CN112150455A - 基于人工智能的光伏相机视角偏差判断方法及系统 - Google Patents

基于人工智能的光伏相机视角偏差判断方法及系统 Download PDF

Info

Publication number
CN112150455A
CN112150455A CN202011064438.8A CN202011064438A CN112150455A CN 112150455 A CN112150455 A CN 112150455A CN 202011064438 A CN202011064438 A CN 202011064438A CN 112150455 A CN112150455 A CN 112150455A
Authority
CN
China
Prior art keywords
imaging
camera
pixel
offset
judging
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Withdrawn
Application number
CN202011064438.8A
Other languages
English (en)
Inventor
王海
王宗亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011064438.8A priority Critical patent/CN112150455A/zh
Publication of CN112150455A publication Critical patent/CN112150455A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏相机视角偏差判断方法及系统。该系统包括数据采集模块，用于获取光伏电池板表面纹理图像；焊带和栅线检测模块，用于提取每块电池板图像的焊带和栅线的掩膜；成像缺陷检测模块，用于根据焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在第一成像缺陷并获得第一成像缺陷类型；成像缺陷定位模块，用于根据每列像素的特征向量输出每列像素的第二成像缺陷类型；偏移判断模块，用于根据相应的缺陷像素列数ki判断偏移角度α和偏移方向。该系统通过纹理图像的像素列数判断出相机的偏移角度和偏移方向。

