像按照多尺度Retinex算法进行图像增强；

图像信息被小波分解后，高频信息大体集中于高频小波系数内，为了尽可能地降低噪声影响，对高频子带图像采用软阈值去噪的算法降低噪声影响，采用贝叶斯萎缩阈值估计法：

式中为不同尺度下噪声的方差估算，其表达为式(5)，

对于l层k方向的子带，根据最大似然估计，得到子带内信号的标准方差为：

式中M和N分别为图像的长度和宽度，g_l,k(i,j)表示高频子带图像；对高频子带图像进行软阈值去噪处理，小波软阈值去噪模型对于幅值较小的小波系数进行适当修正，有助于降低去噪后图像的失真程度；最后将采用多尺度Retinex算法增强后的低频子带图像和软阈值去噪后的高频子带图像重构得到增强后的光伏板红外图像；

4)采用基于边缘信息改进的Otsu算法对光伏板热斑红外图像进行图像分割，提取热斑边缘，光伏板热斑检测的关键在于检测热斑边缘，图像分割能实现划分检测目标与背景的区别，使用Sobel梯度算子对待分割的红外图像f(x,y)进行边缘提取，得到边缘图像g(x,y)，将边缘图像g(x,y)的灰度值归一化，归一化后整幅图像的灰度值区间为[0,1]归一化为式(7)；

式中(i,j)为遍历整个图像的像素点，g(i,j)代表点(i,j)处的灰度值，max(g(i,j))代表边缘图像g(x,y)的灰度最大值；对归一化后的边缘图像的灰度值用高百分位进行计算，得到阈值 Q，该阈值Q大于边缘图像中99％的像素点的灰度值，使用其对原始图像f(x,y)进行阈值分割，得到二值图像，即标记图像h(x,y)，将标记图像h(x,y)中1值像素点位置映射到原始图像f(x,y)中，并用原始图像f(x,y)映射位置的像素灰度值替换标记图像相应位置的1值，得到映射图像j(x,y)，使用映射图像j(x,y)中的非零像素计算出改进的灰度直方图，根据得到的直方图计算Otsu法的最佳阈值T，最佳阈值计算为式(8)，

式中，t为分割的阈值，ω₀为目标类在整幅图像灰度所占比例，ω₁为背景类整幅图像灰度所占比例，u₀为目标类灰度均值，u₁为背景类灰度均值，u为整幅图像的灰度均值，令η(t)取最大值，此时的t值即为分割的最佳阈值T，用该阈值来分割图像f(x,y)，生成二值图像，即为最终的分割结果。

本发明的基于机器视觉的光伏电池板热斑效应检测系统，利用红外成像设备摄取光伏阵列红外图像，提高了对热斑效应故障检测的准确性，其结构合理，检测快速、准确，使用寿命长，可以长久不间断工作，检测周期短、效率高；

本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法，首先提取了红外图像的蓝色通道图像，并根据光学理论，蓝色段、红色段相邻彩色之间视觉差异大的特点，提高了图像的增强效果，为后续的图像处理提供了更好的基础；Retinex算法与人类视觉系统的非线性特性相适应,具有局部对比度增强、动态范围压缩等优点,非常适合用来对红外图像进行增强处理；基于边缘信息和Otsu法的分割方法，使得图像不受物体和背景相对大小的限制，由于光伏板热斑面积较小，采用该分割算法能更理想地分割图像，提取想要获得的光伏板热斑目标，其方法科学合理，适用性强，计算准确率高。

