CN112116570A - 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 - Google Patents
基于人工智能的光伏电池板eva黄化程度检测方法及其系统 Download PDFInfo
- Publication number
- CN112116570A CN112116570A CN202010958451.1A CN202010958451A CN112116570A CN 112116570 A CN112116570 A CN 112116570A CN 202010958451 A CN202010958451 A CN 202010958451A CN 112116570 A CN112116570 A CN 112116570A
- Authority
- CN
- China
- Prior art keywords
- image
- yellowing
- etiolation
- region
- area
- 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.)
- Withdrawn
Links
- 238000004383 yellowing Methods 0.000 title claims abstract description 217
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000027772 skotomorphogenesis Effects 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 2
- DQXBYHZEEUGOBF-UHFFFAOYSA-N but-3-enoic acid;ethene Chemical compound C=C.OC(=O)CC=C DQXBYHZEEUGOBF-UHFFFAOYSA-N 0.000 description 25
- 239000005038 ethylene vinyl acetate Substances 0.000 description 25
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 25
- 238000012545 processing Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010030 laminating Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000004831 Hot glue Substances 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 239000003431 cross linking reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229920006342 thermoplastic vulcanizate Polymers 0.000 description 1
- 239000005341 toughened glass Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的光伏电池板EVA黄化程度检测方法及其系统,涉及光伏电池板故障检测领域。该方法包括如下步骤:采集光伏电池板表面图像数据,所述图像数据包括初始图像和黄化图像;提取所述黄化图像和所述初始图像的特征信息;将所述特征信息与所述黄化图像输入语义分割网络模型中,输出黄化区域二值图像;利用分水岭算法将所述黄化区域二值图像分为N个黄化区域;获取黄化图像对应黄化区域的亮度图像,并依照亮度程度分割所述亮度图像;根据亮度程度以及不同亮度程度所对应的面积计算黄化区域整体的黄化程度。实现了对黄化区域中存在有不同黄化程度部分的检测,并且能够根据检测结果获取黄化区域的整体黄化程度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的光伏电池板EVA黄化程度检测方法及其系统。
背景技术
随着新能源的兴起,太阳能发电相关的技术也不断进步。其中太阳能光伏电池板作为发电设备被广泛应用于各种发电场景。太阳能层压板或太阳能电池板是用单晶硅电池片,或多晶硅电池片,超白钢化玻璃,TPT,EVA经过太阳能板层压机高温层压,将这些材料层压在一起而成,因此得名太阳能层压板。EVA是一种热融胶粘剂,厚度在0.4毫米du-0.6毫米之间,表面平整,厚度均匀,内含交联剂。常温下无黏性且具抗黏性,经过一定调价热压便发生熔融粘接与交联固化,并变的完全透明。但是在自然环境和时间的影响下EVA薄膜会逐渐变黄,这种变黄的现象称为EVA的黄化,当黄化程度过高时会对光伏组件的发电能力有巨大的影响。
