CN112132823A - 一种基于人工智能的光伏电池图像局部光照不均处理方法 - Google Patents

Abstract

本发明提出一种基于人工智能的光伏电池图像局部光照不均处理方法。采集光伏电池板原始图像，通过关键点检测网络检测光伏电池板栅线的交点并得到关键点热力图。根据一定规则将关键点连接起来，得到包含若干个栅格区域的ImageA。计算各栅格区域图像V通道均值，统计得出标准明度值；对比各栅格区域图像的

和标准明度值，判断栅格区域图像光照是否正常；对ImageA进行二值化处理并进行连通域分析，得到若干个光照异常连通域；根据连通域中像素点数量判断连通域是疑似异物区域还是阴影区域；进一步地，计算疑似异物区域的异物指标，判断是否为异物区域。

Description

一种基于人工智能的光伏电池图像局部光照不均处理方法

技术领域

本申请涉及计算机视觉领域，具体涉及一种基于人工智能的光伏电池图像局部光照不均处理方法。

背景技术

对于光照不均匀的光伏电池板图像，需要对光照不均匀的区域进行匀光处理，但匀光处理会丢失光伏电池上鸟粪、树叶等异物的信息，所以如何在识别光照不均匀的区域的同时将异物区域区分出来，对更好地进行匀光处理有积极意义。

2015年10月7日公开的“CN 103712685 B”公开了光伏阵列辐照度测量识别方法，其提前标记好光伏组件的边框，使用相机采集光伏阵列图像，以光伏组件的边框的灰度值代表整个光伏组件的灰度值，根据灰度值的均方差大小判断是否光照均匀。该方法的不足在于：整体判断是否光照均匀，若在几个较小的栅格区域有光照不均的情况，会误判为光照均匀。且无法区分出存在异物的区域。

发明内容

针对以上问题，本发明提出一种基于人工智能的光伏电池图像局部光照不均处理方法。采集光伏电池板原始图像，通过关键点检测网络检测光伏电池板栅线的交点，得到关键点热力图,根据一定规则将关键点连接起来，得到包含若干个栅格区域的ImageA。计算各栅格区域图像V通道均值，统计得出标准明度值，对比各栅格区域图像的

和标准明度值，判断栅格区域图像光照是否正常；对ImageA进行二值化处理并进行连通域分析，得到若干个光照异常连通域，根据连通域中像素点数量判断连通域是疑似异物区域还是阴影区域；进一步地，计算疑似异物区域的异物指标，判断是否为异物区域。

一种基于人工智能的光伏电池图像局部光照不均处理方法，其特征在于，该方法包括：

步骤S1：采集光伏电池板区域的RGB图像，输出原始图像；将原始图像输入关键点检测网络，检测栅线交点，输出关键点热力图；根据栅线交点坐标划分出栅格区域，得到包含N个栅格区域图像的ImageA。

步骤S2：将ImageA转化为HSV空间，计算ImageA中各个栅格区域图像的V通道均值，得到V通道均值序列

n取值范围为[1,N],根据

的分布确定标准明度值V_s；

步骤S3:对比栅格区域图像的

和标准明度值V_s，判断栅格区域图像是否光照正常，并对ImageA进行二值化处理和连通域分析，得到若干个光照异常连通域，根据连通域包含的像素数量判断连通域是疑似异物区域还是阴影区域。

步骤S4:根据γ＝a₁ ^{|Gray-Gray′|}a₂ ^{|value-value′|}a₃ ^Hue′-Hue计算ImageA中疑似异物区域的异物指标并判断疑似异物区域是否为异物区域；ImageA中疑似异物区域像素的灰度均值为Gray、H通道均值为Hue、V通道均值为value；ImageA中光照正常区域图像像素的灰度均值为Gray′、H通道均值为Hue′、V通道均值为value′；a₁为灰度放缩系数、a₂为明度放缩系数。