附图说明

图1为一种基于计算机视觉的光伏电池板热斑效应检测系统结构示意图；

图2为一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法总体计算流程图；

图3为一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法中的红外图像增强算法流程图；

图4为一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法中的红外图像分割算法流程图。

具体实施方式

下面利用附图和具体实施方式对本发明作进一步说明。

参照图1，本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统，包括光伏阵列源1，高清摄像头2，温度传感器3，气象站4，计算机5，数据采集卡6，汇流箱7，直流/交流转换器8，逆变器9，输电网10和红外成像仪11。所述的光伏阵列源1的输出端经汇流箱7与直流/交流转换器8的输入端相连接，所述的光伏阵列1的背板与温度传感器3的输入端相连接；所述的数据采集卡6的输入端分别与温度传感器3的输出端、高清摄像头2的输出端、气象站4的输出端和汇流箱7的输出端相连接，所述的数据采集卡6的输出端与计算机5的输入端相连接；所述的直流/交流转换器8的输出端与逆变器9的输入端相连接，所述的逆变器9的输出端与输电网10相连接；所述的高清摄像头2采集的图像经数据采集卡6传输给计算机5的输入端；所述的红外成像仪11采集的图像经数据采集卡6传输给计算机5的输入端。

本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统，选取光伏电站里某一光伏阵列源为检测对象(一般由数十块光伏电池板串接组成，构成一路电压、电流、功率参数送入汇流箱)，由光伏板清洗机器人或者光伏清洗车或无人机巡检机器人搭载红外成像仪，在线分析光伏阵列红外图像，真正做到监测与数据分析一体化。

本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统，具体工作过程为：所述的光伏阵列源1正负极通过汇流箱7与直流/交流转换器8、逆变器9相连，直接将电传给输电网10；所述的温度传感器3与光伏阵列源1的背板相连；温度传感器3采集的光伏阵列源 1的背板温度值，高清摄像头2采集的图像以及气象站4采集的各项试验参数，一并送进数据采集卡6，并传输到计算机5，红外成像仪11采集的图像送到数据采集卡6，传输到计算机输入端5，实现光伏电池板转换效率与红外图像的处理。

参照图2，本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法，通过红外成像仪采集光伏板图像，在预处理部分首先提取蓝色通道图像代替传统灰度图像增强图像，可见光谱中的这些单色光根据波长由短到长依次连续实现蓝、青、绿、黄、橙、红色的变化。并根据合光学理论，蓝色段、红色段相邻彩色之间视觉差异大特点。因此，在光伏板热斑的红外图像的预处理中，采用蓝色图像代替传统灰度图像的算法增强图像的对比度；采用平稳小波变换结合Retinex理论进行红外图像的增强，首先采用平稳小波变换增强图像对比度，同时降低噪声的影响。红外图像灰度间的相关性较大且噪声大多表现为相关噪声。由于平稳小波变换是一种冗余小波变换,因而更适合于处理相关性问题。平稳小波变换可以有效地避免因小波基不具有平移不变性而造成重构信号产生震荡的问题。在本计算中对原始图像进行L层离散平稳小波分解(L＝2),得到表示低频信息的尺度系数和表示高频信息的细节系数。再采用多尺度Retinex算法实现光伏板红外图像的增强。 Retinex理论是在色彩恒常性的基础上提出的一种图像增强方法，它认为物体的色彩不受光照是否均匀的影响，具有恒定性。为了在动态范围压缩和色感一致性之间取得较好的平衡,采用多尺度Retinex算法。最后采用增强边缘的Ostu算法对图像进行阈值分割得到理想的光伏板热斑目标图像。

参照图3，本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法中的红外图像增强算法，将提取的蓝色通道图像作为输入图像对其进行基于平稳小波变换的Retinex图像增强处理。具体内容由下述方程组描述：

为了在动态范围压缩和色感一致性之间取得较好的平衡,采用多尺度Retinex算法：

式中K为尺度数,w_k为对应于第K个尺度的权值,且满足

对得到的第L层的低频子带图像进行多尺度Retinex增强。平稳小波变换后的低频子带系数有正有负，而多尺度Retinex增强算法处理的是蓝色通道图像。因此需要将低频子带系数f(i,j) 映射到[0,255]范围内，即采用以下线性映射：

式中f_max，f_min分别为低频子带系数的最大值和最小值，f′(i,j)为正规化结果。将f′(i,j)作为输入图像按照多尺度Retinex算法进行图像增强。图像信息被小波分解后，高频信息大体集中于高频小波系数内，为了尽可能地降低噪声影响，对高频子带图像采用软阈值去噪的算法降低噪声影响。采用贝叶斯萎缩阈值估计方法：