但是因环境、光照和黄化区域叠加等因素的影响,黄化区域中存在不同的黄化程度,且黄化区域一般时没有明显的边缘,有着渐变区域,而且黄化区域呈现在电池板的玻璃之下,受硅片的颜色和光的折射的影响,这些黄化区域的特征会非常弱、不易分辨。而目前针对这些不同的黄化程度没有系统的检测和判断方法。
发明内容
为解决上述问题,本发明设计基于人工智能的光伏电池板EVA黄化程度检测方法,采用如下技术方案:
第一方面,本发明一个实施例提供了一种基于人工智能的光伏电池板EVA黄化程度检测方法,包括以下步骤:
采集光伏电池板表面图像数据,所述图像数据包括初始图像和黄化图像;所述初始图像为未黄化的图像,所述黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像;
提取所述黄化图像和所述初始图像的特征信息;
将所述特征信息与所述黄化图像输入语义分割网络模型中,输出黄化区域二值图像,所述黄化区域二值图像中包括N个连通域;
将所述黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域;
获取所述黄化图像对应所述黄化区域Mn的亮度图像,所述亮度图像中黄化区域的各像素点与所述黄化图像对应的像素点的像素值相同,其他区域像素值为零;
根据亮度图像中亮度程度的差异设置阈值,将所述亮度图像分割为多个分割亮度图像,所述多个分割亮度图像亮度程度不同;
计算每个所述分割亮度图像的非零像素点的平均亮度、所述非零像素点所占面积与所述黄化区域Mn的面积比;
所述黄化区域Mn的黄化程度Ln由如下公式计算得出:
其中,K为所述分割亮度图像的数量;Bk为所述分割亮度图像的非零像素点的平均亮度;Ck为所述分割亮度图像非零像素点所占面积与所述黄化区域Mn的面积比。
优选的,提取所述黄化图像和所述初始图像的特征的方法包括:
获取所述初始图像的初始色相信息以及所述黄化图像的黄化色相信息;
将所述黄化色相信息经过三层高斯金字塔下采样;
将所述高斯金字塔的第二层与第三层分别上采样至所述黄化图像尺寸大小,分别获得第二层黄化色相信息和第三层黄化色相信息;
将H0、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,所述特征图包含黄化区域的特征信息;其中H0表示初始色相信息、H1表示黄化色相信息、H2表示第二层黄化色相信息H3表示第三层黄化色相信息。
优选的,包括根据所述黄化区域和所述黄化程度得到电池板的损毁程度:
计算所述黄化区域Mn的质心位置;
根据质心位置获取所述黄化区域Mn两两之间的质心距离;
计算电池板的损毁程度D:
其中,AD为电池板的表面积;An为所述黄化区域Mn的面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为所述质心距离中的三个最小距离;
其中,Vai、Vaj、Vam、Van、Vax、Vay分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域面积的生长速率,Vli、Vlj、Vlm、Vln、Vlx、Vly分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域的黄化程度增长速率。
优选的,黄化区域Mn的质心位置计算方法包括:
获取黄化区域Mn的像素的中心坐标的位置;
计算黄化区域Mn中非零像素相对所述中心坐标的位置r(i,j);
其中,S(i,j)表示所述亮度图像的(i,j)坐标处的像素值。
第二方面,本发明另一个实施例提供了一种基于人工智能的光伏电池板EVA黄化程度检测系统,该系统包含:
图像采集单元,用于采集光伏电池板表面图像数据,所述图像数据包括初始图像和黄化图像;所述初始图像为未黄化的图像,所述黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像;
特征提取单元,用于提取所述黄化图像和所述初始图像的特征信息;
语义分割单元,用于将所述特征信息与所述黄化图像输入语义分割网络模型中,输出黄化区域二值图像,所述黄化区域二值图像中包括N个连通域;
黄化区域划分单元,用于将所述黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域;
亮度图像获取单元,用于获取所述黄化图像对应所述黄化区域Mn的亮度图像,所述亮度图像中黄化区域的各像素点与所述黄化图像对应的像素点的像素值相同,其他区域像素值为零;
亮度图像分割单元,用于根据亮度图像中亮度程度的差异设置阈值,将所述亮度图像分割为多个分割亮度图像,所述多个分割亮度图像亮度程度不同;以及
黄化程度计算单元,用于计算每个所述分割亮度图像的非零像素点的平均亮度、所述非零像素点所占面积与所述黄化区域Mn的面积比;
所述黄化区域Mn的黄化程度Ln由如下公式计算得出:
其中,K为所述分割亮度图像的数量;Bk为所述分割亮度图像的非零像素点的平均亮度;Ck为所述分割亮度图像非零像素点所占面积与所述黄化区域Mn的面积比。
优选的,特征提取单元包括:
色相信息获取模块,用于获取所述初始图像的初始色相信息以及所述黄化图像的黄化色相信息;