所述关键点检测网络的训练方法包括：以相机采集的若干张原始图像为数据集；人工标注出数据集中的栅线交点，生成标注数据；使用均方误差损失函数进行网络训练。

所述确定标准明度值V_s的方法包括：对

进行直方图统计，得到频数最高的区间S，将区间S的中值作为标准明度值V_s。

所述判断栅格图像是否为光照正常区域图像的方法包括：计算各栅格图像V通道均值

与标准明度值V_s的方差β，设置经验方差阈值m₂，当β≥m₂时，判定该栅格图像为光照异常区域图像；当β＜m₂时，判定该栅格图像为光照正常区域图像。

其特征在于，所述二值化处理的方法包括：将光照异常区域内像素灰度值设为255，将光照正常区域内像素灰度值设为0。

所述判断连通域是疑似异物区域还是阴影区域的方法包括：统计各个连通域包含的像素数量Q_b，b为连通域编号，设置像素数量阈值m₃，当Q_b≥m₃时，判定该连通域为阴影区域；当Q_b＜m₃时，判定该连通域为疑似异物区域。

所述判断疑似异物区域是否为异物区域包括：设置经验异物指标阈值m₄，当γ≥m₄时，判定疑似异物区域为异物区域；当γ<m₄时，判定疑似异物区域为阴影区域。

本发明和现有技术相比有如下有益效果：

(1)通过检测出的栅线交点将光伏电池板分成若干个栅格区域，检测栅格区域是否光照异常，再通过连通域分析得到光照异常的区域，减少了漏检的情况。且可以对异物区域进行准确的定位，方便清除光伏电池上的异物。

(2)根据连通域中像素数量判断连通域为光照异常区域还是疑似异物区域，避免异物区域被误检为阴影区域。

(3)构建异物指标计算模型，根据疑似异物区域的栅格区域图像和光照均匀的栅格区域图像的灰度均值、H通道均值、V通道均值计算异物指标，并判断疑似异物区域内是否有异物，区分出阴影区域和异物区域，有利于进行匀光处理。

附图说明

图1为方法流程图。

图2为栅格区域示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一：

本发明的主要目的是实现对光伏电池板光照异常区域及异物区域的检测识别。

为了实现本发明所述内容，本发明设计了一种基于人工智能的光伏电池图像局部光照不均处理方法，方法流程图如图1所示。

步骤S1：

设置相机拍摄光伏电池板的RGB图像，经一定预处理降低噪声后，输出原始图像。

本发明需要检测每个栅格区域是否光照异常，为了划分出栅格区域，需要获得栅线交点的坐标，通过神经网络来检测栅线的交点并获得其坐标。

关键点检测网络的训练步骤包括：以若干张原始图像为数据集；人工对数据集进行标注，标出原始图像中的栅线交点，生成标注数据；采用均方误差损失函数进行训练。

将原始图像输入训练好的关键点检测网络，检测栅线交点，输出关键点热力图。计算关键点的二维坐标，需要说明的是，计算关键点二维坐标的方法是多样且公知的，本发明不对其进行限制。本实施例通过softargmax获得关键点的二维坐标。

设置区域划分规则，将关键点连接起来并划分出栅格区域，具体步骤如下：

(1)设置图像原点，找出到原点距离最短的关键点p_1,1，设p_1,1为关键点集合g₁内的点。

(2)计算其他关键点到p_1,1的距离，筛选出与p_1,1最近的四个关键点p′_1,2，p′_1,3，p′_1,4，p′_1,5。进一步地，从中任选两个点，例如p′_1,2和p′_1,3。

(3)过p_1,1和p′_1,2两点做一条直线L_1,1，已知两点坐标，可得到L_1,1的方程；同理，得到过p_1,1和p′_1,3的直线L_1,2的方程。进一步地，计算L_1,1与L_1,2所构成两种角的角度，选择较小的角度θ，计算角度差绝对值α＝|θ-90°|，设置经验角度差阈值m₁，若α≤m₁，说明θ接近直角，将p′_1,2设为p_1,2、p′_1,3设为p_1,3,将p_1,2、p_1,3加入集合g₁；若α＞m₁，则返回步骤(2)，重新选择两个点。由于相机视角会出现一定误差，可能难以满足真实世界中两直线垂直的条件，所以设置经验角度差阈值m₁来筛选关键点。需要说明的是m₁可以由实施者根据实际情况设置，本实施例中设置m₁＝2°。

