CN111563467A - 一种基于机器视觉的太阳能板清洁系统 - Google Patents

Abstract

一种基于机器视觉的太阳能板清洁系统。步骤1，采集现场太阳能板照片，并通过WIFI上传至上位机；步骤2，上位机程序对图片进行多维特征向量提取；步骤3，计算多维特征向量与预先确定的各聚类中心的欧式距离；步骤4，将最小的欧氏距离与该类别预先确定的阈值进行对比；步骤5，清洁机器人完成任务，并反馈给上位机；步骤6，上位机将完成的信号通过WIFI传送至数据库；步骤7，数据库清除待办任务，并检查此时是否有待办任务，如果有，将数据发送重新发送至上位机程序，进入步骤2，否则，整个闭环过程结束。本发明有效的实现太阳能板的清洁，提高了发电效率。

Description

一种基于机器视觉的太阳能板清洁系统

技术领域

本发明涉及基于太阳能清洁能源应用领域，特别是涉及一种基于机器视觉的太阳能 板清洁系统。

背景技术

随着社会的快速发展，各行各业的用电需求量都近乎于指数增长，传统的发 电方式已经满足不了需求，同时考虑到地球可再生资源日益减少，所以发展清洁 能源是非常有意义的。清洁能源的定义是：对能源清洁、高效、系统化应用的技 术体系，如水力发电、风力发电、太阳能、生物能(沼气)、地热能(包括地源 和水源)海潮能。其中的太阳能发电没有任何排放和噪声，应用技术成熟，安全 可靠，同时我国76％的国土光照充沛，光能资源分布较为均匀，这也为大力发展 光伏产业提供了有力的保障，近年来，我国的光伏产业有了很大的发展，实现了 很高的经济效益。

光伏发电量由多种因素决定，对于人为不可控制因素不可改善，但是对于可控因素一定 要尽全力改善，如太阳能板表面的清洁度，在同一光照强度下，越清洁的太阳能板表面能发 更多的电量。而这一因素也得到了企业广泛的重视，现存的清洗方式主要有以下三种：人工 清洗，机械化清洗车和光伏板清洁机器人。对于第一种清洁方式，其清洗时间漫长，人员不 好管理，浪水水资源，安全系数低，人员踩踏电池板容易造成隐裂；对于第二种清洁方式， 其对现场安太阳能板的安装间距有要求，且清洗不均匀；而第三种清洁方式，其需要智能的 控制策略，而现在一般都是扫盲式的清洁，也带来了一定的资源浪费。

针对光伏产业中太阳能板清洁的问题，国内涉及该问题解决方案的专利有“一种太阳能板 智能除雪除尘机器人及其控制方法”(201810564474.7)，利用雪犁铲板、圆盘刷、绕绳机构 和履带底盘，对太阳能板上的积雪进行清扫，但是该专利中并没有提及相关的控制策略，虽 然机器人可以节约人力财力，但是必须要有一个精确的控制策略。同样的，国家发明专利“太 阳能板材清洁机器人”(201810276806.1)，国家发明专利“太阳能板材清洗机器人” (201410554467.0)，都是针对机器人的结构进行设计，但是没有提及相关的控制系统，由此 可见，开发一个控制机器人的太阳能板清洁系统亟待解决。

发明内容

为解决上述问题，本发明在图片特征提取、K-means聚类，MYSQL数据库的基础上，提 出了一种基于机器视觉的太阳能板清洁系统，首先对不同清洁等级的太阳能板照片进行特征 提取，再结合K-means聚类方法确定相应的聚类中心和类别阈值；而后应用到实际现场中。 在整个过程中，将每次的判别信息储存于MYSQL数据库中，实现了对太阳能板持续性的监测， 同时通过相应的更新策略实现了模型在线升级优化，真正的实现智能化。为达此目的，本发 明提供一种基于机器视觉的太阳能板清洁系统，具体步骤如下，其特征在于：

步骤1，高清摄像机采集现场太阳能板照片，并通过WIFI上传至上位机；

步骤2，上位机程序对图片进行多维特征向量提取；

步骤3，计算多维特征向量与预先确定的各聚类中心的欧式距离；

步骤4，将最小的欧氏距离与该类别预先确定的阈值进行对比，如果比阈值低，则认为 属于该类别，同时将判断结果传送给清洁机器人和SQL数据库；否则，需要对图片和正确的 类别重新进行训练，更新各类别的聚类中心和阈值后回到步骤2；