下采样模块,用于将所述黄化色相信息经过三层高斯金字塔下采样;
上采样模块,用于将所述高斯金字塔的第二层与第三层分别上采样至所述黄化图像尺寸大小,分别获得第二层黄化色相信息和第三层黄化色相信息;以及
特征融合模块,用于将H0、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,所述特征图包含黄化区域的特征信息;其中H0表示初始色相信息、H1表示黄化色相信息、H2表示第二层黄化色相信息H3表示第三层黄化色相信息。
优选的,该系统还包括电池板损毁程度检测单元:
质心位置获取模块,用于计算所述黄化区域Mn的质心位置;
质心距离获取模块,用于根据质心位置获取所述黄化区域Mn两两之间的质心距离;以及
损毁程度计算模块,用于计算电池板的损毁程度D:
其中,AD为电池板的表面积;An为所述黄化区域Mn的面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为所述质心距离中的三个最小距离;
其中,Vai、Vaj、Vam、Van、Vax、Vay分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域面积的生长速率,Vli、Vlj、Vlm、Vln、Vlx、Vly分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域的黄化程度增长速率;所述黄化区域面积生长速率和所述黄化区域的黄化程度增长速率根据设置时间间隔采样求取一次增长速率,多次增长速率求平均值后获得。
优选的,质心位置获取模块包括:
中心坐标获取模块,用于获取黄化区域Mn的像素的中心坐标的位置;
相对中心坐标获取模块,用于计算黄化区域Mn中非零像素相对所述中心坐标的位置r(i,j);
其中,S(i,j)表示所述亮度图像的(i,j)坐标处的像素值。
本发明至少具有如下有益效果:
本方法通过语义分割获取光伏电池板EVA黄化区域,然后获取黄化图像对应黄化区域的亮度图像,并依照亮度程度分割所述亮度图像;根据亮度程度以及不同亮度程度所对应的面积表示黄化区域整体的黄化程度;并且通过统计多次相同时间间隔的黄化区域面积序列和黄化程度序列,计算黄化区域面积生长率和黄化程度增长率,并根据相关数据计算电池板的损毁程度。实现了对黄化区域中存在有不同黄化程度部分的检测,并且能够根据检测结果获取黄化区域的整体黄化程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1是本发明实施例提供的基于人工智能的光伏电池板EVA黄化程度检测方法示意图;
图2是本发明实施例提供的基于人工智能的光伏电池板EVA黄化程度检测方法流程图;
图3是本发明实施例提供的基于人工智能的光伏电池板EVA黄化程度检测系统结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种光伏电池板EVA黄化检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种光伏电池板EVA黄化程度检测方法的具体方案。
请参阅图1和图2,图1示出了本发明一个实施例提供的光伏电池板EVA黄化程度检测方法示意图,图2示出了本发明一个实施例提供的光伏电池板EVA黄化程度检测方法流程图。
一种光伏电池板EVA黄化程度检测方法,其流程如图2所示,包括如下步骤:
步骤1:采集光伏电池板表面图像数据,图像数据包括初始图像和黄化图像;初始图像为未黄化的图像,黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像;
步骤2:提取黄化图像和初始图像的特征信息;
步骤3:将特征信息与黄化图像输入语义分割网络模型中,输出黄化区域二值图像,黄化区域二值图像中包括N个连通域;
步骤4:将黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域;
步骤5:获取黄化图像对应黄化区域Mn的亮度图像,亮度图像中黄化区域的各像素点与黄化图像对应的像素点的像素值相同,其他区域像素值为零;
步骤6:根据亮度图像中亮度程度的差异设置阈值,将亮度图像分割为多个分割亮度图像,多个分割亮度图像亮度程度不同;
步骤7:计算每个分割亮度图像的非零像素点的平均亮度、非零像素点所占面积与黄化区域Mn的面积比;
步骤8:黄化区域Mn的黄化程度Ln由如下公式计算得出:
其中,K为分割亮度图像的数量;Bk为分割亮度图像的非零像素点的平均亮度;Ck为分割亮度图像非零像素点所占面积与黄化区域Mn的面积比。
综上所述,本发明实施例提供了一种光伏电池板EVA黄化程度检测方法,本方法通过语义分割获取光伏电池板EVA黄化区域,然后获取黄化图像对应黄化区域的亮度图像,并依照亮度程度分割所述亮度图像;根据亮度程度以及不同亮度程度所对应的面积表示黄化区域整体的黄化程度;并且通过统计多次相同时间间隔的黄化区域面积序列和黄化程度序列,计算黄化区域面积生长率和黄化程度增长率,并根据相关数据计算电池板的损毁程度。实现了对黄化区域中存在有不同黄化程度部分的检测,并且能够根据检测结果获取黄化区域的整体黄化程度。