Description

基于人工智能的光伏相机视角偏差判断方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏相机视角偏差判断方法及系统。
背景技术
使用轨道线扫描相机采集光伏电池板的表面纹理时，相机的视角可能会发生改变，这种改变可能由于环境的因素引起，例如大风，也可能由于轨道线扫描相机自身的因素引起，例如相机没固定好，也可能其他更复杂的因素。
线扫描相机在采集图像过程中由于相机视角的突然变动，会导致采集的图像出现缺陷，例如线扫描相机朝着移动的反方向转动而引起的视角偏移时，向会重复采样电池板的纹理，使得图像出现重复像素；如果线扫描相机朝着移动的方向转动而引起的视角偏移时，某些纹理会被遗漏掉，导致成像信息缺失。
发明人在实践中，发现上述现有技术存在以下缺陷：
由于相机发生偏移时，偏移角度很小，较难检测出相机的偏移方向与程度，不利于矫正相机的偏移。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于人工智能的光伏相机视角偏差判断方法及系统，所采用的技术方案具体如下：
第一方面，本发明一实施例提供了一种基于人工智能的光伏相机视角偏差判断方法，该方法步骤包括获取光伏电池板表面纹理图像；提取光伏电池板表面纹理图像的焊带和栅线的掩膜；根据焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在成像缺陷并获得第一成像缺陷类型；提取存在第一成像缺陷的电池板表面纹理图像的每列像素的特征向量，根据特征向量输出每列像素的第二成像缺陷类型；根据第二成像缺陷类型，获取相应的缺陷像素列数ki以及缺陷像素列数ki与相机的偏移角度α正切值的比例系数k0；结合像素列数ki与比例系数k0判断偏移角度α和偏移方向。
第二方面，本发明另一实施例提供了一种基于人工智能的光伏相机视角偏差判断系统，该系统包括图像采集模块、焊带和栅线检测模块、成像缺陷检测模块、成像缺陷定位模块和偏移判断模块。
其中，数据采集模块，用于获取光伏电池板表面纹理图像。
焊带和栅线检测模块，用于提取光伏电池板表面纹理图像的焊带和栅线的掩膜。
成像缺陷检测模块，用于根据焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在第一成像缺陷并获得第一成像缺陷类型。
成像缺陷定位模块，用于提取存在第一成像缺陷的电池板表面纹理图像的每列像素的特征向量，根据特征向量输出每列像素的第二成像缺陷类型。
偏移判断模块，用于根据第二成像缺陷类型，获取相应的缺陷像素列数ki以及缺陷像素列数ki与相机的偏移角度α正切值的比例系数k0；结合像素列数ki与比例系数k0判断偏移角度α和偏移方向。
本发明至少具有如下有益效果：
对采集到的纹理图像在像素级别上对图像进行分析，不仅能够判断出采集到的纹理图像中存在的成像缺陷及其类型，还能够根据成像缺陷检测与缺陷像素列数判断出相机的偏移角度与偏移方向，在实际操作中，能够准确地改正相机发生的偏移。
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为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统；
图2为本发明另一个实施例所提供的基于人工智能的光伏相机视角偏差判断方法流程图；
图3为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统的焊带和栅线检测模块的电池板检测单元示意图；
图4为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统的焊带和栅线检测模块的焊带和栅线检测单元示意图；
图5为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统的成像缺陷检测模块示意图；
图6为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统的成像缺陷定位模块示意图；
图7为本发明一个实施例所提供的Column Encoder结构图；
图8为本发明一个实施例所提供的基于人工智能的光伏相机视角偏差判断系统的成像缺失情形示意图。
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基于人工智能的光伏相机视角偏差判断方法及系统，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基于人工智能的光伏相机视角偏差判断方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的光伏相机视角偏差判断系统框图。
在本实施例中，基于人工智能的光伏相机视角偏差判断系统，包括数据采集模块100、焊带和栅线检测模块200、成像缺陷检测模块300、成像缺陷定位模块400和偏移判断模块500。