(4)过点p_1,3作平行于L_1,1的直线L_1,1′；过点p_1,2作平行于L_1,2的直线L_1,2′。将L_1,1′与L_1,2的交点设为p′_x，找到与p′_x最近的关键点p_1,4并加入g₁。

至此，g₁中的四个点均已获得，分别为p_1,1，p_1,2，p_1,3，p_1,4。这四个点按顺序连接起来即组成一个栅格区域，栅格区域示意图如图2所示。

以g₁中各个点分别作为其他关键点集合g的基础点，重复步骤(2)、步骤(3)、步骤(4)，并筛选掉所有点都重复的关键点集合。

直至无法获得新的关键点集合，停止计算，输出N个关键点集合g。

将各个关键点集合中的关键点连接成四边形的栅格区域，对原始图像经过一定处理使各栅格区域图像的统一高为I个像素长度，宽为J个像素长度的图像，输出包含N个栅格区域的ImageA。

步骤S2:

将ImageA由RGB空间转化为HSV空间，HSV空间的颜色参数为H(色调)，S(饱和度)，V(明度)。

为每个栅格区域图像编号，计算ImageA中各栅格区域图像的V通道均值，得到V通道均值序列

n为栅格区域的编号，其取值范围为[1,N]，计算公式为：

V_i,j是编号为n的栅格区域图像中第i行第j列像素的V通道值，I×J为每个栅格区域图像中像素总量。

统计所有栅格区域图像的

得到

的频数分布直方图，直方图的组距和组数可由实施者根据实际情况设定，明度V的取值范围为[0,1]，本实施例中设置组距为0.1，组数为10。根据直方图得到频数最高的区间S。并将区间S的中点值作为标准明度值V_s。

步骤S3：

计算各栅格区域图像

与V_s的方差β，计算公式为

方差越大说明该栅格区域图像的明度和标准明度差异越大。设置经验方差阈值m₂，当β≥m₂时，判定该栅格区域图像光照异常；当β＜m₂时，判定该栅格区域图像光照正常。本实施例中设置m₂＝0.03。

本发明为了进行连通域分析，对ImageA进行二值化处理。将光照异常栅格区域内像素灰度值设为255，将光照正常栅格区域图像对应区域内像素灰度值设为0，得到二值图像。

造成光伏电池板上光照异常的原因通常有两种。一种是有物体挡住了太阳光形成阴影；另外一种就是有异物覆盖在光伏电池板上。对于阴影的区域，我们需要进行匀光处理；但如果对存在异物的区域进行匀光处理，会丢失异物的信息，不利于区分出异物。所以本发明在区分出阴影区域和异物区域后再分别进行不同的处理。

异物通常为灰尘或者鸟粪，灰尘因受风力因素影响主要分布于边角处，因此一般不存在大面积灰尘覆盖的情况，鸟粪通常存在于一个栅格内，同样不存在大面积覆盖的情况。所以本发明对二值图像进行连通域分析，将相邻的光照异常栅格区域合并，得到B个光照异常连通域。

为各个连通域编号，统计各个连通域包含的像素数量Q_b，b为连通域编号，b的取值范围为[1，B]。设置像素数量阈值m₃，当Q_b≥m₃时，判定该连通域为阴影区域；当Q_b＜m₃时，判定该连通域为疑似异物区域。需要说明的是，m₃可由实施者根据实际情况设置，本实施例中设置m₃＝2I×J。

步骤S4：

计算ImageA中各个疑似异物区域像素的灰度均值Gray、H通道均值Hue、V通道均值value，计算ImageA中光照正常区域图像像素的灰度均值Gray′、H通道均值Hue′、V通道均值value′。

通过异物指标模型计算各个疑似异物区域的异物指标，本发明构建的异物指标模型为γ＝a₁ ^{|Gray-Gray′|}a₂ ^{|value-value′|}α₃ ^Hue′-Hue。

