CN112183467A - 基于人工智能的光伏机器人沉陷卡死检测方法及系统 - Google Patents

基于人工智能的光伏机器人沉陷卡死检测方法及系统 Download PDF

Info

Publication number
CN112183467A
CN112183467A CN202011157422.1A CN202011157422A CN112183467A CN 112183467 A CN112183467 A CN 112183467A CN 202011157422 A CN202011157422 A CN 202011157422A CN 112183467 A CN112183467 A CN 112183467A
Authority
CN
China
Prior art keywords
distance
photovoltaic robot
subsidence
jamming
photovoltaic
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Withdrawn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
CN202011157422.1A
Other languages
English (en)
Inventor
曾忠英
邵传宏
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 CN202011157422.1A priority Critical patent/CN112183467A/zh
Publication of CN112183467A publication Critical patent/CN112183467A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于人工智能的光伏机器人沉陷卡死检测方法及系统，涉及人工智能领域。该方法包括如下步骤：采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像；将所述预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算所述第一关键点和所述第二关键点的距离，为第一距离；利用红外测距传感器获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，为第二距离；获取当前时刻所述第一距离与上一时刻所述第一距离的差值，结合所述第二距离获取沉陷卡死度量值；当所述沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。实现了对光伏机器人沉陷卡死问题的自动和实时监测。

