CN111539355A - 一种基于深层神经网络的光伏板异物检测系统及检测方法 - Google Patents
一种基于深层神经网络的光伏板异物检测系统及检测方法 Download PDFInfo
- Publication number
- CN111539355A CN111539355A CN202010345745.7A CN202010345745A CN111539355A CN 111539355 A CN111539355 A CN 111539355A CN 202010345745 A CN202010345745 A CN 202010345745A CN 111539355 A CN111539355 A CN 111539355A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic panel
- photovoltaic
- data
- foreign matter
- detecting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Photovoltaic Devices (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种基于深层神经网络的光伏板异物检测系统及检测方法,检测系统包括光伏气象站、数据采集中心及控制分析中心,检测方法包括利用光伏气象站获取光伏电站现场气象数据、利用数据采集中心获取光伏板图像数据与光伏电站运行数据、利用Faster R‑CNN算法分析光伏板图像数据,检测光伏板上异物的类型与大致区域、利用注意力循环网络分析光伏板图像数据,辨识光伏板上异物的精确分布区域,最后通过分析视觉注意力图像,精确判断异物在光伏板上的分布区域,以异物占光伏板工作面积的比重、分布位置评估光伏板健康状态,本发明能对规模化光伏电站光伏板上的异物检测定位,解决了光伏电站人工巡视受主观干扰大、时效性不强的问题。
Description
技术领域
本发明涉及太阳能光伏发电技术领域,特别是一种基于深层神经网络的光伏板异物检测系统及检测方法。
背景技术
光伏电站长时间运行,其光伏板板面会积累灰尘、鸟粪、落叶等异物,异物遮挡会减少光伏板的有效工作面积,降低光伏电站发电效率,形成光伏板热斑产生安全隐患。而目前光伏电站的维护主要依赖现场运维工作人员的工作经验,通过日常巡视检测有无光伏板异常遮挡,是否需要清洗。人工巡视的模式受主观干扰大且易产生视觉疲劳,无法满足光伏电站精确性定位、实时传输的巡检工作要求。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深层神经网络的光伏板异物检测系统及检测方法,借助深层神经网络精准定位、快速检测的能力,克服人工巡视光伏电站中出现的检测不及时、检测误差较大、建模分析检测结果不准确等问题,实现异物对光伏板影响情况的精确辨识与定量评估,以解决上述技术背景中所提出的问题。
本发明的目的是通过以下技术方案来实现的:
一种基于深层神经网络的光伏板异物检测系统,包括光伏气象站、数据采集中心及控制分析中心,所述数据采集中心分别和光伏气象站和控制分析中心通讯连接,
所述光伏气象站用于获取光伏电站气象数据;
所述数据采集中心用于获取光伏板图像数据与光伏板运行数据;
所述控制分析中心收集以上数据并评估光伏板健康状态,并确定评估结果。
进一步的,所述光伏气象站包括:用于检测现场风力状况的风速风向变送器、用于检测日照状况的太阳能辐照度仪、用于检测环境温度的第一温度变送器以及用于给光伏气象站供能的光伏电池板。
进一步的,所述数据采集中心包括:
按设定频率采集光伏板工作区域图像数据的可见光高清相机;
用于检测光伏板板背温度数据的第二温度变送器;
用于检测光伏板运行数据的电压表和电流表;
以及与所述可见光高清相机、温度变送器、电流表以及电压表通讯连接的用于汇总传输数据的数据采集卡。
进一步的,所述控制分析中心包括高性能服务器,所述高性能服务器中搭建有注意力循环网络与多目标检测网络,所述注意力循环网络用于检测异物在光伏板上的大致区域和异物类型,所述注意力循环网络用于精确定位异物在光伏板上的分布区域。
5.一种深层神经网络的光伏板异物检测系统的检测方法,其检测方法包括以下步骤:
S1、利用光伏气象站获取光伏电站现场气象数据,记录备查;
S2、利用数据采集中心获取光伏板图像数据与光伏电站运行数据;
S3、利用控制分析中心部署深层神经网络算法分析光伏板图像数据,基于分析结果评估光伏板健康状态。
进一步的,在步骤S2中,所述利用数据采集中心获取光伏板图像数据与光伏电站运行数据具体包括:利用可见光高清相机以固定频率、焦距拍摄的光伏板图像;以温度变送器检测的光伏板板背温度数据;以电压表和电流表检测光伏板运行的电流、电压、功率数据。
进一步的,在步骤S3中,所述分析光伏板图像数据和评估光伏板健康状态具体包括:
1)、利用Faster R-CNN算法分析光伏板图像数据,检测光伏板上异物的类型与大致区域,包括:
将所述光伏板图像数据输入卷积神经网络,生成预选框;
将生成的预选框映射到原始输入的光伏板图像做对比,确定各种异物的尺寸、类型特征;
使用全连接层生成针对异物种类辨别的特征向量,并基于Softmax损失函数实现光伏板异物种类分辨;
使用全连接层生成针对异物位置辨别的特征向量,并基于SmoothL1损失函数实现光伏板异物坐标回归;
2)、利用注意力循环网络分析光伏板图像数据,辨识光伏板上异物的精确分布区域,包括:
使用循环网络来产生视觉注意力,其中,残差神经网络与长短时记忆网络组合成的时间块是生成特征捕获视觉注意图的基本工作单元,各时间块收尾相连,层层学习后获得光伏板异物的视觉注意图像;
通过分析视觉注意力图像,精确判断异物在光伏板上的分布区域,以异物占光伏板工作面积的比重、分布位置评估光伏板健康状态。
本发明的有益效果是:本发明提供的一种基于深层神经网络的光伏板异物检测系统及检测方法,其系统模块化清晰,易于在各种光伏电站灵活布设,数据采集、传输、分析均由系统内设程序流水化执行,大幅度提升巡检效率;其检测方法利用光伏气象站获取光伏电站现场气象数据、利用数据采集中心获取光伏板图像数据与光伏电站运行数据、利用控制分析中心部署深层神经网络算法分析所述光伏板图像数据,基于分析结果评估光伏板健康状态,解决了目前光伏巡检作业主观性强、实时性差、效率低下的运维难题,较传统的人工巡检作业,固定采集频率的高清相机能全面监测光伏板的全天候工作状况,保障检测实时性,有效的效避免了传统人工巡检过程中的主观干扰,从异物种类、异物分布双重角度开展检测,将光伏板上灰尘、鸟粪、落叶等异物分门别类标注清楚,精确描述异物分布区域,有助于指导后续光伏板清扫维护工作。
附图说明
图1为本发明检测光伏板异物方法流程框图;
图2为本发明检测系统的组成结构框图;
图3为本发明视觉注意循环网络模型结构图;
图4为本发明Faster-R-CNN网络模型结构图。
图中,1-光伏气象站,2-数据采集中心,3-控制分析中心,101-风速风向变送器,102-太阳能辐照度仪,103-第一温度变送器,104-光伏电池板,201-可见光高清相机,202-第二温度变送器,203-电压表,204-电流表,205-数据采集卡,301-高性能服务器,3011-注意力循环网络,3012-多目标检测网络。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例1:
一种基于深层神经网络的光伏板异物检测系统,请参阅附图-2所示,包括光伏气象站1、数据采集中心2及控制分析中心3,所述数据采集中心2分别和光伏气象站1和控制分析中心3通讯连接:
所述光伏气象站1用于获取光伏电站气象数据;
所述数据采集中心2用于获取光伏板图像数据与光伏板运行数据;
所述控制分析中心3收集以上数据并评估光伏板健康状态,并确定评估结果。
上述实施例中,所述光伏气象站1包括:用于检测现场风力状况的风速风向变送器101、用于检测日照状况的太阳能辐照度仪102、用于检测环境温度的第一温度变送器103以及用于给光伏气象站供能的光伏电池板104。
上述实施例中,所述数据采集中心包括:
按设定频率采集光伏板工作区域图像数据的可见光高清相机201;
用于检测光伏板板背温度数据的第二温度变送器202;
用于检测光伏板运行数据的电压表203和电流表204;
以及与所述可见光高清相机201、温度变送器202、电流表204以及电压表203通讯连接的用于汇总传输数据的数据采集卡205。
上述实施例中,所述控制分析中心3包括高性能服务器301,所述高性能服务器301中搭建有注意力循环网络3011与多目标检测网络3012,所述注意力循环网络3011用于检测异物在光伏板上的大致区域和异物类型,所述注意力循环网络3012用于精确定位异物在光伏板上的分布区域。
实施例2:
一种深层神经网络的光伏板异物检测系统的检测方法,请参阅附图-1所示,其检测方法包括以下步骤:
S1、利用光伏气象站1获取光伏电站现场气象数据,记录备查;
S2、利用数据采集中心2获取光伏板图像数据与光伏电站运行数据;
S3、利用控制分析中心3部署深层神经网络算法分析光伏板图像数据,基于分析结果评估光伏板健康状态。
在上述实施例的步骤S2中,所述利用数据采集中心1获取光伏板图像数据与光伏电站运行数据具体包括:利用可见光高清相机201以固定频率、焦距拍摄的光伏板图像;以温度变送器202检测的光伏板板背温度数据;以电压表203和电流表204检测光伏板运行的电流、电压、功率数据。
在上述实施例的步骤S3中,所述分析光伏板图像数据和评估光伏板健康状态具体包括:
1)、利用Faster R-CNN算法分析光伏板图像数据,检测光伏板上异物的类型与大致区域,包括:
将所述光伏板图像数据输入卷积神经网络,生成预选框;
将生成的预选框映射到原始输入的光伏板图像做对比,确定各种异物的尺寸、类型特征;