异物的灰度值和明度值异于正常光伏电池板区域，所以只要和正常光伏电池板区域相比灰度均值、明度均值有差异，都对γ起正反馈作用。异物色调值一般小于电池板的色调值，而H通道值代表色调，所以，当疑似异物区域H通道均值小于正常区域H通道均值时，对γ起正反馈作用。a₁为灰度放缩系数、a₂为明度放缩系数、a₃为色调放缩系数，a₁、a₂、a₃都是大于1的经验值，实施者可以根据实际情况设定合适的a₁、a₂、a₃。本实施例中设置a₁＝1.2，a₂＝100，a₃＝1.02。

设置经验异物指标阈值m₄，当γ≥m₄时，判定疑似异物区域为异物区域；当γ<m₄时，判定疑似异物区域为阴影区域。实施者可以根据实际情况设置合适的m₄，本实施例中设置m₄＝28。

对于光照异常区域，通过同态滤波法进行匀光处理，该方法为公知方法，不在本发明保护范围内。对于异物区域，清理该区域的异物。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的光伏电池图像局部光照不均处理方法，其特征在于，该方法包括：

步骤S1：采集光伏电池板区域的RGB图像，输出原始图像；将原始图像输入关键点检测网络，检测栅线交点，输出关键点热力图；根据栅线交点坐标划分出栅格区域，得到包含N个栅格区域图像的ImageA；

步骤S2：将ImageA转化为HSV空间，计算ImageA中各个栅格区域图像的V通道均值，得到V通道均值序列

n取值范围为[1,N],根据

的分布确定标准明度值V_s；

步骤S3:对比栅格区域图像的

和标准明度值V_s，判断栅格区域图像是否光照正常，并对ImageA进行二值化处理和连通域分析，得到若干个光照异常连通域，根据连通域包含的像素数量判断连通域是疑似异物区域还是阴影区域；

步骤S4:根据γ＝a₁ ^{|Gray-Gray′|}a₂ ^{|value-value′|}a₃ ^Hue′-Hue计算ImageA中疑似异物区域的异物指标并判断疑似异物区域是否为异物区域；

ImageA中疑似异物区域像素的灰度均值为Gray、H通道均值为Hue、V通道均值为value；ImageA中光照正常区域图像像素的灰度均值为Gray′、H通道均值为Hue′、V通道均值为value′；a₁为灰度放缩系数、a₂为明度放缩系数。

2.如权利要求1所述的方法，其特征在于，所述关键点检测网络的训练方法包括：

以相机采集的若干张原始图像为数据集；

人工标注出数据集中的栅线交点，生成标注数据；

使用均方误差损失函数进行网络训练。

3.如权利要求1所述的方法，其特征在于，所述确定标准明度值V_s的方法包括：

对

进行直方图统计，得到频数最高的区间S，将区间S的中值作为标准明度值V_s。

4.如权利要求1所述的方法，其特征在于，所述判断栅格图像是否为光照正常区域图像的方法包括：

计算各栅格图像V通道均值

与标准明度值V_s的方差β，设置经验方差阈值m₂，当β≥m₂时，判定该栅格图像为光照异常区域图像；当β＜m₂时，判定该栅格图像为光照正常区域图像。

5.如权利要求1所述的方法，其特征在于，所述二值化处理的方法包括：

将光照异常区域内像素灰度值设为255，将光照正常区域内像素灰度值设为0。

6.如权利要求1所述的方法，其特征在于，所述判断连通域是疑似异物区域还是阴影区域的方法包括：

统计各个连通域包含的像素数量Q_b，b为连通域编号，设置像素数量阈值m₃，当Q_b≥m₃时，判定该连通域为阴影区域；当Q_b＜m₃时，判定该连通域为疑似异物区域。

7.如权利要求1所述的方法，其特征在于，所述判断疑似异物区域是否为异物区域包括：

设置经验异物指标阈值m₄，当γ≥m₄时，判定疑似异物区域为异物区域；当γ<m₄时，判定疑似异物区域为阴影区域。

Images