其中，数据采集模块，用于获取光伏电池板表面纹理图像。
具体地，本发明实施例中采用线扫描相机获取图像，将线扫描相机安装在导轨上，得到轨道扫描相机，轨道相机匀速移动，相机视角正对电池板表面，相机沿着导轨每次采集一整排光伏电池板表面的纹理图像。当相机在采集图像数据沿着运动方向发生视角转动或偏移，导致纹理信息数据没有被采集到，这些纹理像素不会被拼接到图像上；当相机沿着运动反方向发生视角转动或偏移，相机会把重复采集到的像素拼接在图像上，导致最终输出的图像有重复的纹理。相机的视角偏移程度不会很大，因此不会大面积的出现成像缺陷。
线扫描相机每次采样只采集一列像素，相机通过沿着物体表面移动多次采样即可获得多列图像数据，最后相机将多列像素依次拼接在一起，即按照时间先后顺序拼接在一起，获得一幅完整的物体表面纹理图像数据并输出。
轨道相机采集获取一排光伏组件电池板表面图像，得到的电池板表面图像中不仅有光伏电池板的表面纹理信息，还有其他信息，例如金属边框、背景等。在本发明实施例中，只需利用电池板的表面纹理信息。
焊带和栅线检测模块，包括电池板检测单元和焊带和栅线检测单元，用于提取光伏电池板表面纹理图像的焊带和栅线的掩膜。
其中，电池板检测单元用于提取电池板图像的边界特征信息，拟合出电池板的边界框。
具体地，电池板检测单元，如图3，将一排光伏组件电池板表面的纹理图像归一化，利用第一编码器(Encoder1)对输入的纹理图像进行下采样，获得电池板的特征信息，利用结构为编码器-解码器(Encoder-Decoder)的特征金字塔网络(Feature PyramidNetworks，FPN)获取电池板的边界特征信息，并且拟合出电池板的边界框，最终FPN网络输出电池板的边界框。
其中，焊带和栅线检测单元用于根据边界框裁剪出每块电池板的图像，根据电池板表面纹理图像信息提取焊带和栅线的掩膜。
具体地，图像的成像缺陷包括图像上有重复的像素纹理和图像上有缺失的纹理，在本发明实施例中，线扫描相机每次采集一列得到像素数据，成像缺陷都是直接影响列像素的，即成像缺陷伴随着几列像素的重复和缺失。而电池板表面上的焊带及紧密排列的栅线是较为明显的纹理，所以将焊带和栅线的纹理作为检测成像缺陷的依据。
焊带和栅线检测单元中，如图4，需要提取出焊带和栅线的纹理，利用电池板检测单元中获取的电池板的边界框将整个电池板图像中的每个电池板图像裁切出来，分割为相同大小的子图像，每个子图像都有一块光伏电池板表面纹理图像信息。再通过焊带检测网络，即电池板子图像经过第二编码器(Encoder2)下采样，融入电池板检测单元中电池板检测网络事先训练好的Encoder1的输出特征，然后再次经过第三编码器(Encoder3)下采样，获得焊带和栅线的语义特征，这些特征经过解码器(Decoder)下采样输出焊带和栅线的语义区域，将获得的语义区域进行二值化处理，得到焊带和栅线的掩膜(mask)。
成像缺陷检测模块，用于根据焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在第一成像缺陷并获得第一成像缺陷类型。
具体地，当获得焊带和栅线的mask后，根据电池板焊带和栅线的mask的排列分布特征估计电池板上发生的成像缺陷，例如，当发生成像缺陷时，电池板表面的焊带和栅线纹理会发生变化，当像素重复时，焊带和栅线的数量相比于正常情况下的焊带和栅线的数量会变多；当像素缺失时，栅线和焊带的数量相比于正常情况下的焊带和栅线的数量会减少，此时焊带和栅线的排列也会发生变化。
将焊带和栅线检测单元中获得的焊带和栅线的语义mask输入到结构为编码器-全连接(Encoder-FC)的成像缺陷检测DNN网络中判断是否存在成像缺陷以及成像缺陷的类型，如图5，焊带和栅线的语义mask先经过第四编码器(Encoder4)下采样获取焊带和栅线的排布特征，将这些排布特征经过第一全连接层(Full Connected Layers，FC1)进行分类并输出，判断出电池板图像有没有成像缺陷，以及成像缺陷的类型，成像缺陷类型包括成像重复和成像缺失。
在本发明实施例中，成像缺陷检测模块中采用的成像缺陷检测DNN网络所处理的特征较为简单，不够精细，网络结构不复杂，虽然计算速度快，但是只能够快速定位成像缺陷位于哪块电池板上，但是不能精确定位呈现缺陷的位置，例如，不能获得重复像素有多少列，以及哪列可能缺失像素。
由于成像缺陷会使图像的细节纹理和光照信息的分布不合理，出现重复像素时，是几列像素与其他列像素重复，当出现像素缺失时，是某几列像素的缺失，成像重复与成像缺失这两种成像缺陷表现在于列与列之间的特征区别。提取每列像素的特征，这种特征是由一个高维空间的向量所描述，能反映该列与其他列的区别与联系，例如当某列是重复的像素时，该列的特征在高维特征空间与正常列的像素的高维特征是分离的。同理如果某列像素的左侧存在像素缺失时，那么该列像素的高维特征向量和它左侧的像素的高维特征向量是分离的。因此需要从像素级别的纹理光照信息去定位成像缺陷。