使用全连接层生成针对异物种类辨别的特征向量,并基于Softmax损失函数实现光伏板异物种类分辨;
使用全连接层生成针对异物位置辨别的特征向量,并基于SmoothL1损失函数实现光伏板异物坐标回归;
具体的,Faster-R-CNN算法识别光伏板积灰、鸟类粪便、落叶、动植物腐殖质、破损、脱落等异常状态;对采集的可见光图像进行预处理;标注图像中光伏板异常状态所在区域和所属类型,制备成算法所需数据集;训练Faster-R-CNN算法识别光伏板异常状态的图像特征,并以标注框的形式在图像中显示光伏板异常区域与异常类型。
请参阅附图-4所示,Faster-R-CNN算法的核心是区域预选框网络,在算法流程上,Faster-R-CNN包括如下三个处理步骤:
①、将图像输入到卷积神经网络
卷积神经网络用于学习光伏板异常状态的特征表达,优选VGG、ResNet网络作为特征提取网络基础。
②、使用RPN网络生成区域预选框
RPN网络的主要架构是一个全卷积网络(FCN,Fully Convolutional Network),对于任意输入图像,其为每一个特征点生成9个锚点框,这9个锚点框考虑了三种不同的尺寸(128×128,256×256,和512×512)和长宽比例(即1:1,1:2,2:1)。其中k代表每个特征点包含的锚点框个数(一般k取值为9)。
如果锚点框满足:(1)与真值框的交叠比(Intersection-over-Union,IoU)最高;(2)与任意一个真值框的交叠比大于0.7,则认为该锚点框内是一个前景物体,被标注为正样本。如果锚点框与所有的真值框的交叠比都小于0.3,则认为该锚点框内的内容是背景,被标注为负样本。在训练过程中,按照每个锚点框的分类得分从高到低进行排序,然后选取128个得分最高的前景及背景锚点框作为最终的预选框输出。
③、RoI-Pooling层处理
将RPN网络提取的区域预选框映射到RoI-Pooling层,从而得到固定尺寸(7×7)的特征图,再将映射的特征图输入到全连接网络中分别得到分类和回归特征向量,最后进行预选框分类和回归。其中分类特征向量的维度为Ncls+1,回归特征向量的维度为4×(Ncls+1),Ncls待检测异常状况的种类,所加的1为图像背景。
2)、利用注意力循环网络分析光伏板图像数据,辨识光伏板上异物的精确分布区域,包括:
使用循环网络来产生视觉注意力,其中,残差神经网络与长短时记忆网络组合成的时间块是生成特征捕获视觉注意图的基本工作单元,各时间块收尾相连,层层学习后获得光伏板异物的视觉注意图像;
通过分析视觉注意力图像,精确判断异物在光伏板上的分布区域,以异物占光伏板工作面积的比重、分布位置评估光伏板健康状态。
具体的,请参阅附图-3所示,视觉注意循环网络模型可应用于图像中目标区域的特征捕获,该模型由一个循环网络来产生视觉注意力,其中的循环网络包括n个时间块,每个时间块又包含5层ResNet网络、1层卷积LSTM单元及卷积层,每个时间块经学习后均能获得带有特征捕获的二维视觉注意图,且每个时间块输出与下一个时间块输入连接,结合原图进入下一个时间块进行学习,层层学习后最终获得第n个时间块视觉注意图像结果;
优选的,卷积LSTM单元由输入门it、遗忘门ft、输出门ot以及内部记忆单元Ct组成;单元状态Ct与输入门it、遗忘门ft、输出门ot沿时间维度的相互作用定义如下:
第t层输入门it计算:
it=σ(Wxi*Xt+Whi*Ht-1+Wci⊙Ct-1+bi) (1)
第t层遗忘门ft计算:
ft=σ(Wxf*Xt+Whf*Ht-1+Wcf⊙Ct-1+bi) (2)
第t层输出门ot计算:
ot=σ(Woxi+Uoht-1+bo) (3)
内部记忆单元Ct更新:
Ct=ft⊙Ct-1+it⊙tanh(WXC*Xt+Whc*Ht-1+bc) (4)
每层输出信息计算:
Ht=ot⊙tanh(Ct) (5)
其中,Xt是残差网络(ResNet)生成的特性,Ct对被传送到下一个LSTM的单元状态特性进行编码,Ht表示卷积LSTM单元的输出信息,运算符*表示卷积运算,⊙表示逐元素乘法计算,σ表示激活函数。我们的视觉注意图是一个从0至1的矩阵,其值越大注意度越高,在训练过程中,将视觉注意图映射的值初始化为0.5,当循环网络接近第n时间块时,目标区域的特征位置值会越来越大,卷积LSTM单元的输出特性被输入到卷积层中产生二维视觉注意图,表现在图像上的异物遮挡特征点呈高亮状态显示,从而完成光伏板异物遮挡状态的特征提取。
需要对以上实施例说明的是,本领域内的技术人员应清楚,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的系统图描述的。应理解可由计算机程序指令实现。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在系统图中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在系统图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在系统图中指定的功能的步骤。
最后应当说明的是,以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (7)
1.一种基于深层神经网络的光伏板异物检测系统,包括光伏气象站、数据采集中心及控制分析中心,所述数据采集中心分别和光伏气象站和控制分析中心通讯连接,其特征在于:
所述光伏气象站用于获取光伏电站气象数据;
所述数据采集中心用于获取光伏板图像数据与光伏板运行数据;
所述控制分析中心收集以上数据并评估光伏板健康状态,并确定评估结果。
2.根据权利要求1所述的一种基于深层神经网络的光伏板异物检测系统,其特征在于,所述光伏气象站包括:用于检测现场风力状况的风速风向变送器、用于检测日照状况的太阳能辐照度仪、用于检测环境温度的第一温度变送器以及用于给光伏气象站供能的光伏电池板。
3.根据权利要求1所述的一种基于深层神经网络的光伏板异物检测系统,其特征在于,所述数据采集中心包括:
按设定频率采集光伏板工作区域图像数据的可见光高清相机;
用于检测光伏板板背温度数据的第二温度变送器;
用于检测光伏板运行数据的电压表和电流表;
以及与所述可见光高清相机、温度变送器、电流表以及电压表通讯连接的用于汇总传输数据的数据采集卡。
4.根据权利要求1所述的一种基于深层神经网络的光伏板异物检测系统,其特征在于,所述控制分析中心包括高性能服务器,所述高性能服务器中搭建有注意力循环网络与多目标检测网络,所述注意力循环网络用于检测异物在光伏板上的大致区域和异物类型,所述注意力循环网络用于精确定位异物在光伏板上的分布区域。
5.一种基于权利要求1-4任一项所述的深层神经网络的光伏板异物检测系统的检测方法,其特征在于,所述检测方法包括以下步骤:
S1、利用光伏气象站获取光伏电站现场气象数据,记录备查;
S2、利用数据采集中心获取光伏板图像数据与光伏电站运行数据;
S3、利用控制分析中心部署深层神经网络算法分析光伏板图像数据,基于分析结果评估光伏板健康状态。
6.根据权利要求5所述的一种检测方法,其特征在于,在步骤S2中,所述利用数据采集中心获取光伏板图像数据与光伏电站运行数据具体包括:利用可见光高清相机以固定频率、焦距拍摄的光伏板图像;以温度变送器检测的光伏板板背温度数据;以电压表和电流表检测光伏板运行的电流、电压、功率数据。
7.根据权利要5所述的一种检测方法,其特征在于,在步骤S3中,所述分析光伏板图像数据和评估光伏板健康状态具体包括:
1)、利用Faster R-CNN算法分析光伏板图像数据,检测光伏板上异物的类型与大致区域,包括:
将所述光伏板图像数据输入卷积神经网络,生成预选框;
将生成的预选框映射到原始输入的光伏板图像做对比,确定各种异物的尺寸、类型特征;
使用全连接层生成针对异物种类辨别的特征向量,并基于Softmax损失函数实现光伏板异物种类分辨;
使用全连接层生成针对异物位置辨别的特征向量,并基于SmoothL1损失函数实现光伏板异物坐标回归;
2)、利用注意力循环网络分析光伏板图像数据,辨识光伏板上异物的精确分布区域,包括:
使用循环网络来产生视觉注意力,其中,残差神经网络与长短时记忆网络组合成的时间块是生成特征捕获视觉注意图的基本工作单元,各时间块收尾相连,层层学习后获得光伏板异物的视觉注意图像;
通过分析视觉注意力图像,精确判断异物在光伏板上的分布区域,以异物占光伏板工作面积的比重、分布位置评估光伏板健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345745.7A CN111539355A (zh) | 2020-04-27 | 2020-04-27 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345745.7A CN111539355A (zh) | 2020-04-27 | 2020-04-27 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539355A true CN111539355A (zh) | 2020-08-14 |
Family
ID=71967560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345745.7A Pending CN111539355A (zh) | 2020-04-27 | 2020-04-27 | 一种基于深层神经网络的光伏板异物检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539355A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112287833A (zh) * | 2020-10-29 | 2021-01-29 | 上海高仙自动化科技发展有限公司 | 机器人的巡检清洁方法、装置、机器人和存储介质 |
