CN110487802A - 现场检测光伏组件缺陷的识别装置 - Google Patents

Abstract

本发明公开了一种现场检测光伏组件缺陷的识别装置，包括电源，用于给光伏组件供电，所述光伏组件发出红外线；红外摄像头，用于接收所述光伏组件发出的红外线并拍摄光伏组件EL视频图像；FPGA平台，用于检测红外摄像头拍摄的EL视频图像，识别并定位光伏组件EL视频图像中的缺陷；所述FPGA平台包括：图像采集模块，用于对视频图像进行采集和解码；图像预处理模块，用于将采集的所述视频图像转换为算法能够处理的大小和形状；目标检测算法模块，用于对预处理后的图像进行特征提取，通过目标检测算法对缺陷特征进行识别和定位；显示器。本发明的现场检测光伏组件缺陷的识别装置，其能够实现对光伏组件安装后或运行阶段的快速、高效、实时的准确检测。

Description

现场检测光伏组件缺陷的识别装置

技术领域

本发明属于光伏电站现场检测技术领域，具体涉及一种基于FPGA的光伏组件的现场EL视频图像检测并自动识别缺陷的系统。

背景技术

光伏组件是太阳能光伏发电系统的核心部件，是光伏电站建设投资中占比最大的一部分，其质量优劣直接影响整个光伏发电系统的发电量和发电效率。然而由于目前光伏电站普遍存在施工周期短、抢电价、赶进度等问题，光伏组件施工安装质量堪忧，组件安装过程中很容易出现隐裂、背板划伤、碎片等缺陷，尤其是对于肉眼无法观察到的隐裂给光伏组件的质量和寿命带来很大隐患。因此，在组件安装施工阶段实行现场检测，及时发现组件质量缺陷并加以控制就显得十分重要。目前对光伏组件的隐裂检测主要为电致发光(EL)检测，方法是将光伏组件外接直流电源，并通过便携式红外相机拍摄的方法获得组件的EL图像。电致发光(electroluminescent)，又可称电场发光，简称EL，是通过加在两电极的电压产生电场，被电场激发的电子碰击发光中心，而引致电子在能级间的跃迁、变化、复合导致发光的一种物理现象。

但是光伏电站现场往往由于地形复杂、组件数量多且分散、环境恶劣等不利因素给现场检测工作带来了很多困难，且EL检测只能在夜间进行，现场用电、照明一直是个麻烦，同时在各电站建设、投资者更加重视质量的背景下，光伏组件要求的检测数量也在不断提升，故目前光伏组件检测方法存在以下问题：1)由于红外相机在拍摄EL图像时有一定的曝光时间，当检测量很大时将消耗大量的时间，且拍摄的EL图像存储在相机中无法当场得知组件好坏，需返回使用电脑查看，造成检测效率低下；2)组件检测往往EL图像多且部分缺陷较小，拍摄的EL图像需要一张张通过人工肉眼观看，在浪费时间的同时也容易造成误判、漏判的现象，从而影响检测结果的准确性。

发明内容

有鉴于此，为了克服现有技术的缺陷，本发明的目的是提供一种现场检测光伏组件缺陷的识别装置，其能够实现对光伏组件安装后或运行阶段的快速、高效、实时的准确检测。

为了达到上述目的，本发明采用以下的技术方案：

一种现场检测光伏组件缺陷的识别装置，包括如下部件，

电源，用于给光伏组件供电，所述光伏组件发出红外线；

红外摄像头，用于接收所述光伏组件发出的红外线并拍摄光伏组件EL视频图像；

FPGA平台，用于检测红外摄像头拍摄的EL视频图像，自动识别并定位光伏组件EL视频图像中的缺陷；

所述FPGA平台包括：

图像采集模块，用于对视频图像进行采集和解码；

图像预处理模块，用于将采集来的视频图像转换为算法能够处理的大小和形状；

目标检测算法模块，用于对预处理后的图像进行特征提取，通过目标检测算法对缺陷特征进行识别和定位；

显示器，用于实时显示缺陷识别后的组件EL视频图像。

FPGA(Field-Programmable Gate Array)全称现场可编程逻辑门列，采用并行运算模式，且工作频率较高，可对大量数据进行实时操作与处理，在通信领域、图像处理等方面上优势明显，采用模块化集成开发，设备体积小，适合现场检测的便携性需要，主要包括视频图像采集和处理模块、目标检测智能算法、SDRAM存储器和视频显示器。

FPGA平台中的目标检测算法模块基于深度学习卷积神经网络的视频图像智能检测算法，将目标识别与定位功能合二为一，自动判别EL视频图像中的缺陷并进行定位。现场检测光伏组件缺陷的识别装置适用于户外光伏组件现场检测的EL缺陷快速、自动识别系统，可以对光伏电站安装后的组件EL检测结果进行快速、准确、自动识别并判定，在提升检测效率的同时也能提高检测结果的准确性。