成像缺陷定位模块，用于提取存在第一成像缺陷的电池板表面纹理图像的每列像素的特征向量，根据特征向量输出每列像素的第二成像缺陷类型。
在本发明实施例中，成像缺陷定位模块中的成像缺陷定位网络中使用了列编码器(Column Encoder)，如图7，为了扩大每列像素在行方向上的感受野，使用了3x5的卷积核，成像缺陷定位网络为三个3x5_Conv_Residual Block-3x5_Conv_Residual Block-2x1_Pooling结构叠加两个3x3_Conv_Residual Block-3x3_Conv_Residual Block-2x1_Pooling结构的列编译器(Column Encoder)，其中，3x5_Conv_Residual Block表示的是一种残差网络结构，其输入和输出的特征图具有相同大小。为了压缩每列像素列方向上的特征信息，不损失左右列像素的信息，成像缺陷定位网络利用两次3x5_Conv_ResidualBlock，然后利用2x1_Pooling进行下采样,2x1_Pooling表示的是最大池化操作，池化大小为2x1，即只在列方向上进行池化操作，不在行方向上进行池化操作，本发明实施例中不关注列方向数的像素特征差异。
具体地，成像缺陷定位模块，如图6，获取存在成像缺陷的电池板图像，将图像数据进行归一化处理，归一化后的电池板图像首先经过两次3x5_Conv_Residual Block后进行一次2x1_Pooling的下采样，重复三次后，将获得的图像结果再经过两次3x3_Conv_Residual Block后进行一次2x1_Pooling，重复两次，最终Column Encoder输出的特征图(Feature)的宽度和输入图像宽度一致，高度缩小为原来的5倍。Feature表示输入图像每列像素的特征向量，这种特征向量可以区分出每列像素是否存在成像缺陷，接着将Feature的每列特征经过共享的第二全连接层(FC2)输出每列像素的成像缺陷类型，成像缺陷类型包括像素重复、像素左侧缺失、像素右侧缺失和没有成像缺失四种类型。
其中，成像缺陷定位网络的训练方法为：采集大量没有成像缺陷的图像，随机使用某些列的像素进行重复排列操作或者将某列像素左右的几列像素删除的操作方法对没有成像缺陷的图像进行操作，得到操作后的图像，将操作后的图像作为输入，上述的操作方法作为标签，训练该网络。
偏移判断模块包括成像重复单元、成像缺失单元和偏移判断单元，用于根据第二成像缺陷类型，获取相应的缺陷像素列数ki以及缺陷像素列数ki与相机的偏移角度α正切值的比例系数k0；结合像素列数ki与比例系数k0判断偏移角度α和偏移方向。
成像重复单元用于在第二成像缺陷类型为成像重复时，获取成像重复像素列在原图中的缺陷位置，将缺陷位置上连续的像素列分为一个组，获取每个组内的像素列的数量，得到成像重复的像素列数。
具体地，当成像缺陷类型为成像重复时，获取属于成像重复的所有像素列，这些像素列中的每一列像素都表示这列像素的缺陷类型为重复像素，这些像素列对应原图上不同的位置。在原图上位置连续的像素列分为一个组，这组像素列就是表示相机在对应位置上由于视角偏移引起像素重复的像素列，由于线扫描相机获得的每一列像素是拼接在其前一列像素之后的，所以每个组内的像素列数就是表示成像重复的像素列数。
成像缺失单元用于获得缺失像素距离最近的两条焊带的间距，再获取标准的焊带距离；根据标准焊带距离与间距的差值，得到发生成像缺失的像素列数。
具体地，当成像缺陷类型为成像缺失时，可以获得哪些列的左侧或者右侧有缺失，可以获得哪些列之间的像素有缺失，无法精确判断缺失多少列，也无法填充缺失的列，只能定位哪两列之间有像素缺失。
当两列像素间存在像素缺失时，获取这两列像素的位置，获取距离缺失像素最近的两条焊带的像素间距A1，如图8：白色区域为焊带区域图像，再与获得标准的焊带像素距离A0进行比较，得到缺失的像素的列数A，其中A＝A0-A1。
具体地，当成像缺陷类型即包括成像重复又包括成像缺失时，在判断相机偏移方向与偏移角度时，成像缺陷类型为成像重复时，对检测到的成像重复的像素列数取正值，正值代表相机朝运动反方向发生了偏移；成像缺陷类型为成像缺失时，对检测到的成像缺失的像素列数取负值，负值代表相机朝运动方向发生了偏移。
偏移判断单元用于：构建缺陷像素列数ki、比例系数k0与偏移角度α的映射关系：
Figure BDA0002713344580000071
根据映射关系判断相机的偏移角度α。
具体地，一块电池板上存在i个成像缺陷，成像重复或成像缺失的像素列数为ki。当检测到发生成像重复时，ki的值为|ki|，属于成像重复的像素列数为|ki|；当检测到发生成像缺失时，ki的值为-|ki|，属于成像缺失的像素列数为|ki|。
相机检测到第i个成像缺陷时，相机的偏移角度α满足：
Figure BDA0002713344580000072
其中，k0为偏移角度α的正切值与
Figure BDA0002713344580000073
的比例系数，且k0与相机光心到电池板表面的距离有关，是一个由实施者确定的定值；
Figure BDA0002713344580000074
