CN111563467A - 一种基于机器视觉的太阳能板清洁系统 - Google Patents
一种基于机器视觉的太阳能板清洁系统 Download PDFInfo
- Publication number
- CN111563467A CN111563467A CN202010402916.5A CN202010402916A CN111563467A CN 111563467 A CN111563467 A CN 111563467A CN 202010402916 A CN202010402916 A CN 202010402916A CN 111563467 A CN111563467 A CN 111563467A
- Authority
- CN
- China
- Prior art keywords
- solar panel
- follows
- upper computer
- clustering
- calculating
- 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.)
- Granted
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000003749 cleanliness Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/10—Cleaning arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Cleaning In General (AREA)
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
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,pk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,cj表示第j个类别中的样本集合,vj是cj内所有样本点pi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,pk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,cj表示第j个类别中的样本集合,vj是cj内所有样本点pi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,pk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,cj表示第j个类别中的样本集合,vj是cj内所有样本点pi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402916.5A CN111563467B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板清洁系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402916.5A CN111563467B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板清洁系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563467A true CN111563467A (zh) | 2020-08-21 |
CN111563467B CN111563467B (zh) | 2023-05-12 |
Family
ID=72070973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402916.5A Active CN111563467B (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板清洁系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563467B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112191632A (zh) * | 2020-09-27 | 2021-01-08 | 安徽铜冠智能科技有限责任公司 | 一种矿井储仓智能清理装置 |
CN112561857A (zh) * | 2020-11-17 | 2021-03-26 | 上海伯镭智能科技有限公司 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
CN112953378A (zh) * | 2021-02-04 | 2021-06-11 | 合肥阳光新能源科技有限公司 | 光伏组件清洗方法、巡检方法及清洗与巡检系统 |
EP4148985A1 (en) * | 2021-09-08 | 2023-03-15 | Siec Badawcza Lukasiewicz-Instytut Lotnictwa | System for remote identification of the state of photovoltaic panels with a cleaning arrangement |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777126A (zh) * | 2010-02-10 | 2010-07-14 | 华中科技大学 | 一种多维特征向量的聚类方法 |
CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
US20160267328A1 (en) * | 2015-03-09 | 2016-09-15 | Ricoh Company, Ltd. | Method and apparatus for detecting abnormal situation, and non-transitory computer-readable recording medium |
CN107182036A (zh) * | 2017-06-19 | 2017-09-19 | 重庆邮电大学 | 基于多维特征融合的自适应位置指纹定位方法 |
CN109408557A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种基于多重对应和K-means聚类的交通事故成因分析方法 |
-
2020
- 2020-05-13 CN CN202010402916.5A patent/CN111563467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777126A (zh) * | 2010-02-10 | 2010-07-14 | 华中科技大学 | 一种多维特征向量的聚类方法 |
CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
US20160267328A1 (en) * | 2015-03-09 | 2016-09-15 | Ricoh Company, Ltd. | Method and apparatus for detecting abnormal situation, and non-transitory computer-readable recording medium |
CN106033601A (zh) * | 2015-03-09 | 2016-10-19 | 株式会社理光 | 检测异常情形的方法和装置 |
CN107182036A (zh) * | 2017-06-19 | 2017-09-19 | 重庆邮电大学 | 基于多维特征融合的自适应位置指纹定位方法 |
CN109408557A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种基于多重对应和K-means聚类的交通事故成因分析方法 |
Non-Patent Citations (1)
Title |
---|
林琳;王越;周跃飞;: "基于聚类的图像拷贝检测技术仿真研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112191632A (zh) * | 2020-09-27 | 2021-01-08 | 安徽铜冠智能科技有限责任公司 | 一种矿井储仓智能清理装置 |
CN112191632B (zh) * | 2020-09-27 | 2021-09-17 | 安徽铜冠智能科技有限责任公司 | 一种矿井储仓智能清理装置 |
CN112561857A (zh) * | 2020-11-17 | 2021-03-26 | 上海伯镭智能科技有限公司 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
CN112953378A (zh) * | 2021-02-04 | 2021-06-11 | 合肥阳光新能源科技有限公司 | 光伏组件清洗方法、巡检方法及清洗与巡检系统 |
EP4148985A1 (en) * | 2021-09-08 | 2023-03-15 | Siec Badawcza Lukasiewicz-Instytut Lotnictwa | System for remote identification of the state of photovoltaic panels with a cleaning arrangement |
Also Published As
Publication number | Publication date |
---|---|
CN111563467B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563467B (zh) | 一种基于机器视觉的太阳能板清洁系统 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN113538391A (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 | |
Han et al. | Detection of faults in solar panels using deep learning | |
CN115564131A (zh) | 一种基于图像识别神经网络的光伏发电功率预测方法 | |
CN106897998A (zh) | 太阳能直射辐射强度信息预测方法和系统 | |
CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
Ayyagari et al. | Simultaneous detection and classification of dust and soil on solar photovoltaic arrays connected to a large-scale industry: A case study | |
CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及系统 | |
CN113496210B (zh) | 基于注意力机制的光伏组串跟踪及故障跟踪方法 | |
CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
Heng et al. | Anti-vibration hammer detection in UAV image | |
CN115115139A (zh) | 一种风电功率的实时预测方法 | |
CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
CN114092838A (zh) | 一种基于深度学习目标检测的光伏缺陷检测方法 | |
CN113935549B (zh) | 一种综合智慧能源优化调度系统 | |
Liu et al. | SS-IPLE: Semantic segmentation of electric power corridor scene and individual power lines extraction from UAV-based Lidar point cloud | |
CN113284103A (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测系统 | |
Cao et al. | IDS-Net: Integrated Network for Identifying Dust State of Photovoltaic Panels | |
CN112183805B (zh) | 一种输电线路在线巡视结果状态的预测方法 | |
CN108022240B (zh) | 基于多种群联合演化的螺旋叶片图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |