CN112163626A - 基于多维度感知的光伏电池遮荫区域成因分类方法及系统 - Google Patents
基于多维度感知的光伏电池遮荫区域成因分类方法及系统 Download PDFInfo
- Publication number
- CN112163626A CN112163626A CN202011069724.3A CN202011069724A CN112163626A CN 112163626 A CN112163626 A CN 112163626A CN 202011069724 A CN202011069724 A CN 202011069724A CN 112163626 A CN112163626 A CN 112163626A
- Authority
- CN
- China
- Prior art keywords
- shading
- shading area
- module
- photovoltaic cell
- 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- Withdrawn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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于多维度感知的光伏电池遮荫区域成因分类方法及系统。
背景技术
光伏电站通常建在地域开阔,阳光充足的地区,但长期使用中难免会落上灰尘、落叶等遮挡物,光伏电池板被阴影遮挡,会导致光伏电池板发电效率降低,严重时会产生“热斑效应”,对光伏组件造成严重损伤,甚至引起火灾。目前对于光伏电池板遮挡问题主要的解决方式有两种,一种是在遮荫情况下确定光伏电池组件的最大功率点(MPPT),一种是检测出光伏电池板的遮荫部分区域。
发明人在实践中,发现上述现有技术存在以下缺陷:
上述两类方法未考虑到遮荫区域的成因,不能根据实际的遮荫成因做出及时的针对性处理,对电池板的运行效率造成了影响。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于多维度感知的光伏电池遮荫区域成因分类方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于多维度感知的光伏电池遮荫区域成因分类方法,该方法包括以下步骤:
获取光伏电池板图像;
判断光伏电池板图像是否遮荫,并对被遮荫光伏组件进行定位,得到被遮荫光伏组件的遮荫边界位置;
获取遮荫边界位置的遮荫区域;
优选的,判断光伏电池板图像是否遮荫,其步骤如下:
对相邻两帧图像进行匀光处理;
将经匀光处理后的相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示相邻两帧图像之间的平均明度差值;
当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
优选的,遮荫区域的获取步骤为:
获取遮荫边界位置的多帧图像作为样本图像;
将样本图像输入语义分割网络模型中,获取被遮荫光伏组件的遮荫区域。
分别获取第一时刻的遮荫区域与第二时刻的遮荫区域的最小外接矩形及相应的中心点坐标;
第二方面,本发明另一个实施例提供了一种基于多维度感知的光伏电池遮荫区域成因分类系统,该系统包括以下模块:
图像获取模块,用于获取光伏电池板图像;
遮荫光伏组件定位模块,用于判断光伏电池板图像是否遮荫,并对被遮荫光伏组件进行定位,得到被遮荫光伏组件的遮荫边界位置;
遮荫区域获取模块,用于获取遮荫边界位置的遮荫区域;
优选的,遮荫光伏组件定位模块,还包括:
匀光处理模块,用于对相邻两帧图像进行匀光处理;
遮荫情况判断模块,用于将经匀光处理后的相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示相邻两帧图像之间的平均明度差值;
当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
优选的,遮荫区域获取模块,还包括:
样本获取模块,用于获取遮荫边界位置的多帧图像作为样本图像;
语义分割模块,用于将样本图像输入语义分割网络模型中,获取被遮荫光伏组件的遮荫区域。
优选的,遮荫区域偏移向量获取模块,还包括:
坐标获取模块,用于分别获取第一时刻的遮荫区域与第二时刻的遮荫区域的最小外接矩形及相应的中心点坐标;
本发明具有如下有益效果:
本发明通过追踪阴影边界得到遮荫移动的偏移向量,无需检测全部遮荫区域,节约资源,提高效率;确定成因后,光伏电站运维管理人员能够选择对应的处理方式,有助于遮荫情况的针对性处理,无需定时人工实地巡检,提高运维效率。
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一种基于多维度感知的光伏电池遮荫成因分类系统框架图;
图2为本发明一个实施例所提供的一种基于多维度感知的光伏电池遮荫成因分类方法流程图;
图3为本发明一个实施例所提供的一种基于多维度感知的光伏电池遮荫成因分类系统结构示意图。
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多维度感知的光伏电池遮荫成因分类方法及系统,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一种基于多维度感知的光伏电池遮荫成因分类方法及系统的具体方案。
请参阅图1和图2,图1示出了本发明一个实施例提供的一种基于多维度感知的光伏电池遮荫成因分类系统框架图,图2示出了本发明另一个实施例提供的一种基于多维度感知的光伏电池遮荫成因分类方法流程图。该分类方法的具体步骤如下:
步骤S001,获取光伏电池板图像。
本发明实施例预设了轨道相机的移动规则,在轨道相机未收到光伏组件定位信息时,按以下规则进行移动:设光伏电池板的宽度为w,轨道相机在一块光伏电池板边缘移动时所移动的长度为w。轨道相机初始位置为第一块电池板轨道起始位置,按w/2,3w/2,5w/2…规则进行移动,也即移动至每块板对应轨道的中心处,并停止移动,目的是防止所拍摄图像抖动或存在运动模糊,其视角固定,拍摄一帧对应光伏电池板图像。
步骤S002,判断光伏电池板图像是否遮荫,并对被遮荫光伏组件进行定位,得到被遮荫光伏组件的遮荫边界位置。
本发明实施例判断光伏电池板是否遮荫的步骤为:
1)对采集的相邻两帧图像进行匀光处理。
本发明实施例采用直方图均衡化的方法进行整体匀光处理,在其他实施例中,匀光处理还可以采用Gamma校正,或者其他的能够实现相同功能的方法。
对图像进行匀光处理的目的为消除因轨道相机移动而导致的图像亮度变化,只保留阴影区域造成的图像亮度变化。
2)将经匀光处理后的相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示平均明度差值,具体的:
3)当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
作为一个示例,设当前经验阈值m1等于0.1,当α≥0.1时,判断为存在遮荫情况;当α<0.1时,判断为不存在遮荫情况。
4)在存在遮荫时,判断被遮荫的位置。
当存在遮荫情况时,若前一帧存在遮荫情况,由于之前未判断为明度异常,故而判断为由初始帧至前一帧之间所有帧图像均存在遮荫情况,此时,为了更好后续的分析遮荫区域移动的情况,以前一帧拍摄位置作为定位位置;
若当前帧存在遮荫情况,则由初始帧至当前帧之间,仅当前帧存在遮荫情况,无需进行后续拍摄,以当前帧拍摄位置作为定位位置。
具体判断方式为计算Es′:
由于存在遮荫情况,所以明度差异过大,因此不存在Es′=0的情况,则:
该步骤仅选择一处位置定位,该定位位置为阴影的边界处,便于观察阴影移动的情况。
5)根据上述判断结果,将所定位的拍摄位置发送给轨道相机,以拍摄遮荫边界位置的多帧图像。
在确定遮荫区域前,采集遮荫边界位置的多帧图像,无需重复采样,节约摄像机的储存资源。
步骤S003,获取步骤S002中获得的遮荫边界位置的遮荫区域。
获取遮荫区域的方法为将遮荫边界位置的多帧图像作为样本图像输入语义分割网络模型中,输出语义分割图,得到遮荫区域。
在本实施例中,语义分割网络模型采用Encoder-Decoder结构的deeplabv3网络。
其中,语义分割网络模型的训练过程为:
1)训练数据集采用轨道相机采集的图像,训练的标注为像素类别。
训练的标注为像素级标注,像素类别为两类:遮荫区域和其他无关项。
在本发明实施例中采用标注工具labelme进行语义分割网络的标注。
2)将数据集的80%作为训练集,余下20%作为测试集。
3)使用交叉熵损失函数训练语义分割网络模型。
所得语义分割图由于像素类别有两类,因此为二值图,设置为1和0,其中1代表遮荫区域,0代表无关项。
具体的,遮荫区域的获取步骤如下:
1)获取遮荫边界位置的多帧图像作为样本图像。
相机采样速率可根据需要自行设置,否则设置为一秒采集一帧。由于遮荫成因为云层或树木时,其遮荫区域大小变化速率较慢,因此,可以较小的采样速度拍摄,以防止存储空间不足。
2)将样本图像输入训练好的语义分割网络模型中。具体的,通过语义分割编码器(Encoder)对样本图像进行特征提取,获得特征图(Feature map)。将获得的特征图作为输入,送入语义分割解码器(Decoder)中,进行上采样输出,获得与网络输入的样本图像相同大小的语义分割图。
优选的,对二值图进行开运算以消除范围较小的非遮荫区域或误检得到的噪点,如树叶缝隙等。
具体到本实施例中开运算为先对二值图进行图像形态学腐蚀操作,再进行膨胀操作。
步骤一、分别获取第一时刻的遮荫区域与第二时刻的遮荫区域的最小外接矩形及相应的中心点坐标。
具体的:
1)在图像坐标系中统计遮荫区域各点像素坐标(x,y),对x进行排序得到横坐标最小值xmin和横坐标最大值xmax,同理,对y进行排序得到纵坐标最小值ymin和纵坐标最大值ymax。则最小外接矩形四个角点坐标为(xmin,ymin)、(xmin,ymax)、(xmax,ymin)和(xmax,ymax),以获得遮荫区域的最小外接矩形。
3)以光伏电池板为平面建立坐标系,光伏电池板左下角角点为坐标系原点,光伏电池板左下角角点指向左上角角点的方向为y轴方向,光伏电池板左下角角点指向右下角角点的方向为x轴方向。
最小外接矩形中心点坐标为图像坐标系中坐标,将其转换为电池板平面的坐标。
在本发明实施例中,通过采用四点法计算单应性矩阵来实现。
1)部署风向传感器和风速传感器。
由于同一光伏电池板区域内各位置风向和风速不存在大幅差异,因此,为节省成本,只在初始第一块光伏电池组件上方部署传感器。
在本发明实施例中,为了方便计算,风力以向量表示,向量的方向为风向传感器所得方向,向量的模为风速传感器所得风速大小。
同理,k取值为1,2,…,K,表示时间段的序号。
在本实施例中,遮荫成因分类通过人为标注,作为一个示例,将分类结果分为四类:小范围异物遮挡、云层遮挡、树木遮挡、未知类别。
小范围异物遮挡是指附着在电池板表面的灰尘等小范围内的异物,这种类别的遮荫不会因为风吹而移动;云层遮挡的遮荫范围较长时间不会移动,有风时会随着风吹而移动,但移动缓慢,与风的整体方向一致;树木遮挡的遮荫范围在无风的情况下不会移动,在有风的情况下,短时间内便移动;未知类别是指由于环境的复杂性,无法通过网络分析的某类偶然现象,如飞鸟等飞过造成的阴影等。
因此,本发明实施例预设一个经验时间段个数阈值T0,该阈值由实施者基于实际情况设置,当所判断时间段大于等于该阈值T0时,判断为较长时间;当所判断时间段小于该阈值T0时,判断为较短时间。
通过数据序列分析,若存在持续为零向量的情况,此类标注为小范围异物遮挡情况;若在时间段T1≥T0时由零向量变化为非零向量,且为非零向量时,与方向整体一致,此类标注为云层遮挡;若在为零向量时一直为零向量,且随着变化,在时间段T2<T0时出现变化,此类标注为树木遮挡情况;若不符合上述条件,则标注为未知类别。
TCN网络的具体训练方法包括:
2)将数据集的80%作为训练集,余下20%作为测试集。
3)使用交叉熵损失函数训练TCN网络。本发明实施例所用交叉熵损失函数具体为:
式中,n表示同一批量进行处理的数据数量,其中p(xi)表示真实概率分布,q(xi)表示预测概率分布。
通过TCN进行分类,考虑到连续时序上的历史数据,准确性较高。
综上所述,本发明实施例采用轨道相机对光伏电池板图像进行采集,并对时序上连续两帧图像进行亮度对比,通过对比结果判断是否存在阴影遮挡问题,并定位处于阴影遮挡边界的电池板,使轨道相机持续采集该位置图像,分析图像中阴影区域的变化,并结合传感器信息判断阴影成因,能够通过追踪阴影边界得到遮荫移动的偏移向量,无需检测全部遮荫区域,节约资源,提高效率,当确定成因后,光伏电站运维管理人员能够选择对应的处理方式,有助于遮荫情况的针对性处理,无需定时人工实地巡检,提高运维效率。
基于与上述方法实施例相同的发明构思,本发明另一个实施例还提供了一种基于多维度感知的光伏电池遮荫区域成因分类系统。
请参阅图3,该系统包括图像获取模块101、遮荫光伏组件定位模块102、遮荫区域获取模块103、遮荫区域偏移向量获取模块104、风向量获取模块105、遮荫区域的成因分类模块106。
具体的,图像获取模块101用于获取光伏电池板图像。遮荫光伏组件定位模块102用于判断光伏电池板图像是否遮荫,并对被遮荫光伏组件进行定位,得到被遮荫光伏组件的遮荫边界位置;遮荫区域获取模块103用于获取遮荫边界位置的遮荫区域。遮荫区域偏移向量获取模块104用于以第一时刻的遮荫区域与第二时刻的遮荫区域的偏移量作为遮荫区域偏移向量风向量获取模块105用于采集第一时刻与第二时刻之间的风向信息和风力信息,以获得风向量遮荫区域的成因分类模块106用于将连续时序的每个遮荫区域偏移向量和风向量组成的向量集合作为样本数据输入时间卷积网络中,输出遮荫区域的成因分类结果。
优选的,遮荫光伏组件定位模块,还包括:
匀光处理模块,用于对相邻两帧图像进行匀光处理;
遮荫情况判断模块,用于将经匀光处理后的相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示相邻两帧图像之间的平均明度差值;
当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
优选的,遮荫区域获取模块,还包括:
样本获取模块,用于获取遮荫边界位置的多帧图像作为样本图像。
语义分割模块,用于将样本图像输入语义分割网络模型中,获取被遮荫光伏组件的遮荫区域。
优选的,遮荫区域偏移向量获取模块,还包括:
坐标获取模块,用于分别获取第一时刻的遮荫区域与第二时刻的遮荫区域的最小外接矩形及相应的中心点坐标。
综上所述,本发明实施例通过图像获取模块对光伏电池板图像进行采集,遮荫光伏组件定位模块判断是否存在阴影遮挡问题,并定位处于阴影遮挡边界的电池板,遮荫区域获取模块、遮荫区域偏移向量获取模块使轨道相机持续采集该位置图像,分析图像中阴影区域的变化,并结合风向量获取模块和遮荫区域的成因分类模块判断阴影成因,能够通过追踪阴影边界得到遮荫移动的偏移向量,无需检测全部遮荫区域,节约资源,提高效率,当确定成因后,光伏电站运维管理人员能够选择对应的处理方式,有助于遮荫情况的针对性处理,无需定时人工实地巡检,提高运维效率。
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)
2.根据权利要求1所述的基于多维度感知的光伏电池遮荫区域成因分类方法,其特征在于,所述判断所述光伏电池板图像是否遮荫,其步骤如下:
对相邻两帧图像进行匀光处理;
将经匀光处理后的所述相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示所述相邻两帧图像之间的平均明度差值;
当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
3.根据权利要求1所述的基于多维度感知的光伏电池遮荫区域成因分类方法,其特征在于,所述遮荫区域的获取步骤为:
获取所述遮荫边界位置的多帧图像作为样本图像;
将所述样本图像输入语义分割网络模型中,获取被遮荫光伏组件的遮荫区域。
5.基于多维度感知的光伏电池遮荫区域成因分类系统,其特征在于,所述系统包括以下模块:
图像获取模块,用于获取光伏电池板图像;
遮荫光伏组件定位模块,用于判断所述光伏电池板图像是否遮荫,并对被遮荫光伏组件进行定位,得到所述被遮荫光伏组件的遮荫边界位置;
遮荫区域获取模块,用于获取所述遮荫边界位置的遮荫区域;
6.根据权利要求5所述的基于多维度感知的光伏电池遮荫区域成因分类系统,其特征在于,所述遮荫光伏组件定位模块,还包括:
匀光处理模块,用于对相邻两帧图像进行匀光处理;
遮荫情况判断模块,用于将经匀光处理后的所述相邻两帧图像转换为HSV色彩空间,构建遮荫评价函数ES:
Es=eα
其中,α表示所述相邻两帧图像之间的平均明度差值;
当平均明度差值α大于等于经验阈值时,判断为存在遮荫情况;当平均明度差值α小于经验阈值,判断为不存在遮荫情况。
7.根据权利要求5所述的基于多维度感知的光伏电池遮荫区域成因分类系统,其特征在于,所述遮荫区域获取模块,还包括:
样本获取模块,用于获取所述遮荫边界位置的多帧图像作为样本图像;
语义分割模块,用于将所述样本图像输入语义分割网络模型中,获取被遮荫光伏组件的遮荫区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069724.3A CN112163626A (zh) | 2020-09-30 | 2020-09-30 | 基于多维度感知的光伏电池遮荫区域成因分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069724.3A CN112163626A (zh) | 2020-09-30 | 2020-09-30 | 基于多维度感知的光伏电池遮荫区域成因分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163626A true CN112163626A (zh) | 2021-01-01 |
Family
ID=73862287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011069724.3A Withdrawn CN112163626A (zh) | 2020-09-30 | 2020-09-30 | 基于多维度感知的光伏电池遮荫区域成因分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163626A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991323A (zh) * | 2021-04-10 | 2021-06-18 | 河南巨捷电子科技有限公司 | 基于视觉感知的光伏电站组件阵列错位检测方法与系统 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
-
2020
- 2020-09-30 CN CN202011069724.3A patent/CN112163626A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991323A (zh) * | 2021-04-10 | 2021-06-18 | 河南巨捷电子科技有限公司 | 基于视觉感知的光伏电站组件阵列错位检测方法与系统 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110200598B (zh) | 一种大型养殖场体征异常禽类检测系统及检测方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN101930610B (zh) | 使用适应性背景模型的移动物体侦测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN110555420B (zh) | 一种基于行人区域特征提取和重识别融合模型网络及方法 | |
Lan et al. | Defect detection from UAV images based on region-based CNNs | |
CN112163626A (zh) | 基于多维度感知的光伏电池遮荫区域成因分类方法及系统 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN115050021B (zh) | 基于改进YOLOv4的非结构环境下葡萄识别方法 | |
CN111915558B (zh) | 一种高压输电线销钉状态检测方法 | |
CN113743505A (zh) | 基于自注意力和特征融合的改进ssd目标检测方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
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 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN112184651A (zh) | 一种基于人工智能的光伏电站零件松动检测系统及方法 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN114841932A (zh) | 光伏电站的光伏板的异物检测方法、系统、设备及介质 | |
CN115082432A (zh) | 基于细粒度图像分类的小目标螺栓缺陷检测方法及装置 | |
Zhang et al. | Unmanned Aerial Vehicle (UAV) vision-based detection of power line poles by CPU-based deep learning method |
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: 20210101 |