步骤5，清洁机器人完成任务，并反馈给上位机；

步骤6，上位机将完成的信号通过WIFI传送至数据库；

步骤7，数据库清除待办任务，并检查此时是否有待办任务，如果有，将数据发送重新 发送至上位机程序，进入步骤2，否则，整个闭环过程结束。

进一步，步骤2中照片多维特征向量提取的具体步骤为：

步骤2.1，将摄像机拍摄的产品实物图进行灰度化处理，处理计算公式为：

F(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

式中，R,G,B分别代表图片的红绿蓝三颜色，F为灰度化后各像素点的值。

步骤2.2，求解F的平均值作为特征值f1，f1的计算公式如下：

步骤2.3，求解F的方差作为特征值f2，f2的计算公式如下：

步骤2.4，求解F的2阶原点矩作为特征值f3，f3的计算公式如下：

步骤2.5，计算F的直方图，仿照重心的定义，新定义分布重心f4，f4的计算公式如下：

式中，p_k是第直方图k个点对应的概率。

步骤2.6，将步骤2.2-2.5得到的特征量集合起来组成多维特征向量f，即：

f＝[f₁,f₂,f₃,f₄]

进一步，步骤3中计算多维特征向量f与预先确定的各聚类中心v的欧式距离：

具体的，步骤3中聚类中心v和阈值确定的步骤为：

步骤3.1，预先设定聚类中心的个数K，并初始化相应的聚类中心；

步骤3.2，计算剩余样本到每个聚类中心的欧氏距离并组成评价函数，同时将样本划 分到离它最近的聚类簇中，其中的误差平方评价函数E的表达式为：

式中，c_j表示第j个类别中的样本集合，v_j是c_j内所有样本点p_i的聚类中心点，K表示聚类个数。

步骤3.3，对调整后的类簇x进行类簇中心的更新，更新规则如下：

步骤3.4，反复迭代步骤3.2-3.3，直至误差平方评价函数收敛或者达到迭代次数，此 时确定各聚类中心。

步骤3.5，计算各聚类簇中样本至相应聚类中心的最大值，并以之作为该类簇的阈值。

本发明一种基于机器视觉的太阳能板清洁系统，有益效果：本发明的技术效果在于：

1.本发明对太阳能板实物图片首先进行灰度化，而后提取灰度图的均值、方差、2阶 原点矩和分布重心四个特征值，充分的挖掘了原始照片中的信息，使得K-means聚类求得的聚类中心和相应的阈值更加准确；

2.本发明新提出了一种模型在线更新策略，即：当现有的知识系统无法判别实际图片 的类别时，支持对现有的模型进行更新，此策略大大的提高了本系统实际应用的泛化性 和识别的准确性；

3.本发明建立了数据管理模块，利用MYSQL数据库对每次的产品质量的识别信息进行 存储和跟踪，实现了对太阳能板状态持续性的监测；

4.本发明通过合理有效的策略，有效的实现光伏产业中太阳能板的清洁，从而提高了 太阳能板的发电效率。

附图说明

图1为本发明的流程图；

图2为本发明对实际采集的太阳能板进行灰度处理前后的对比图；

图3为整个系统不同模块间的信息交互规则图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提出了一种基于机器视觉的太阳能板清洁系统，旨在实现光伏产业中太阳能 板智能清洁，以提高发电效率，同时实现模型在线优化升级，提高模型精度和泛化性。

图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。

步骤1，高清摄像机采集现场太阳能板照片，并通过WIFI上传至上位机；

步骤2，上位机程序对图片进行多维特征向量提取；

步骤2中照片多维特征向量提取的具体步骤为：

步骤2.1，将摄像机拍摄的产品实物图进行灰度化处理，处理计算公式为：

F(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

式中，R,G,B分别代表图片的红绿蓝三颜色，F为灰度化后各像素点的值。

步骤2.2，求解F的平均值作为特征值f1，f1的计算公式如下：

步骤2.3，求解F的方差作为特征值f2，f2的计算公式如下：

步骤2.4，求解F的2阶原点矩作为特征值f3，f3的计算公式如下：

步骤2.5，计算F的直方图，仿照重心的定义，新定义分布重心f4，f4的计算公式如下：

式中，p_k是第直方图k个点对应的概率。

步骤2.6，将步骤2.2-2.5得到的特征量集合起来组成多维特征向量f，即：

f＝[f₁,f₂,f₃,f₄]

步骤3，计算多维特征向量f与预先确定的各聚类中心v的欧式距离；

步骤3中欧式距离的计算公式如下：

具体的，步骤3中聚类中心v和阈值确定的步骤为：

步骤3.1，预先设定聚类中心的个数K，并初始化相应的聚类中心；

步骤3.2，计算剩余样本到每个聚类中心的欧氏距离并组成评价函数，同时将样本划 分到离它最近的聚类簇中，其中的误差平方评价函数E的表达式为：

式中，c_j表示第j个类别中的样本集合，v_j是c_j内所有样本点p_i的聚类中心点，K表示聚类个数。

步骤3.3，对调整后的类簇x进行类簇中心的更新，更新规则如下：

步骤3.4，反复迭代步骤3.2-3.3，直至误差平方评价函数收敛或者达到迭代次数，此 时确定各聚类中心。

步骤3.5，计算各聚类簇中样本至相应聚类中心的最大值，并以之作为该类簇的阈值。

步骤4，将最小的欧氏距离与该类别预先确定的阈值进行对比，如果比阈值低，则认为 属于该类别，同时将判断结果传送给清洁机器人和SQL数据库；否则，需要对图片和正确的 类别重新进行训练，更新各类别的聚类中心和阈值后回到步骤2；