优选地，所述目标检测算法包括如下处理步骤：将经过图像预处理模块预处理好的视频图像输入到检测网络中，通过多层卷积神经网络处理提取图像特征，再通过全连接层得到各个缺陷的置信度、缺陷检测框的坐标及缺陷类别的概率值，最后利用非极大值抑制算法筛选出得分最高的检测框，输出目标检测的结果，给出检测框位置和最大概率值对应的缺陷类别，完成缺陷识别和缺陷定位。

更加优选地，所述目标检测算法具体包括以下处理步骤：

(1)图像处理：将预处理好的图像划分为多个格栅，每个格栅负责检测落在其中的缺陷及相应类别，最终得到预测张量；

(2)检测网络：目标检测算法的检测网络包括用于提取图像特征的卷积层和用于预测图像位置、类别概率值的全连接层，通过将图像处理得到的预测张量输入到检测网络中进行处理，最终输出得到各个格栅对应的预测张量，该预测张量包括检测框的坐标预测值、对应置信度及缺陷类型概率值；

(3)窗口筛选：在检测网络输出的预测张量中，利用非极大值抑制算法提取出分数最高的检测框，用于指示最终缺陷的位置并在图像中显示出来。

进一步优选地，步骤(1)的图像处理具体包括以下步骤：将预处理好的图像划分为S*S个格栅，每个格栅负责检测落在其中的缺陷及相应类别：①每个格栅预测B个检测框的坐标及相应的置信度，包括该格栅是否包含缺陷及检测框坐标的准确性；②每个格栅预测C个条件类别概率，即在确定该格栅包含缺陷的前提下，缺陷类型为Ci的概率(i＝1,2,...,C)；最终得到S*S*(B*5+C)的预测张量。

进一步优选地，所述目标检测算法还包括样本训练步骤，所述样本训练步骤包括：对缺陷图像进行人工标注，利用现有的组件缺陷图像分别标记缺陷位置和缺陷类型，建立光伏组件缺陷图像数据集；在缺陷图像标注完成后将图像大小调整统一，并且分为训练集、验证集和测试集三部分，用于训练检测网络算法。

进一步优选地，所述FPGA平台包括SDRAM控制器以及SDRAM存储器，标注有缺陷位置和类型的视频图像通过SDRAM控制器输入至SDRAM存储器中，通过SDRAM存储器将识别好的视频图像输出至LCD液晶显示器中实时显示，也可后续在电脑中读取备份。SDRAM(synchronous dynamic random-access memory)为同步动态随机存取内存。

优选地，所述红外摄像头采用CMOS传感器，所述红外摄像头包括高通滤波片以通过红外光。红外摄像头通过改装去除红外滤波片和低通滤波片，增加高通滤波片只通过红外线，使得摄像头可以拍摄组件通电后发出的红外线并滤除其他光线干扰。

优选地，所述电源为移动电源；所述红外摄像头与所述FPGA平台之间通过数据连接线连接。

与现有技术相比，本发明的有益之处在于：本发明的现场检测光伏组件缺陷的识别装置，

1)大大提高了光伏组件现场检测效率：通过视频拍摄的方式获取组件EL图像，省去了相机曝光的等待时间，同时引入人工智能算法，对获取的EL图像实时自动识别缺陷，免去了肉眼观测的麻烦，当场就能判别组件好坏；

2)提升了检测设备的便携性：将传统检测方法的相机加三脚架的模式，替换为单个摄像头，将传统计算机读取分析EL图像的方式，替换为FPGA集成系统平台，减轻了设备重量，提高了设备便携性；

3)增加了检测结果的准确性：通过在FPGA平台中引入基于深度学习卷积神经网络的目标检测算法，将缺陷识别和定位功能合二为一，减少了人眼误判的可能性，使得检测结果更加可信。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。

图1为本发明优选实施例中现场检测光伏组件缺陷的识别装置的示意图；

图2为本发明优选实施例中FPGA平台的结构原理图；

其中：1、红外摄像头；2、数据连接线；3、FPGA平台；4、LCD液晶显示屏；5、光伏组件；6、移动电源。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

参照图1-2所示，本实施例的现场检测光伏组件缺陷的识别装置，包括用于给光伏组件供电的移动电源、用于接收光伏组件发出的红外线的红外摄像头、FPGA平台、用于连接红外摄像头的FPGA平台的数据连接线、以及设置在FPGA平台上的LCD液晶显示屏。

其中，红外摄像头，采用CMOS作为传感器，通过改装去除红外滤波片和低通滤波片，增加高通滤波片只通过红外光，使得红外摄像头可以拍摄组件通电后发出的红外线并滤除其他光线干扰，用于获取光伏组件的EL视频图像。

移动电源用于给光伏组件供电并驱动其发出红外线，其特点在于输出电流电压可调，以适应不同的组件类型；光伏组件发出红外线后通过红外摄像头捕捉其EL视频图像，通过数据连接线接入FPGA平台中，自动检测缺陷并定位，直观发现组件中各种隐性缺陷，如裂纹、碎片、虚焊、断栅、单片电池异常等，再输出至LCD液晶显示屏中观察。

FPGA平台的结构原理图如附图2所示，主要包括FPGA硬件平台和其附属设备，其中FPGA硬件平台包括图像采集模块、电源模块、SDRAM存储器和FPGA主控制器，FPGA主控制器包括图像预处理模块、目标检测算法模块、SDRAM控制器和LCD控制器；附属设备包括视频解码器以及上述的LCD液晶显示器。

图像采集模块完成对拍摄的光伏组件EL视频图像的采集和解码功能，在执行检测算法之前需要先对输入图像进行预处理工作，目的是为了将输入图像的尺寸、形状调整为算法能处理的状态(本实施例中图像尺寸为416×416)，然后进行目标检测算法，识别视频图像中的缺陷并进行定位和标注，再将标注过缺陷类型的视频图像通过SDRAM控制器输入至FPGA中的SDRAM存储器中，最后通过SDRAM存储器将识别好的视频图像输出至LCD液晶显示器中实时显示。

本实施例中目标检测算法模块中的目标检测算法基于深度学习神经网络，主要包括图像处理、检测网络、窗口筛选、样本训练等步骤，可以同时实现对光伏组件EL图像缺陷的识别及定位。

其中，图像处理：将预处理好的图像划分为S*S个格栅，每个格栅负责检测落在其中的缺陷及相应类别：①每个格栅预测B个检测框的坐标及相应的置信度，包括该格栅是否包含缺陷及检测框坐标的准确性；②每个格栅预测C个条件类别概率，即在确定该格栅包含缺陷的前提下，缺陷类型为Ci的概率(i＝1,2,...,C)；最终得到S*S*(B*5+C)的预测张量。本实施例中的光伏组件EL图像中，取S＝10，B＝2，C＝5(即对应隐裂、断栅、黑片、背板划伤、黑斑这5种常见缺陷类型)。

检测网络：本实施例中的目标检测算法的检测网络包括53个卷积层和2个全连接层，其中卷积层用于提取图像特征，全连接层用于预测图像位置、类别概率值，将图像处理得到的预测张量输入到检测网络中进行处理，最终输出得到各个格栅对应的预测张量，其包含检测框的坐标预测值、对应置信度及缺陷类型概率值。

窗口筛选：在检测网络输出的预测张量中，利用非极大值抑制算法提取出分数最高的检测框，用于指示最终缺陷的位置并在图像中显示出来。

样本训练：首先要对缺陷图像进行人工标注，利用现有的组件缺陷图像分别标记缺陷位置和缺陷类型，建立光伏组件缺陷图像数据集。常见的组件缺陷类型有隐裂、背板划伤、断栅、黑片、黑斑等，因组件施工过程中产生的最多缺陷是隐裂和背板划伤，故在训练样本中重点对这两种缺陷类型进行标注。尽可能的收集不同缺陷的各种特征图像，如隐裂常见的特征有单条隐裂、十字交叉隐裂、贯穿隐裂、树枝状隐裂等，同时单晶组件和多晶组件在缺陷特征上也有所不同。在缺陷图像标注完成后将图像大小统一调整为416×416，并且分为训练集、验证集和测试集三部分，用于训练检测网络算法。通过先在电脑端编写、训练完算法后移植到FPGA平台，方便后续可根据现场检测实际情况不断更新缺陷图像数据集并重新训练算法，加快算法训练速度和提高准确性。

本实施例中所采用基于深度学习卷积神经网络的目标识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统，对比其他的目标检测算法其优点在于：执行速度快；一种算法可以同时实现目标识别与定位；检测精度大大提升，尤其是对小目标的检测精度有了大幅提升，适用于组件缺陷在整个图像中占比较小的情况下。

在实际现场检测过程中，由检测人员将移动电源接入光伏组件后(一般可同时接入两组甚至更多组光伏组件，取决于移动电源容量大小)，打开FPGA平台，将红外摄像头通过数据连接线接入FPGA平台，并打开LCD液晶显示屏，然后手持红外摄像头对光伏组件进行EL视频图像扫描观测，当组件存在缺陷时，FPGA平台会自动识别缺陷类型并进行定位，同时将缺陷位置及类型显示在LCD液晶显示屏上，真正做到实时检测、实时判定，极大提高了检测效率和准确度。