式中为不同尺度下噪声的方差估算，其表达式为：

对于l层k方向的子带,根据最大似然估计,得到子带内信号的标准方差为：

式中M和N分别为图像的长度和宽度，g_l,k(i,j)表示高频子带图像。对高频子带图像进行软阈值去噪处理，小波软阈值去噪模型对于幅值较小的小波系数进行适当修正，有助于降低去噪后图像的失真程度。最后将得到的低频图像与高频图像进行重构，得到最终的增强过的光伏板红外图像。

参照图4，本发明的一种基于计算机视觉的光伏电池板热斑效应检测系统进行光伏电池板热斑效应检测的计算方法中的红外图像分割算法。将步骤3中得到的增强过的红外图像作为输入图像。采用基于改进边缘信息的Otsu算法对光伏板热斑红外图像进行图像分割，提取热斑边缘。光伏板热斑检测的关键在于检测热斑边缘，图像分割能实现划分检测目标与背景的区别。使用Sobel梯度算子对待分割的红外图像f(x,y)进行边缘提取，得到边缘图像 g(x,y)。将边缘图像g(x,y)的灰度值归一化，归一化后整幅图像的灰度值区间为[0,1]归一化公式为：

式中(i,j)为遍历整个图像的像素点。g(i,j)代表点(i,j)处的灰度值，max(g(i,j))代表边缘图像g(x,y)的灰度最大值。对归一化后的边缘图像的灰度值用高百分位进行计算，得到阈值 Q，该阈值Q大于边缘图像中99％的像素点的灰度值，使用其对原始图像f(x,y)进行阈值分割，得到二值图像，即标记图像h(x,y)。将标记图像h(x,y)中1值像素点位置映射到原始图像f(x,y)中，并用原始图像f(x,y)映射位置的像素灰度值替换标记图像相应位置的1值，得到映射图像j(x,y)，使用映射图像j(x,y)中的非零像素计算出改进的灰度直方图。根据得到的直方图计算Otsu法的最佳阈值T，最佳阈值计算公式如下：

η(t)＝max[ω₀(t)*(u₀(t)-u)²+ω₁(t)*(u₁(t)-u)²] (8)

式中，t为分割的阈值，ω₀为目标类在整幅图像灰度所占比例，ω₁为背景类整幅图像灰度所占比例，u₀为目标类灰度均值，u₁为背景类灰度均值，u为整幅图像的灰度均值。令η(t)取最大值，此时的t值即为分割的最佳阈值T。用该阈值来分割图像f(x,y)，生成二值图像，即为最终的分割结果。

本发明所用元件、器件均为市售产器，容易实施。

本发明的具体实施方式已对本发明的内容作出了说明，但不局限本具体实施方式，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (2)

1.一种基于计算机视觉的光伏电池板热斑效应检测系统，其特征在于：它包括光伏阵列源(1)的输出端经汇流箱(7)与直流/交流转换器(8)的输入端相连接，光伏阵列源(1)的背板与温度传感器(3)的输入端相连接；采集卡(6)的输入端分别与温度传感器(3)的输出端、高清摄像头(2)的输出端、气象站(4)的输出端和汇流箱(7)的输出端相连接，采集卡(6)的输出端与计算机(5)的输入端相连接；直流/交流转换器(8)的输出端与逆变器(9)的输入端相连接，逆变器(9)的输出端与电网(10)相连接；高清摄像头(2)采集的图像经采集卡(6)传输给计算机(5)的输入端；由红外成像仪(11)拍摄光伏板表面图像再传输给计算机(5)的输入端。

2.根据权利要求1所述的一种基于计算机视觉的光伏电池板热斑效应检测系统，其特征在于：其检测计算方法的步骤为：

1)提取基于计算机视觉的光伏电池板热斑效应检测系统传回的RGB三个通道中的蓝色图像，可见光谱中的这些单色光根据波长由短到长依次连续实现蓝、青、绿、黄、橙、红色的变化，并根据光学理论，蓝色段、红色段相邻彩色之间视觉差异大的特点，在光伏板热斑的红外图像的预处理中，采用蓝色图像的算法增强图像的对比度；