CN112927222A (zh) * | 2021-03-29 | 2021-06-08 | 福州大学 | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 |
CN113066118A (zh) * | 2021-04-13 | 2021-07-02 | 武汉一维路科技有限公司 | 基于远程监控和工业物联网的太阳能光伏发电运行安全监测系统 |
CN113065982A (zh) * | 2021-04-22 | 2021-07-02 | 东北电力大学 | 一种基于密集残差网络的积灰光伏板功率预测系统及方法 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
CN116612094A (zh) * | 2023-05-25 | 2023-08-18 | 东北电力大学 | 一种光伏板表面积灰分布聚类识别方法及系统 |
CN117021105A (zh) * | 2023-08-30 | 2023-11-10 | 北京瑞科同创能源科技有限公司 | 光伏清洗机器人的控制方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729483A (zh) * | 2015-04-01 | 2015-06-24 | 无锡桑尼安科技有限公司 | 输电线路上异物种类检测平台 |
CN109102504A (zh) * | 2018-08-16 | 2018-12-28 | 济南大学 | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 |
CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 |
CN109711463A (zh) * | 2018-12-25 | 2019-05-03 | 广东顺德西安交通大学研究院 | 基于注意力的重要对象检测方法 |
CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN110119854A (zh) * | 2018-06-28 | 2019-08-13 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN111008615A (zh) * | 2019-12-25 | 2020-04-14 | 京能源深(苏州)能源科技有限公司 | 基于视频监控的屋顶光伏组件表面污染情况巡检方法 |
-
2020
- 2020-04-27 CN CN202010345745.7A patent/CN111539355A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729483A (zh) * | 2015-04-01 | 2015-06-24 | 无锡桑尼安科技有限公司 | 输电线路上异物种类检测平台 |
CN105300358A (zh) * | 2015-04-01 | 2016-02-03 | 郑海雁 | 输电线路上异物种类检测平台 |
CN110119854A (zh) * | 2018-06-28 | 2019-08-13 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN109102504A (zh) * | 2018-08-16 | 2018-12-28 | 济南大学 | 一种光伏电池组件表面污秽覆盖情况识别方法及系统 |
CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 |
CN109711463A (zh) * | 2018-12-25 | 2019-05-03 | 广东顺德西安交通大学研究院 | 基于注意力的重要对象检测方法 |
CN109871742A (zh) * | 2018-12-29 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
CN111008615A (zh) * | 2019-12-25 | 2020-04-14 | 京能源深(苏州)能源科技有限公司 | 基于视频监控的屋顶光伏组件表面污染情况巡检方法 |
Non-Patent Citations (3)
Title |
---|
史晋涛等: "基于样本扩充的Faster R-CNN电网异物监测技术", vol. 44, no. 19, pages 44 - 51 * |
薛家祥;陈海峰;: "基于卷积神经网络的光伏阵列污染报警系统", no. 07, pages 54 - 59 * |