实施例1:
以K等于3为例,具体的:
本实施例的步骤1中,黄化图像的采集方式为在清扫机器人上安装先扫描相机,清扫机器人匀速沿着光伏电池板的表面运动,并且在固定的时间段采集光伏电池板表面的图像数据。所采集的图像数据中存在有黄化区域的图像为黄化图像。初始图像的采集方式为光伏电站刚安装好之后获取的图像数据,这些图像认为是没有黄化区域的图像。
本实施例的步骤2中,提取采集图像数据的特征信息,首先获取初始图像的初始色相信息H0以及黄化图像的黄化色相信息H1。然后将黄化色相信息经过三层高斯金字塔下采样,将高斯金字塔的第二层与第三层分别上采样至黄化图像尺寸大小,分别获得第二层黄化色相信息H2和第三层黄化色相信息H3。然后将HO、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,特征图包含黄化区域的特征信息。
本实施例的步骤3中,语义分割网络模型包括第一编码器(Encoderl)、第二编码器(Encoder2)、第三编器(Encoder3)和解码器(Decoder),具体的:
黄化图像经过第一编码器处理,获得黄化图像特征信息;
步骤2中获得的特征图经过第三编码器处理,获得色相特征信息;
黄化图像特征信息与色相特征信息经过第二编码器处理,获得黄化区域特征信息;
黄化区域特征信息经过解码器处理,输出黄化区域。
本实施例的步骤4中,利用分水岭算法将M分为N个通道,N为连通域的个数,第n个通道Mn表示M上的第n个连通域,即第n个黄化区域。
本实施例的步骤5中,获取黄化图像对应黄化区域Mn的亮度图像:
1)将黄化图像归一化处理。
2)将输出黄化区域按如下公式进行二值化处理,得到输出黄化图像二值图像:
3)获取归一化后的黄化图像的亮度图像,记为S0,将S0也进行归一化处理。设黄化区域Mn的亮度图像为S,那么有:
S=S0×Mn
再对亮度图像S的像素按如下方法进行归一化处理,目的是调整图像S的像素值对比度,使像素值小的亮度更小,像素值大的更大,该归一化方法只考虑非零像素值:
其中,S(x,y)表示图像S的(x,y)处的像素值。α、β是超参数,α其值越大图像S的像素值差异就越大。本实施例中,α=9、β=4.5。
本实施例的步骤6中,根据黄化区域Mn的亮度图像中亮度程度不同,分割出三个分割亮度图像:
获得两个阈值t1、t2:
t1表示的是亮度图像S中最大像素差值的三分之一,t2表示的是图像S中最大像素差值的三分之二。
为了将亮度图像S按亮度(像素值)的大小分为不同的亮度区,根据t1、t2进行阈值分割:
其中,nS1、nS2、nS3表示分割亮度图像S1、S2、S3的非零像素个数,S1(i,j)、S2(i,j)、S3(i,j)分别表示分割亮度图像S1、S2、S3在(x,y)处的像素值。An表示黄化区域Mn的面积,其中系数a,b,c反映的是不同亮度区域的面积的大小占比特征。的面积分别为A1n、A2n。
本实施例的步骤7和步骤8中,黄化区域的亮度越高、亮度高的区域越大,则黄化程度越大。不过当次亮的区域面积足够大时,虽然亮度高的区域面积小,但也是有着高的黄化程度的。因此,黄化程度和高亮区域的面积大小以及亮度的均值存在非线性关系。获得黄化区域Mn的黄化程度Ln:
进一步的,每隔30次采样时间计算一个生长速率,获得20个这样的生长速率,然后将这20个生长速率的均值作为最终的面积生长速率Van、黄化程度增长速率:设黄化区域Mn黄化面积序列数据为Ant:{An1,An2,An3,......,Ant},黄化区域的黄化程度序列为Lnt:{Ln1,Ln2,ALn3,......,Lnt}。Ant为黄化区域Mn在第t次采样时的面积,Lnt为黄化区域Mn在第t次采样时的黄化程度。在本实施例中,t=60。
计算黄化区域的面积生长速率:
计算黄化区域的黄化程度的增长速率:
进一步的,根据黄化区域面积生长速率和黄化区域的黄化程度增长速率计算电池板的损毁程度D:
1)获取光伏电池板每个黄化区域的质心位置,以下均对非零像素计算:
计算黄化区域Mn中非零像素相对中心坐标的位置:
2)计算黄化区域Mn两两之间的质心距离H:
3)计算光伏电池板的损毁程度D,AD表示电池板的面积:
其中,AD为电池板的表面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为质心距离中的三个最小距离。
其中,Vai表示第i个黄化区域面积的生长速率、Vaj表示第j个黄化区域面积的生长速率、Vam表示第m个黄化区域面积的生长速率、Van表示第n个黄化区域面积的生长速率、Vax表示第x个黄化区域面积的生长速率、Vay表示第y个黄化区域面积的生长速率。Vai表示第i个黄化区域的黄化程度的增长速率、Vaj表示第j个黄化区域的黄化程度的增长速率、Vam表示第m个黄化区域的黄化程度的增长速率、Van表示第n个黄化区域的黄化程度的增长速率、Vax表示第x个黄化区域的黄化程度的增长速率、Vay表示第y个黄化区域的黄化程度的增长速率。