Description

基于人工智能的光伏机器人沉陷卡死检测方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的光伏机器人沉陷卡死检测方法及系统。
背景技术
对光伏电站来说，尘埃污染是影响发电量的重要因素，不仅会减少组件接受的光辐照量、影响系统效率、降低发电量，局部遮蔽还会引起热斑效应、造成发电量损失、影响组价的寿命，同时造成安全隐患。所以在光伏电站运维中，对光伏组件的清扫工作尤为重要。对于光伏电池板的清洁，目前最常采用的是各式各样的光伏机器人进行清扫，而在日常清洁维护工作中，会出现轮子悬空、轮子沉陷、缠绕卡死等状况，导致清洁机器人无法动弹。
尽管目前的光伏机器人都有卡死自动校正的功能，但是当光伏机器人因轮子偏离轨道造成的沉陷卡死，只能通过人工发现和校正，而这样使监管人员不能及时发现并处理，影响工作效率。
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人工智能的光伏机器人沉陷卡死检测方法及系统，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人工智能的光伏机器人沉陷卡死检测方法，包括以下步骤：
采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，所述图像信息包括所述光伏机器人的特征信息和所述光伏机器人当前时刻所处电池板的特征信息；
将所述预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算所述第一关键点和所述第二关键点的距离，为第一距离，所述第一距离用于反映当前时刻所述光伏机器人在所处电池板的位置；
获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，为第二距离；
获取当前时刻所述第一距离与上一时刻所述第一距离的差值，结合所述第二距离获取沉陷卡死度量值，所述差值为所述光伏机器人当前时刻与上一时刻之间的移动距离；
当所述沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
优选的，所述第一关键点为所述光伏机器人的中心点，且包含其位置信息；所述第二关键点为所述光伏机器人所处电池板中与所述光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
优选的，所述的获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，包括：在所述光伏机器人底部中心点位置安装红外测距传感器，实时测量所述光伏机器人底部中心点到电池板表面的高度。
优选的，所述的沉陷卡死度量值为：
Figure BDA0002743187470000021
其中，ΔL为所述移动距离，h为所述第二距离，k为非零常数，α为第一调整系数，β为第二调整系数。
进一步的，该方法还包括结合BIM及其信息交换模块和WebGIS对所述光伏机器人沉陷卡死的检测结果进行可视化处理。
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机器人沉陷卡死检测系统，该系统包括：
图像采集模块，用于采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，所述图像信息包括所述光伏机器人的特征信息和所述光伏机器人当前时刻所处电池板的特征信息；
第一距离获取模块，用于将所述预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算所述第一关键点和所述第二关键点的距离，为第一距离，所述第一距离用于反映当前时刻所述光伏机器人在所处电池板的位置；
第二距离获取模块，用于获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，为第二距离；
沉陷卡死计算模块，用于获取当前时刻所述第一距离与上一时刻所述第一距离的差值，结合所述第二距离获取沉陷卡死度量值，所述差值为所述光伏机器人当前时刻与上一时刻之间的移动距离；
沉陷卡死判定模块，用于当所述沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
优选的，所述的第一距离获取模块中，第一关键点为所述光伏机器人的中心点，且包含其位置信息；所述第二关键点为所述光伏机器人所处电池板中与所述光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
优选的，所述的第二距离获取模块，包括：在所述光伏机器人底部中心点位置安装红外测距传感器，实时测量所述光伏机器人底部中心点到电池板表面的高度。
优选的，所述的沉陷卡死计算模块中，所述沉陷卡死度量值为：
Figure BDA0002743187470000031
其中，ΔL为所述移动距离，h为所述第二距离，k为非零常数，α为第一调整系数，β为第二调整系数。
进一步的，该系统还包括结合BIM及其信息交换模块和WebGIS对所述光伏机器人沉陷卡死的检测结果进行可视化处理。
本发明至少具有如下有益效果：
本发明通过光伏机器人当前时刻与上一时刻之间的移动距离、当前时刻光伏机器人底部中心与所处电池板表面的距离建立模型映射出光伏机器人当前时刻的卡死状态，实现了对光伏机器人沉陷卡死问题的实时监测。并且本发明结合人工智能建立关键点提取网络，提取所采集光伏机器人工作过程中的图像信息中的机器人的关键点和机器人所处电池板的关键点，根据两个关键点获取当前时刻光伏机器人在所处电池板的位置信息，然后获取光伏机器人当前时刻与上一时刻之间的移动距离。实现了对光伏机器人移动信息数据的自动和实时检测。
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一种基于人工智能的光伏机器人沉陷卡死检测方法示意图；
图2为本发明一个实施例所提供的一种基于人工智能的光伏机器人沉陷卡死检测方法流程图；
图3为本发明一个实施例所提供的一种基于人工智能的光伏机器人沉陷卡死检测方法中光伏机器人运行过程俯视图；
图4为本发明一个实施例所提供的一种基于人工智能的光伏机器人沉陷卡死检测系统框架图。
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机器人沉陷卡死检测方法及系统，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人工智能的光伏机器人沉陷卡死检测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所提供的一种基于人工智能的光伏机器人沉陷卡死检测方法示意图。图2示出了本发明一个实施例所提供一种基于人工智能的光伏机器人沉陷卡死检测方法的流程图。图3示出了本发明一个实施例所提供的一种基于人工智能的光伏机器人沉陷卡死检测方法中光伏机器人运行过程俯视图。
一种基于人工智能的光伏机器人沉陷卡死检测方法，其流程如图2所示，包括如下步骤：
步骤1：采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，图像信息包括光伏机器人的特征信息和光伏机器人当前时刻所处电池板的特征信息。
步骤2：将预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算第一关键点和第二关键点的距离，为第一距离，第一距离用于反映当前时刻光伏机器人在所处电池板的位置。
步骤3：获取当前时刻光伏机器人的底部中心点到所处电池板的距离，为第二距离。
步骤4：获取当前时刻第一距离与上一时刻第一距离的差值，结合第二距离获取沉陷卡死度量值，差值为光伏机器人当前时刻与上一时刻之间的移动距离。
步骤5：当沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
综上所述，本发明实施例提供了一种基于人工智能的光伏机器人沉陷卡死检测方法，该方法通过光伏机器人当前时刻与上一时刻之间的移动距离、当前时刻光伏机器人底部中心与所处电池板表面的距离建立模型映射出光伏机器人当前时刻的卡死状态，实现了对光伏机器人沉陷卡死问题的实时监测。并且本发明结合人工智能建立关键点提取网络，提取所采集光伏机器人工作过程中的图像信息中的机器人的关键点和机器人所处电池板的关键点，根据两个关键点获取当前时刻光伏机器人在所处电池板的位置信息，然后获取光伏机器人当前时刻与上一时刻之间的移动距离。实现了对光伏机器人移动信息数据的自动和实时检测。
具体的，在本实施例步骤1中，采集图像的方式是通过无人机携带摄像机并以固定的高度飞行进行图像采集，对光伏机器人的工作过程进行实时监督。
需要说明的是，在本实施中，需要获取光伏机器人工作过程中的俯视图像，而无人机在实际图像采集过程中可能会存在角度的偏差，所以需要采集的图像进行相关的预处理。在本实施例中，采用透视变换将采集的图像投影到一个新的视平面中，具体变换公式如下：
Figure BDA0002743187470000051
其中，(u，v)为原始图像中的像素坐标；w和w′为缩放因子，
Figure BDA0002743187470000052
为图像之间的单应矩阵。
需要说明的是，(x，y)为变换之后的图像坐标，
Figure BDA0002743187470000053
在本实施例中，w和w′取值为1。
通过采集图像中透视变换对应的四对像素点坐标，即可求得单应矩阵，最终基于单应矩阵将采集图像的像素点一一投影变换到同一视平面中，获得预处理图像。变换矩阵以及对应像素点的选取方法为所属技术领域的公知常识，本实施例中不再详细叙述。
具体的，如图1所示，在本实施例步骤2中，关键点检测网络包括第一编码器(Encoder)和第一(Decoder)解码器。在本实施例中，关键点检测网络输出的第一关键点为光伏机器人的中心点，且包含其位置信息；关键点检测网络输出的第二关键点为光伏机器人所处电池板中与光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
需要说明的是，请参阅附图3，在本实施例中，图中的箭头所指示的方向为光伏机器人运动方向，也即是沿电池板右端开始向左移动。在本实施例中，第二关键点23为光伏机器人21所处电池板20右上方的角点。光伏机器人21在工作过程中，其中心点22与每排电池板中心线24重合。需要说明的是，光伏机器人21的中心点22即为第一关键点，其与第二关键点之间的距离为第一距离L。
具体的，关键点检测网络训练过程如下：
首先进行数据标注，在本实施例中，将机器人中心点以及电池板的四个角点作为关键点，然后根据关键点的坐标(x，y)进行标注，将标注的关键点散点图与高斯核卷积得到关键点热力图。
然后将步骤1中的预处理图像以及标签数据送入网络中进行训练，第一编码器对预处理图像进行特征提取，第一解码器对提取获得的特征进行上采样，最终输出关键点热力图，也即光伏机器人中心点以及电池板右上方的角点。最后采用均方差损失函数进行迭代训练。
需要说明的是，深度神经网络中的第一编码器和第一解码器有多种实现方式，包括沙漏网络Hourglass、Mask-RCNN和deeplabv3等网络结构。在本实施例中，采用的是采用Deeplabv3的网络结构。
具体的，在本实施例步骤3中，采用红外测距传感器获取当前时刻光伏机器人的底部中心点到所处电池板的距离，在其他实施例中，也可采用超声波测距传感器以及其他能够实现该功能的传感器。具体的，认为光伏清洁机器人在正常工作时的工作高度为固定值H，当机器人出现轮子沉陷时，工作高度会降低，底盘测距传感器能够测量到相应的变化。
需要说明的是，在本实施例中，测距传感器安装在机器人底部中心点位置，用于测量测量光伏机器人底部中心点到电池板的高度。
具体的，在本实施例步骤4中，光伏机器人在当前时刻的第一距离与上一时刻的第一距离的差值为光伏电池板当前时刻与上一时刻之间的移动距离ΔL。第二距离为光伏机器人底部中心点到所处电池板的距离h。然后获得沉陷卡死度量值为：
Figure BDA0002743187470000061
其中，k为非零常数，α为第一调整系数，β为第二调整系数。
具体的，在本实施例中，k＝5；经多组测试数据拟合后，α＝3，β＝0.5。
具体的，在本实施例步骤5中，根据实际情况，设置阈值N，上述获取的沉陷卡死度量值ε超过所设阈值N，则认为此时光伏清洁机器人处于沉陷卡死状态，自身无法脱困，及时对工作人员进行提示，对机器人进行检查维修，防止因光伏机器人长时间沉陷卡死造成的机器人组件损坏问题。
进一步的，为了直观的呈现出光伏机器人沉陷卡死的状态，本实施结合建筑信息模型(Building Information Modeling，BIM)通过网络地理信息系统(Web GeographicInformation System，WebGIS)进行可视化处理，具体的：
构建三维光伏电站BIM及其信息交换模块的内部关系，即以建筑信息数据为基础，建立起三维光伏电站空间模型和光伏电站信息的有机综合体。光伏电站信息主要包含电池板的位置信息、获取相机感知信息、相应的地理位置信息以及当前环境的信息，且该系统模型有一定的生命周期，需根据实际环境更新。需要说明的是，信息交换模块是一种BIM的数据库的访问模块，具有多种实现形式，包括RESTful、MQ等，本实施例中，采用RESTful的交换形式。
完成对三维光伏电站BIM及其信息交换模块的构建后，结合光伏电池板沉陷卡死模型，判断机器人是否出现沉陷卡死现象，然后经过信息交换模块上传到WebGIS进行可视化处理，便于光伏电站的工作人员实时了解光伏机器人的运行状态，做出及时的应对处理，并且还能够监测光伏电站每个电池板的倾斜角度，并对偏离最佳倾角的电池板进行调整。
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基于人工智能的光伏机器人沉陷卡死检测系统。
请参阅图3，该光伏机器人沉陷卡死检测系统100包括图像采集模块101、第一距离获取模块102、第二距离获取模块103、沉陷卡死计算模块104和沉陷卡死判定模块105。
具体的，图像采集模块用于采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，图像信息包括光伏机器人的特征信息和光伏机器人当前时刻所处电池板的特征信息。第一距离获取模块用于将预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算第一关键点和第二关键点的距离，为第一距离，第一距离用于反映当前时刻光伏机器人在所处电池板的位置。第二距离获取模块用于获取当前时刻光伏机器人的底部中心点到所处电池板的距离，为第二距离。沉陷卡死计算模块用于获取当前时刻第一距离与上一时刻第一距离的差值，结合第二距离获取沉陷卡死度量值，差值为光伏机器人当前时刻与上一时刻之间的移动距离。沉陷卡死判定模块用于当沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
具体的，在本实施例中，第一距离获取模块中，第一关键点为光伏机器人的中心点，且包含其位置信息；第二关键点为光伏机器人所处电池板中与光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
具体的，在本实施例中，第二距离获取模块，包括：在光伏机器人底部中心点位置安装红外测距传感器，实时测量光伏机器人底部中心点到电池板表面的高度。
具体的，在本实施例中，在沉陷卡死计算模块中，沉陷卡死度量值为：
Figure BDA0002743187470000071
其中，ΔL为移动距离，h为第二距离，k为非零常数，α为第一调整系数，β为第二调整系数。
进一步的，该系统还包括结合BIM及其信息交换模块和WebGIS对光伏机器人沉陷卡死的检测结果进行可视化处理。
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 (10)

1.一种基于人工智能的光伏机器人沉陷卡死检测方法，其特征在于，包括以下步骤：
采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，所述图像信息包括所述光伏机器人的特征信息和所述光伏机器人当前时刻所处电池板的特征信息；
将所述预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算所述第一关键点和所述第二关键点的距离，为第一距离，所述第一距离用于反映当前时刻所述光伏机器人在所处电池板的位置；
获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，为第二距离；
获取当前时刻所述第一距离与上一时刻所述第一距离的差值，结合所述第二距离获取沉陷卡死度量值，所述差值为所述光伏机器人当前时刻与上一时刻之间的移动距离；
当所述沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
2.根据权利要求1所述的基于人工智能的光伏机器人沉陷卡死检测方法，其特征在于，所述的所述第一关键点为所述光伏机器人的中心点，且包含其位置信息；所述第二关键点为所述光伏机器人所处电池板中与所述光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
3.根据权利要求1所述的基于人工智能的光伏机器人沉陷卡死检测方法，其特征在于，所述的获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，包括：在所述光伏机器人底部中心点位置安装红外测距传感器，实时测量所述光伏机器人底部中心点到电池板表面的高度。
4.根据权利要求1所述的基于人工智能的光伏机器人沉陷卡死检测方法，其特征在于，所述的沉陷卡死度量值为：
Figure FDA0002743187460000011
其中，ΔL为所述移动距离，h为所述第二距离，k为非零常数，α为第一调整系数，β为第二调整系数。
5.根据权利要求1所述的基于人工智能的光伏机器人沉陷卡死检测方法，其特征在于，还包括结合BIM及其信息交换模块和WebGIS对所述光伏机器人沉陷卡死的检测结果进行可视化处理。
6.一种基于人工智能的光伏机器人沉陷卡死检测系统，其特征在于，包括：
图像采集模块，用于采集光伏机器人工作过程中的图像信息，经预处理后得到预处理图像，所述图像信息包括所述光伏机器人的特征信息和所述光伏机器人当前时刻所处电池板的特征信息；
第一距离获取模块，用于将所述预处理图像经过关键点检测网络，获得第一关键点和第二关键点，并计算所述第一关键点和所述第二关键点的距离，为第一距离，所述第一距离用于反映当前时刻所述光伏机器人在所处电池板的位置；
第二距离获取模块，用于获取当前时刻所述光伏机器人的底部中心点到所处电池板的距离，为第二距离；
沉陷卡死计算模块，用于获取当前时刻所述第一距离与上一时刻所述第一距离的差值，结合所述第二距离获取沉陷卡死度量值，所述差值为所述光伏机器人当前时刻与上一时刻之间的移动距离；
沉陷卡死判定模块，用于当所述沉陷卡死度量值超过预设阈值时，判定光伏机器人处于沉陷卡死状态。
7.根据权利要求6所述的基于人工智能的光伏机器人沉陷卡死检测系统，其特征在于，所述的第一距离获取模块中，第一关键点为所述光伏机器人的中心点，且包含其位置信息；所述第二关键点为所述光伏机器人所处电池板中与所述光伏机器人运行方向相反且在上方的角点，且包含其位置信息。
8.根据权利要求6所述的基于人工智能的光伏机器人沉陷卡死检测系统，其特征在于，所述的第二距离获取模块，包括：在所述光伏机器人底部中心点位置安装红外测距传感器，实时测量所述光伏机器人底部中心点到电池板表面的高度。
9.根据权利要求6所述的基于人工智能的光伏机器人沉陷卡死检测系统，其特征在于，所述的沉陷卡死计算模块中，所述沉陷卡死度量值为：
Figure FDA0002743187460000021
其中，ΔL为所述移动距离，h为所述第二距离，k为非零常数，α为第一调整系数，β为第二调整系数。
10.根据权利要求6所述的基于人工智能的光伏机器人沉陷卡死检测系统，其特征在于，还包括结合BIM及其信息交换模块和WebGIS对所述光伏机器人沉陷卡死的检测结果进行可视化处理。
CN202011157422.1A 2020-10-26 2020-10-26 基于人工智能的光伏机器人沉陷卡死检测方法及系统 Withdrawn CN112183467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011157422.1A CN112183467A (zh) 2020-10-26 2020-10-26 基于人工智能的光伏机器人沉陷卡死检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011157422.1A CN112183467A (zh) 2020-10-26 2020-10-26 基于人工智能的光伏机器人沉陷卡死检测方法及系统

Publications (1)

Publication Number Publication Date
CN112183467A true CN112183467A (zh) 2021-01-05

Family

ID=73922780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011157422.1A Withdrawn CN112183467A (zh) 2020-10-26 2020-10-26 基于人工智能的光伏机器人沉陷卡死检测方法及系统

Country Status (1)

Country Link
CN (1) CN112183467A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114151062A (zh) * 2021-12-28 2022-03-08 中国铁建重工集团股份有限公司 基于web端臂架类施工作业装备状态监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114151062A (zh) * 2021-12-28 2022-03-08 中国铁建重工集团股份有限公司 基于web端臂架类施工作业装备状态监测方法

Similar Documents

Publication Publication Date Title
CN113744270B (zh) 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法
CN110243354B (zh) 一种城市违法建筑物动态监测方法和系统
CN112633535A (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN112184711A (zh) 一种光伏组件缺陷检测和定位方法及系统
CN105373135A (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN113379712B (zh) 一种基于计算机视觉的钢桥螺栓病害检测方法及系统
CN113532293B (zh) 一种基于无人机的结构动位移测量方法及系统
CN102831393A (zh) 电力杆塔轮廓的快速图像识别方法
CN112802004B (zh) 便携式输电线路和杆塔健康智能视频检测装置
CN114743115A (zh) 一种光伏电子设备的遮挡物识别方法及故障预警系统
CN111967323B (zh) 一种基于深度学习算法的电力带电作业安全检测方法
CN115993096A (zh) 一种高层建筑变形测量方法
CN114529537A (zh) 光伏板的异常目标检测方法、系统、设备及介质
CN112528979A (zh) 变电站巡检机器人障碍物判别方法及系统
CN112183467A (zh) 基于人工智能的光伏机器人沉陷卡死检测方法及系统
Xie et al. Photovoltaic panel anomaly detection system based on Unmanned Aerial Vehicle platform
CN108960236A (zh) 基于二维码匹配与图像识别的指针式仪表识别方法
CN113591973B (zh) 一种轨道板外观状态变化智能比对方法
CN117036825A (zh) 一种太阳能电池板检测方法、介质及系统
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
CN116388669A (zh) 一种基于Swin Transformer的光伏板异物检测与清洁方法
CN116342693A (zh) 一种基于点云和卷积神经网络的桥梁缆索表面损伤快速定位方法
CN115082455A (zh) 基于深度学习的红外图像中光伏组件定位和缺陷检测方法
CN113949142A (zh) 一种基于视觉识别的巡线机器人自主充电方法、系统
CN114821444A (zh) 一种基于视觉感知的无人天车作业区域安全检测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210105