辛明勇;徐长宝;高吉普;高在武;王波;王晓阳;: "基于生成对抗网络的输电线路机巡影像去雨滴方法", no. 09, pages 121 - 127 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112200764B (zh) * | 2020-09-02 | 2022-05-03 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112287833A (zh) * | 2020-10-29 | 2021-01-29 | 上海高仙自动化科技发展有限公司 | 机器人的巡检清洁方法、装置、机器人和存储介质 |
CN112927222A (zh) * | 2021-03-29 | 2021-06-08 | 福州大学 | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 |
CN113066118A (zh) * | 2021-04-13 | 2021-07-02 | 武汉一维路科技有限公司 | 基于远程监控和工业物联网的太阳能光伏发电运行安全监测系统 |
CN113066118B (zh) * | 2021-04-13 | 2021-12-07 | 国网思极数字科技(北京)有限公司 | 基于远程监控和工业物联网的太阳能光伏发电运行安全监测系统 |
CN113065982A (zh) * | 2021-04-22 | 2021-07-02 | 东北电力大学 | 一种基于密集残差网络的积灰光伏板功率预测系统及方法 |
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
CN115861855B (zh) * | 2022-12-15 | 2023-10-24 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及系统 |
CN116612094A (zh) * | 2023-05-25 | 2023-08-18 | 东北电力大学 | 一种光伏板表面积灰分布聚类识别方法及系统 |
CN117021105A (zh) * | 2023-08-30 | 2023-11-10 | 北京瑞科同创能源科技有限公司 | 光伏清洗机器人的控制方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
CN113536000B (zh) | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN111860593A (zh) | 一种基于生成对抗网络的风机叶片故障检测方法 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
CN112598050A (zh) | 生态环境数据质量控制方法 | |
CN116630668A (zh) | 一种快速轻量级的安全帽佩戴异常识别方法 | |
CN112927222B (zh) | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 | |
Hu et al. | A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
Hwang et al. | Soiling detection for photovoltaic modules based on an intelligent method with image processing | |
Wang et al. | Research on appearance defect detection of power equipment based on improved faster-rcnn | |
Swetha et al. | Visual Weather Analytics-Leveraging Image Recognition for Weather Prediction | |
Chen et al. | Faster rcnn for multi-class foreign objects detection of transmission lines | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
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 |
Application publication date: 20200814 |
|
RJ01 | Rejection of invention patent application after publication |