表示的是前i次成像缺陷中成像重复和成像缺失的像素列数的和，其正负值代表了相机的偏移方向，当
Figure BDA0002713344580000075
为正值时，代表了相机朝着运动的反方向发生了偏移，此时，偏移角度α大于0，当
Figure BDA0002713344580000076
为负值时，代表了相机朝着运动的方向发生了偏移，此时，偏移角度α小于0。
所以最终获得了偏移角度α，其正负表示了相机偏移的方向，其值的绝对值表示了相机偏移的角度大小。当偏移角度α为正值时，说明相机朝其着运动的反方向发生了偏移，当偏移角度α为负值时，说明相机朝着其运动的正方形发生了偏移。
综上，本发明实施例中通过对电池板的焊带和栅线的分布特征判断采集到的的电池板图像是否存在成像缺陷，以及成像缺陷的类型，再对有成像缺陷的电池板图像在像素列上进行分析，得到每一块存在成像缺陷的电池板图像的像素列中的成像缺陷及其类型，根据存在成像缺陷的像素列数ki，能够得到相机的偏移角度α，在实际中，就能够根据偏移角度α对相机及时作出调整。
请参阅图2，其示出了本发明一个实施例提供的基于人工智能的光伏相机视角偏差判断方法流程图。
步骤1，获取光伏电池板表面纹理图像。
具体地，利用轨道线扫描相机采集获取一排光伏组件电池板表面图像纹理信息，得到的电池板表面图像纹理信息中不仅有光伏电池板的表面纹理信息，还有其他信息，例如金属边框、背景等。
步骤2，提取电池板图像的边界特征信息，拟合出边界框。
具体地，将一排光伏组件电池板表面的纹理图像归一化，利用第一编码器(Encoder1)对输入的纹理图像进行下采样，获得电池板的特征信息，利用结构为编码器-解码器(Encoder-Decoder)的特征金字塔网络(Feature Pyramid Networks，FPN)获取电池板的边界特征信息，并且拟合出电池板的边界框，最终FPN网络输出电池板的边界框。
步骤3，裁剪出每块电池板的图像，提取焊带和栅线的掩膜。
利用电池板的边界框将整个电池板图像裁切出来，分割为相同大小的子图像，每个子图像都有一块光伏电池板表面纹理图像信息。电池板子图像经过第二编码器(Encoder2)下采样，融入步骤2中的电池板经过Encoder1输出的特征信息，然后再次经过第三编码器(Encoder3)下采样，获得焊带和栅线的语义特征，这些特征经过解码器(Decoder)下采样输出焊带和栅线的语义区域，将获得的语义区域进行二值化处理，得到焊带和栅线的掩膜(mask)。
步骤4，判断电池板的第一成像缺陷及其类型。
将获得的焊带和栅线的语义mask输入到结构为编码器-全连接层(Encoder4-FC1)的成像缺陷检测DNN网络中判断是否存在成像缺陷以及成像缺陷的类型，如图5，焊带和栅线的语义mask先经过第四编码器(Encoder4)下采样获取焊带和栅线的排布特征，将这些排布特征经过第一全连接层(FC1)进行分类并输出，判断出电池板图像有没有成像缺陷，以及成像缺陷的类型，判断的成像缺陷的类型包括成像重复和成像缺失。
步骤5，判断像素列的第二成像缺陷及其类型。
具体地，获取存在成像缺陷的电池板图像数据，将图像数据进行归一化处理，归一化后的电池板图像经过两次3x5_Conv_Residual Block后进行一次2x1_Pooling的下采样，重复三次后，将获得的图像结果再经过两次3x3_Conv_Residual Block后进行一次2x1_Pooling，重复两次，输出特征图(Feature)的宽度和输入图像的宽度一致，高度缩小为原来的五倍，接着将Feature的每列特征经过共享的第二全连接层(FC2)输出每列像素的成像缺陷类型。得到的成像缺陷类型包括像素重复、像素左侧缺失、像素右侧缺失和没有成像缺失四种类型。
步骤6，判断相机偏移角度与方向。
具体地，通过步骤5获取到的每列像素的成像缺陷，检测到一块电池板上存在i个成像缺陷，成像重复或成像缺失的像素列数为ki。当检测到发生成像重复时，ki的值为|ki|，属于成像重复的像素列数为|ki|；当检测到发生成像缺失时，ki的值为-|ki|，属于成像缺失的像素列数为|ki|。
相机检测到第i个成像缺陷时，相机的偏移角度α满足：
Figure BDA0002713344580000091
其中，k0为偏移角度α的正切值与
Figure BDA0002713344580000092
的比例系数，且k0与相机光心到电池板表面的距离有关，是一个由实施者确定的定值；
Figure BDA0002713344580000093
表示的是前i次成像缺陷中成像重复和成像缺失的像素列数的和。
最终获得偏移角度α，其值的绝对值表示了相机偏移的角度大小，其正负表示了相机偏移的方向，当偏移角度α为正值时，说明相机朝着其运动的反方向发生了偏移，当偏移角度α为负值时，说明相机朝着其运动的方向发生了偏移，当偏移角度α为0时，说明相机未发生偏移。
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 (10)