巡检人员根据电池板的损毁程度D判断电池板EVA老化情况,及时更换电池板,防止出现严重的后果。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种光伏电池板EVA黄化程度检测系统。
请参阅图3,该光伏电池板EVA黄化程度检测系统100包括图像采集单元101、特征提取单元102、语义分割单元103、黄化区域划分单元104、亮度图像获取单元105、亮度图像分割单元106和黄化程度计算单元107。
具体的,图像采集单元101用于采集光伏电池板表面图像数据,图像数据包括初始图像和黄化图像;初始图像为未黄化的图像,黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像。特征提取单元102用于提取黄化图像和初始图像的特征信息。语义分割单元103用于将特征信息与黄化图像输入语义分割网络模型中,输出黄化区域二值图像,黄化区域二值图像中包括N个连通域。恍惚区域划分单元104用于将黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域。亮度图像获取单元105用于获取黄化图像对应黄化区域Mn的亮度图像,亮度图像中黄化区域的各像素点与黄化图像对应的像素点的像素值相同,其他区域像素值为零。亮度图像分割单元106用于根据亮度图像中亮度程度的差异设置阈值,将亮度图像分割为多个分割亮度图像,多个分割亮度图像亮度程度不同。黄化程度计算单元107用于计算每个分割亮度图像的非零像素点的平均亮度、非零像素点所占面积与黄化区域Mn的面积比,黄化区域Mn的黄化程度Ln由如下公式计算得出:
进一步的,特征提取单元具体包括:色相信息获取模块用于获取初始图像的初始色相信息以及黄化图像的黄化色相信息。采样模块用于将黄化色相信息经过三层高斯金字塔下采样。上采样模块用于将高斯金字塔的第二层与第三层分别上采样至黄化图像尺寸大小,分别获得第二层黄化色相信息和第三层黄化色相信息。特征融合模块用于将H0、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,特征图包含黄化区域的特征信息;其中H0表示初始色相信息、H1表示黄化色相信息、H2表示第二层黄化色相信息H3表示第三层黄化色相信息。
进一步的,该系统还包括电池板损毁程度检测单元,包括:
质心位置获取模块用于计算黄化区域Mn的质心位置。质心距离获取模块用于根据质心位置获取黄化区域Mn两两之间的质心距离。损毁程度计算模块用于计算电池板的损毁程度D:
其中,AD为电池板的表面积;An为黄化区域Mn的面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为质心距离中的三个最小距离;
其中,Vai、Vaj、Vam、Van、Vax、Vay分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域面积的生长速率,Vli、Vlj、Vlm、Vln、Vlx、Vly分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域的黄化程度增长速率;黄化区域面积生长速率和黄化区域的黄化程度增长速率根据设置时间间隔采样求取一次增长速率,多次增长速率求平均值后获得。
进一步的,所述质心位置获取模块包括:
中心坐标获取模块,用于获取黄化区域Mn的像素的中心坐标的位置;
相对中心坐标获取模块,用于计算黄化区域Mn中非零像素相对所述中心坐标的位置r(i,j);
其中,S(i,j)表示所述亮度图像的(i,j)坐标处的像素值。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于人工智能的光伏电池板EVA黄化程度检测方法,其特征在于,包含以下步骤:
采集光伏电池板表面图像数据,所述图像数据包括初始图像和黄化图像;所述初始图像为未黄化的图像,所述黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像;
提取所述黄化图像和所述初始图像的特征信息;
将所述特征信息与所述黄化图像输入语义分割网络模型中,输出黄化区域二值图像,所述黄化区域二值图像中包括N个连通域;
将所述黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域;
获取所述黄化图像对应所述黄化区域Mn的亮度图像,所述亮度图像中黄化区域的各像素点与所述黄化图像对应的像素点的像素值相同,其他区域像素值为零;
根据亮度图像中亮度程度的差异设置阈值,将所述亮度图像分割为多个分割亮度图像,所述多个分割亮度图像亮度程度不同;
计算每个所述分割亮度图像的非零像素点的平均亮度、所述非零像素点所占面积与所述黄化区域Mn的面积比;
所述黄化区域Mn的黄化程度Ln由如下公式计算得出:
其中,K为所述分割亮度图像的数量;Bk为所述分割亮度图像的非零像素点的平均亮度;Ck为所述分割亮度图像非零像素点所占面积与所述黄化区域Mn的面积比。