步骤5，清洁机器人完成任务，并反馈给上位机；

步骤6，上位机将完成的信号通过WIFI传送至数据库；

步骤7，数据库清除待办任务，并检查此时是否有待办任务，如果有，将数据发送重新 发送至上位机程序，进入步骤2，否则，整个闭环过程结束。

图2为本发明对实际采集的太阳能板进行灰度处理前后的对比图。在实际情况下，不同 洁净程度的太阳能板的灰度图的对比度存在较大的差异，通过多维特征的提取和K-means确 定聚类中心与相应的阈值，可以有效的对不同洁净程度的太阳能板进行识别分类，从而控制 清洁机器人完成相应的动作，大大简化了清洁过程，提高了效率。

图3为整个系统不同模块间的信息交互示意图。可以清楚的看出，整个太阳能板清洁系统以无人机上的高清摄像机作为图像采集模块，借用WIFI作为信息传播的载体进行不同模块间信息交互，同时在上位机程序中写入核心策略，准确的实现太阳能板清洁度 的分类，并将识别结果传输至清洁机器人和MYSQL数据库，最后通过清洁机器人完成相 应的动作，实现太阳能板的清洁工作。另外，合理的设计了反馈机制，使得整个系统更 加智能化。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制， 而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.一种基于机器视觉的太阳能板清洁系统，具体步骤如下，其特征在于：

步骤1，高清摄像机采集现场太阳能板照片，并通过WIFI上传至上位机；

步骤2，上位机程序对图片进行多维特征向量提取；

步骤3，计算多维特征向量与预先确定的各聚类中心的欧式距离；

步骤4，将最小的欧氏距离与该类别预先确定的阈值进行对比，如果比阈值低，则认为属于该类别，同时将判断结果传送给清洁机器人和SQL数据库；否则，需要对图片和正确的类别重新进行训练，更新各类别的聚类中心和阈值后回到步骤2；

步骤5，清洁机器人完成任务，并反馈给上位机；

步骤6，上位机将完成的信号通过WIFI传送至数据库；

步骤7，数据库清除待办任务，并检查此时是否有待办任务，如果有，将数据发送重新发送至上位机程序，进入步骤2，否则，整个闭环过程结束。

2.根据权利要求1所述的一种基于机器视觉的太阳能板清洁系统，其特征在于：步骤2中照片多维特征向量提取的具体步骤为：

步骤2.1，将摄像机拍摄的产品实物图进行灰度化处理，处理计算公式为：

F(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

式中，R,G,B分别代表图片的红绿蓝三颜色，F为灰度化后各像素点的值。

步骤2.2，求解F的平均值作为特征值f1，f1的计算公式如下：

步骤2.3，求解F的方差作为特征值f2，f2的计算公式如下：

步骤2.4，求解F的2阶原点矩作为特征值f3，f3的计算公式如下：

步骤2.5，计算F的直方图，仿照重心的定义，新定义分布重心f4，f4的计算公式如下：

式中，p_k是第直方图k个点对应的概率。

步骤2.6，将步骤2.2-2.5得到的特征量集合起来组成多维特征向量f，即：

f＝[f₁,f₂,f₃,f₄] 。

3.根据权利要求1所述的一种基于机器视觉的太阳能板清洁系统，其特征在于：步骤3中计算多维特征向量f与预先确定的各聚类中心v的欧式距离的公式为：

具体的，步骤3中聚类中心v和阈值确定的步骤为：

步骤3.1，预先设定聚类中心的个数K，并初始化相应的聚类中心；

步骤3.2，计算剩余样本到每个聚类中心的欧氏距离并组成评价函数，同时将样本划分到离它最近的聚类簇中，其中的误差平方评价函数E的表达式为：

式中，c_j表示第j个类别中的样本集合，v_j是c_j内所有样本点p_i的聚类中心点，K表示聚类个数。

步骤3.3，对调整后的类簇x进行类簇中心的更新，更新规则如下：

步骤3.4，反复迭代步骤3.2-3.3，直至误差平方评价函数收敛或者达到迭代次数，此时确定各聚类中心。

步骤3.5，计算各聚类簇中样本至相应聚类中心的最大值，并以之作为该类簇的阈值。

Images