1.基于人工智能的光伏相机视角偏差判断系统，其特征在于，包括图像采集模块、焊带和栅线检测模块、成像缺陷检测模块、成像缺陷定位模块和偏移判断模块；
所述数据采集模块，用于获取光伏电池板表面纹理图像；
所述焊带和栅线检测模块，用于提取所述光伏电池板表面纹理图像的焊带和栅线的掩膜；
所述成像缺陷检测模块，用于根据所述焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在第一成像缺陷并获得第一成像缺陷类型；所述排列分布特征包括所述焊带和栅线掩膜图像的像素列的排列数量增加和排列数量减少；所述第一成像缺陷类型包括成像缺失和成像重复；
所述成像缺陷定位模块，用于提取存在第一成像缺陷的所述电池板表面纹理图像的每列像素的特征向量，根据所述特征向量输出每列像素的第二成像缺陷类型；所述第二成像缺陷类型包括像素重复、像素左侧缺失、像素右侧缺失和无成像缺陷；
所述偏移判断模块，用于根据所述第二成像缺陷类型，获取相应的缺陷像素列数ki以及所述缺陷像素列数ki与相机的偏移角度α正切值的比例系数k0；结合所述像素列数ki与所述比例系数k0判断所述偏移角度α和偏移方向。
2.根据权利要求1所述的基于人工智能的光伏相机视角偏差判断系统，其特征在于，所述偏移判断模块包括成像重复单元，所述成像重复单元用于：
在所述第二成像缺陷类型为成像重复时，获取成像重复像素列在原图中的缺陷位置；
将所述缺陷位置上连续的像素列分为一个组；
获取每个组内的像素列的数量，得到成像重复的像素列数。
3.根据权利要求1或2所述的基于人工智能的光伏相机视角偏差判断系统，其特征在于，所述偏移判断模块还包括成像缺失单元，所述成像缺失单元用于：
获得缺失像素距离最近的两条焊带的间距；
获得标准的焊带距离；
根据标准焊带距离与所述间距的差值，得到发生成像缺失的像素列数。
4.根据权利要求1所述的基于人工智能的光伏相机视角偏差判断系统，其特征在于，所述偏移判断模块还包括偏移判断单元，所述偏移判断单元用于：
构建所述缺陷像素列数ki、所述比例系数k0与所述偏移角度α的映射关系：
Figure FDA0002713344570000011
根据所述映射关系判断所述相机的偏移角度α。
5.根据权利要求1所述的基于人工智能的光伏相机视角偏差判断系统，其特征在于，所述偏移方向的判断步骤包括：
所述偏移角度α的值为正值时，判断相机的偏移方向为相机运动的反方向；
所述偏移角度α的值为负值时，判断相机的偏移方向为相机运动的方向；
所述偏移角度α的值为0时，判断相机未偏移方向。
6.基于人工智能的光伏相机视角偏差判断方法，其特征在于，包括以下步骤：
获取光伏电池板表面纹理图像；
提取所述光伏电池板表面纹理图像的焊带和栅线的掩膜；
根据所述焊带和栅线掩膜图像的排列分布特征判断电池板图像上是否存在第一成像缺陷并获得第一成像缺陷类型；所述排列分布特征包括像素列的排列数量增加和排列数量减少；所述第一成像缺陷类型包括成像缺失和成像重复；
提取存在第一成像缺陷的所述电池板表面纹理图像的每列像素的特征向量，根据所述特征向量输出每列像素的第二成像缺陷类型；所述第二成像缺陷类型包括像素重复、像素左侧缺失、像素右侧缺失和没有成像缺陷；
根据所述第二成像缺陷类型，获取相应的缺陷像素列数ki以及所述缺陷像素列数ki与相机的偏移角度α正切值的比例系数k0；
结合所述像素列数ki与所述比例系数k0判断所述偏移角度α和偏移方向。
7.根据权利要求6所述的基于人工智能的光伏相机视角偏差判断方法，其特征在于，所述根据所述第二成像缺陷类型，获取相应的缺陷像素列数ki的步骤包括：
在所述第二成像缺陷类型为成像重复时，获取成像重复像素列在原图中的缺陷位置；
将所述缺陷位置上连续的像素列分为一个组；
获取每个组内的像素列的数量，得到成像重复的像素列数。
8.根据权利要求6或7或所述的基于人工智能的光伏相机视角偏差判断方法，其特征在于，所述根据所述第二成像缺陷类型，获取相应的缺失的像素列数ki的步骤还包括：
获得缺失像素距离最近的两条焊带的间距；
获得标准的焊带距离；
根据标准焊带距离与所述间距的差值，得到发生成像缺失的像素列数。
9.根据权利要求6所述的基于人工智能的光伏相机视角偏差判断方法，其特征在于，所述判断所述偏移角度α的步骤包括：
构建所述缺陷像素列数ki、所述比例系数k0与所述偏移角度α的映射关系：
Figure FDA0002713344570000031
根据所述映射关系判断所述相机的偏移角度α。
10.根据权利要求6所述的基于人工智能的光伏相机视角偏差判断方法，其特征在于，所述偏移方向的判断步骤包括：
所述偏移角度α的值为正值时，判断相机的偏移方向为相机运动的反方向；
所述偏移角度α的值为负值时，判断相机的偏移方向为相机运动的方向；
所述偏移角度α的值为0时，判断相机未偏移方向。
CN202011064438.8A 2020-09-30 2020-09-30 基于人工智能的光伏相机视角偏差判断方法及系统 Withdrawn CN112150455A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011064438.8A CN112150455A (zh) 2020-09-30 2020-09-30 基于人工智能的光伏相机视角偏差判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011064438.8A CN112150455A (zh) 2020-09-30 2020-09-30 基于人工智能的光伏相机视角偏差判断方法及系统