本发明现场检测光伏组件缺陷的识别装置具有如下优点：

(1)大大提高了光伏组件现场检测效率，通过视频拍摄的方式获取组件EL图像，省去了相机曝光的等待时间，同时引入人工智能算法，对获取的EL图像实时自动识别缺陷，免去了肉眼观测的麻烦，当场就能判别组件好坏；

(2)提升了检测设备的便携性，将传统检测方法的相机加三脚架的模式，替换为单个摄像头，将传统计算机读取分析EL图像的方式，替换为FPGA集成系统，减轻了设备重量，提高了设备便携性；

(3)增加了检测结果的准确性，通过在FPGA平台中引入基于深度学习卷积神经网络的目标检测算法，将缺陷识别和定位功能合二为一，减少了人眼误判的可能性，使得检测结果更加准确。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种现场检测光伏组件缺陷的识别装置，其特征在于：包括如下部件，

电源，用于给光伏组件供电，所述光伏组件发出红外线；

红外摄像头，用于接收所述光伏组件发出的红外线并拍摄光伏组件EL视频图像；

FPGA平台，用于检测红外摄像头拍摄的EL视频图像，识别并定位光伏组件EL视频图像中的缺陷；

所述FPGA平台包括：

图像采集模块，用于对视频图像进行采集和解码；

图像预处理模块，用于将采集的所述视频图像转换为算法能够处理的大小和形状；

目标检测算法模块，用于对预处理后的图像进行特征提取，通过目标检测算法对缺陷特征进行识别和定位；

显示器，用于实时显示缺陷识别后的组件EL视频图像。

2.根据权利要求1所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述目标检测算法包括如下处理步骤：将经过图像预处理模块预处理好的视频图像输入到检测网络中，通过多层卷积神经网络处理提取图像特征，再通过全连接层得到各个缺陷的置信度、缺陷检测框的坐标及缺陷类别的概率值，最后利用非极大值抑制算法筛选出得分最高的检测框，输出目标检测的结果，给出检测框位置和最大概率值对应的缺陷类别，完成缺陷识别和缺陷定位。

3.根据权利要求2所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述目标检测算法具体包括以下处理步骤：

(1)图像处理：将预处理好的图像划分为多个格栅，每个格栅负责检测落在其中的缺陷及相应类别，得到预测张量；

(2)检测网络：目标检测算法的检测网络包括用于提取图像特征的卷积层和用于预测图像位置、类别概率值的全连接层，通过将图像处理得到的预测张量输入到检测网络中进行处理，最终输出得到各个格栅对应的预测张量，该预测张量包括检测框的坐标预测值、对应置信度及缺陷类型概率值；

(3)窗口筛选：在检测网络输出的预测张量中，利用非极大值抑制算法提取出分数最高的检测框，用于指示最终缺陷的位置并在图像中显示出来。

4.根据权利要求3所述的现场检测光伏组件缺陷的识别装置，其特征在于：步骤(1)的图像处理具体包括以下步骤：将预处理好的图像划分为S*S个格栅，每个格栅负责检测落在其中的缺陷及相应类别：①每个格栅预测B个检测框的坐标及相应的置信度，包括该格栅是否包含缺陷及检测框坐标的准确性；②每个格栅预测C个条件类别概率，即在确定该格栅包含缺陷的前提下，缺陷类型为Ci的概率(i＝1,2,...,C)；最终得到S*S*(B*5+C)的预测张量。

5.根据权利要求3所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述目标检测算法还包括样本训练步骤，所述样本训练步骤包括：对缺陷图像进行人工标注，利用现有的组件缺陷图像分别标记缺陷位置和缺陷类型，建立光伏组件缺陷图像数据集；在缺陷图像标注完成后将图像大小调整统一，并且分为训练集、验证集和测试集三部分，用于训练检测网络算法。

6.根据权利要求3所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述FPGA平台包括SDRAM控制器以及SDRAM存储器，标注有缺陷位置和类型的视频图像通过SDRAM控制器输入至SDRAM存储器中，通过SDRAM存储器将识别好的视频图像输出至LCD液晶显示器中实时显示。

7.根据权利要求1所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述红外摄像头采用CMOS传感器，所述红外摄像头包括高通滤波片以通过红外光。

8.根据权利要求1-7任意一项所述的现场检测光伏组件缺陷的识别装置，其特征在于：所述电源为移动电源；所述红外摄像头与所述FPGA平台之间通过数据连接线连接。