2)采用平稳小波变换的算法在增强对比度的同时抑制噪声，对原始图像进行L层离散平稳小波分解，L＝2，得到表示低频信息的尺度系数和表示高频信息的细节系数；

3)采用多尺度Retinex算法实现光伏板红外图像的增强，将一幅给定的图像分解成两幅不同的图像：入射光图像和反射物体图像，用式(1)表示，

S(x,y)＝R(x,y)L(x,y) (1)

式中，L(x,y)描述了光伏板红外图像中的低频信息，决定了像素能够达到的动态范围；R(x,y)包含了图像的高频信息，决定了图像的内在性质；Retinex理论的目的就是忽略入射光L(x,y)图像的性质，获得物体的反射性质R(x,y)；从而达到颜色恒常，实现光伏板红外图像增强的效果，为了在动态范围压缩和色感一致性之间取得较好的平衡，采用多尺度Retinex算法：

式中K为尺度数,w_k为对应于第K个尺度的权值,且满足

对于步骤2)中得到的第L层的低频子带图像进行多尺度Retinex增强，平稳小波变换后的低频子带系数有正有负，而多尺度Retinex增强算法处理的是蓝色通道图像，因此需要将低频子带系数f(i,j)映射到[0,255]范围内，即采用以下线性映射：

式中f_max，f_min分别为低频子带系数的最大值和最小值，f′(i,j)为正规化结果，将f′(i,j)作为输入图像按照多尺度Retinex算法进行图像增强；

图像信息被小波分解后，高频信息大体集中于高频小波系数内，为了尽可能地降低噪声影响，对高频子带图像采用软阈值去噪的算法降低噪声影响，采用贝叶斯萎缩阈值估计法：

式中为不同尺度下噪声的方差估算，其表达为式(5)，

对于l层k方向的子带，根据最大似然估计，得到子带内信号的标准方差为：

式中M和N分别为图像的长度和宽度，g_l,k(i,j)表示高频子带图像；对高频子带图像进行软阈值去噪处理，小波软阈值去噪模型对于幅值较小的小波系数进行适当修正，有助于降低去噪后图像的失真程度；最后将采用多尺度Retinex算法增强后的低频子带图像和软阈值去噪后的高频子带图像重构得到增强后的光伏板红外图像；

4)采用基于边缘信息改进的Otsu算法对光伏板热斑红外图像进行图像分割，提取热斑边缘，光伏板热斑检测的关键在于检测热斑边缘，图像分割能实现划分检测目标与背景的区别，使用Sobel梯度算子对待分割的红外图像f(x,y)进行边缘提取，得到边缘图像g(x,y)，将边缘图像g(x,y)的灰度值归一化，归一化后整幅图像的灰度值区间为[0,1]归一化为式(7)；

式中(i,j)为遍历整个图像的像素点，g(i,j)代表点(i,j)处的灰度值，max(g(i,j))代表边缘图像g(x,y)的灰度最大值；对归一化后的边缘图像的灰度值用高百分位进行计算，得到阈值Q，该阈值Q大于边缘图像中99％的像素点的灰度值，使用其对原始图像f(x,y)进行阈值分割，得到二值图像，即标记图像h(x,y)，将标记图像h(x,y)中1值像素点位置映射到原始图像f(x,y)中，并用原始图像f(x,y)映射位置的像素灰度值替换标记图像相应位置的1值，得到映射图像j(x,y)，使用映射图像j(x,y)中的非零像素计算出改进的灰度直方图，根据得到的直方图计算Otsu法的最佳阈值T，最佳阈值计算为式(8)，

η(t)＝max[ω₀(t)*(u₀(t)-u)²+ω₁(t)*(u₁(t)-u)²] (8)

式中，t为分割的阈值，ω₀为目标类在整幅图像灰度所占比例，ω₁为背景类整幅图像灰度所占比例，u₀为目标类灰度均值，u₁为背景类灰度均值，u为整幅图像的灰度均值，令η(t)取最大值，此时的t值即为分割的最佳阈值T，用该阈值来分割图像f(x,y)，生成二值图像，即为最终的分割结果。