2.如权利要求1所述的基于人工智能的光伏电池板EVA黄化程度检测方法,其特征在于,所述提取所述黄化图像和所述初始图像的特征的方法包括:
获取所述初始图像的初始色相信息以及所述黄化图像的黄化色相信息;
将所述黄化色相信息经过三层高斯金字塔下采样;
将所述高斯金字塔的第二层与第三层分别上采样至所述黄化图像尺寸大小,分别获得第二层黄化色相信息和第三层黄化色相信息;
将H0、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,所述特征图包含黄化区域的特征信息;其中H0表示初始色相信息、H1表示黄化色相信息、H2表示第二层黄化色相信息H3表示第三层黄化色相信息。
3.根据权利要求1所述的基于人工智能的光伏电池板EVA黄化程度检测方法,其特征在于,该方法还包括根据所述黄化区域和所述黄化程度得到电池板的损毁程度,包括:
计算所述黄化区域Mn的质心位置;
根据质心位置获取所述黄化区域Mn两两之间的质心距离;
计算电池板的损毁程度D:
其中,AD为电池板的表面积;An为所述黄化区域Mn的面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为所述质心距离中的三个最小距离;
其中,Vai、Vaj、Vam、Van、Vax、Vay分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域面积的生长速率,Vli、Vlj、Vlm、Vln、Vlx、Vly分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域的黄化程度增长j塞率。
5.一种基于人工智能的光伏电池板EVA黄化程度检测系统,其特征在于,该系统包含:
图像采集单元,用于采集光伏电池板表面图像数据,所述图像数据包括初始图像和黄化图像;所述初始图像为未黄化的图像,所述黄化图像是按照预设的时间间隔采集的包含有黄化区域的图像;
特征提取单元,用于提取所述黄化图像和所述初始图像的特征信息;
语义分割单元,用于将所述特征信息与所述黄化图像输入语义分割网络模型中,输出黄化区域二值图像,所述黄化区域二值图像中包括N个连通域;
黄化区域划分单元,用于将所述黄化区域二值图像分为N个黄化区域,以Mn表示第n个黄化区域;
亮度图像获取单元,用于获取所述黄化图像对应所述黄化区域Mn的亮度图像,所述亮度图像中黄化区域的各像素点与所述黄化图像对应的像素点的像素值相同,其他区域像素值为零;
亮度图像分割单元,用于根据亮度图像中亮度程度的差异设置阈值,将所述亮度图像分割为多个分割亮度图像,所述多个分割亮度图像亮度程度不同;以及
黄化程度计算单元,用于计算每个所述分割亮度图像的非零像素点的平均亮度、所述非零像素点所占面积与所述黄化区域Mn的面积比;
所述黄化区域Mn的黄化程度Ln由如下公式计算得出:
其中,K为所述分割亮度图像的数量;Bk为所述分割亮度图像的非零像素点的平均亮度;Ck为所述分割亮度图像非零像素点所占面积与所述黄化区域Mn的面积比。
6.如权利要求5所述的基于人工智能的光伏电池板EVA黄化程度检测系统,其特征在于,所述特征提取单元包括:
色相信息获取模块,用于获取所述初始图像的初始色相信息以及所述黄化图像的黄化色相信息;
下采样模块,用于将所述黄化色相信息经过三层高斯金字塔下采样;
上采样模块,用于将所述高斯金字塔的第二层与第三层分别上采样至所述黄化图像尺寸大小,分别获得第二层黄化色相信息和第三层黄化色相信息;以及
特征融合模块,用于将H0、H1-H0、H2-H3这三个通道的图像数据进行多层特征融合,获得黄化区域的特征图,所述特征图包含黄化区域的特征信息;其中H0表示初始色相信息、H1表示黄化色相信息、H2表示第二层黄化色相信息H3表示第三层黄化色相信息。
7.根据权利要求5所述的基于人工智能的光伏电池板EVA黄化程度检测系统,其特征在于,该系统还包括电池板损毁程度检测单元,包括:
质心位置获取模块,用于计算所述黄化区域Mn的质心位置;
质心距离获取模块,用于根据质心位置获取所述黄化区域Mn两两之间的质心距离;以及
损毁程度计算模块,用于计算电池板的损毁程度D:
其中,AD为电池板的表面积;An为所述黄化区域Mn的面积;W是一个调整因子:
其中,Hij表示第i个黄化区域与第j个黄化区域的质心距离、Hmn表示第m个黄化区域与第n个黄化区域的质心距离、Hxy表示第x个黄化区域与第y个黄化区域的质心距离,Hij、Hmn、Hxy的取值为所述质心距离中的三个最小距离;
其中,Vai、Vaj、Vam、Van、Vax、Vay分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域面积的生长速率,Vli、Vlj、Vlm、Vln、Vlx、Vly分别表示相对应的第i个、第j个、第m个、第n个、第x个、第y个黄化区域的黄化程度增长速率;所述黄化区域面积生长速率和所述黄化区域的黄化程度增长速率根据设置时间间隔采样求取一次增长速率,多次增长速率求平均值后获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958451.1A CN112116570A (zh) | 2020-09-12 | 2020-09-12 | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958451.1A CN112116570A (zh) | 2020-09-12 | 2020-09-12 | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116570A true CN112116570A (zh) | 2020-12-22 |