Publications (1)

Publication Number Publication Date
CN112150455A true CN112150455A (zh) 2020-12-29

Family

ID=73951964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011064438.8A Withdrawn CN112150455A (zh) 2020-09-30 2020-09-30 基于人工智能的光伏相机视角偏差判断方法及系统

Country Status (1)

Country Link
CN (1) CN112150455A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866183A (zh) * 2021-09-15 2021-12-31 北京首钢股份有限公司 一种带钢表面检测仪的故障检测方法及装置
CN115805397A (zh) * 2023-02-16 2023-03-17 唐山海泰新能科技股份有限公司 光伏组件电池片焊接检测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866183A (zh) * 2021-09-15 2021-12-31 北京首钢股份有限公司 一种带钢表面检测仪的故障检测方法及装置
CN113866183B (zh) * 2021-09-15 2023-11-14 北京首钢股份有限公司 一种带钢表面检测仪的故障检测方法及装置
CN115805397A (zh) * 2023-02-16 2023-03-17 唐山海泰新能科技股份有限公司 光伏组件电池片焊接检测系统

Similar Documents

Publication Publication Date Title
CN113052210B (zh) 一种基于卷积神经网络的快速低光照目标检测方法
CN110210350A (zh) 一种基于深度学习的快速停车位检测方法
CN106657789A (zh) 一种螺纹全景图像合成方法
CN112150455A (zh) 基于人工智能的光伏相机视角偏差判断方法及系统
CN108596869B (zh) 一种隧道衬砌裂缝快速检测方法
CN114743119A (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN114973032A (zh) 一种基于深度卷积神经网络的光伏板热斑检测方法及装置
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
CN115376028A (zh) 基于稠密特征点拼接和改进型yolov 5的目标检测方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN113327241B (zh) 一种轴承端面的表面缺陷视觉检测方法及系统
CN114399505A (zh) 工业检测中的检测方法、检测装置
CN112749741B (zh) 一种基于深度学习的手闸紧固故障识别方法
CN113763484A (zh) 基于视频图像分析技术的船舶目标定位及速度估算方法
CN113962929A (zh) 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线
CN115619623A (zh) 一种基于移动最小二乘变换的平行鱼眼相机图像拼接方法
CN112950481B (zh) 一种基于图像拼接网络的水花遮挡图像数据集采集方法
CN115661117A (zh) 一种接触网绝缘子可见光图像检测方法
CN115760729A (zh) 一种发动机叶片微小缺陷检测方法
CN115375945A (zh) 一种水面油污识别和污染面积测算方法
CN112116588A (zh) 基于人工智能的线性扫描相机抖动程度检测方法及系统
CN115240057A (zh) 一种基于深度学习的架空输电线路监拍图像检测方法
CN113807238A (zh) 一种河道水面漂浮物面积的视觉测量方法
CN113192018A (zh) 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN112132835A (zh) 基于SeFa和人工智能的光伏轨道相机果冻效应分析方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201229