Family
ID=73802870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958451.1A Withdrawn CN112116570A (zh) | 2020-09-12 | 2020-09-12 | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470021A (zh) * | 2021-09-01 | 2021-10-01 | 南通华锐软件技术有限公司 | 一种基于人工智能的光伏电池板eva黄化检测方法及系统 |
-
2020
- 2020-09-12 CN CN202010958451.1A patent/CN112116570A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470021A (zh) * | 2021-09-01 | 2021-10-01 | 南通华锐软件技术有限公司 | 一种基于人工智能的光伏电池板eva黄化检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884064B (zh) | 一种基于神经网络的目标检测与识别方法 | |
CN108520516A (zh) | 一种基于语义分割的桥梁路面裂缝检测和分割方法 | |
CN111062892A (zh) | 一种基于复合残差网络和深层监督的单幅图像去雨方法 | |
CN115457004B (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
CN113627228B (zh) | 一种基于关键点回归与多尺度特征融合的车道线检测方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN114022420A (zh) | 一种自动识别光伏电池el组件缺陷的检测方法 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN112116570A (zh) | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 | |
CN110210060A (zh) | 太阳能光伏板表面积灰程度的预测方法 | |
CN113223044A (zh) | 一种结合特征聚合和注意力机制的红外视频目标检测方法 | |
Tian et al. | Image defect detection and segmentation algorithm of solar cell based on convolutional neural network | |
CN114283137A (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
CN115082744A (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
Wang et al. | Efficient and refined deep convolutional features network for the crack segmentation of solar cell electroluminescence images | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN107123108B (zh) | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN117475134A (zh) | 基于多尺度跨层特征融合网络的伪装目标检测算法 | |
CN116797582A (zh) | 基于改进Yolov7网络模型检测光伏电池缺陷的方法及装置 | |
CN112330639A (zh) | 一种用于彩色-热红外图像的显著性检测方法 | |
CN112102236A (zh) | 一种基于深度两阶段的多晶隐裂检测方法 | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201222 |
|
WW01 | Invention patent application withdrawn after publication |