CN112561857A - 一种基于无人机的光伏板灰尘检测系统及检测方法 - Google Patents
一种基于无人机的光伏板灰尘检测系统及检测方法 Download PDFInfo
- Publication number
- CN112561857A CN112561857A CN202011289785.0A CN202011289785A CN112561857A CN 112561857 A CN112561857 A CN 112561857A CN 202011289785 A CN202011289785 A CN 202011289785A CN 112561857 A CN112561857 A CN 112561857A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic panel
- dust
- aerial vehicle
- unmanned aerial
- 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.)
- Pending
Links
- 239000000428 dust Substances 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000009825 accumulation Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000008021 deposition Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 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
- 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
- G01N21/94—Investigating contamination, e.g. dust
-
- 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
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机的光伏板灰尘检测系统及检测方法,包括运载平台,所述运载平台上设置有图像采集装置,包括后台服务器,所述图像采集装置通过通信网络与后台服务器信号相连。所述运载平台中设置有运行控制程序,所述图像采集装置为云台相机;所述后台服务器中设置有图像处理模型。所述运载平台为多旋翼无人机;包括平板设备,所述平板设备中设置有路线规划APP。所述多旋翼无人机上设置有RTK模块,所述多旋翼无人机通过RTK模块连接至千寻网络,提高设备的定位精度。通过采用本技术方案,能自动化的检测太阳能电池板上灰尘,并作出是否需要清洗的判定。
Description
技术领域
本发明涉及太阳能发电领域,特别是涉及一种基于无人机的光伏板灰尘检测系统及检测方法。
背景技术
随着我国国民经济的发展,新型能源产业的大力投入与建设,尤其是光伏发电作为21世纪新型、清洁、可再生能源。在已建设且投入运营的光伏场站中,光伏板置于室外,其表面易于集聚灰尘,这直接影响光伏板的发电效率和光伏板的使用寿命。对于光伏板表面灰尘的检测,靠人工主观观察,不但效率低下,而且难以对灰尘集聚程度做到量化,因而对光伏板有效的清洗工作带来困难:灰尘少的时候去频繁清洗,浪费财力、人力、易损坏光伏板组件;灰尘严重时再去清洗,积灰已对光伏板进行腐蚀、影响发电效率;同一场站的不同区域,光伏板积灰程度也不相同,需有针对性的清洗才可。
随着多旋翼无人机在地理测绘、电力巡检、应急救灾等方向的使用日趋频繁,多旋翼无人机的技术愈发成熟,飞行稳定性大幅提高,事故率逐步降低,挂载的传感器愈发小型化,350mm轴距的四旋翼无人机可使用RTK模块实现厘米级精度的飞行定位,并可挂载对应相机,拍摄高清照片。
对于光伏板灰尘的检测,目前主要为人工主观判断和预安装灰尘传感器。人工主观判断,这种传统的光伏板灰尘检测方式,存在以下缺陷:检测效率低下、人力成本高昂、对整个电站的光伏板难以全面检测、人员安全存在一定的危险性、难以准确定位落灰程度。预安装灰尘传感器,这种新型的光伏板灰尘检测方式,存在以下缺陷与不足:在光伏场站投入运营后安装难度大、传感器长期暴露在室外易损坏、成本高昂、难以高效合理地利用这些安装的传感器。
现有技术方案一:《光伏板灰尘检测系统》(CN201822228662.0),《光伏板灰尘检测系统及方法》(CN201811615101.4)。该技术方案提出了一种光伏板灰尘检测系统:包括光伏板以及固定光伏板的支撑架;还包括:图像获取装置以及与光伏板材质相同的采样模块;所述采样模块设置在光伏板的旁边,与光伏板处于同一平面内,采样模块的设置角度与光伏板相同;所述图像获取装置采集采样模块表面的图像信息并传送至处理器,所述处理器对接收到的图像信息进行处理,确定灰尘颗粒在采样模块表面的图像中所占的面积比例,根据所述比例确定是否对光伏板进行清理。
现有技术方案二:《光伏板灰尘检测装置》(CN201320440972.3)。该技术方案提出了一种应用于光伏发电系统的光伏板灰尘检测装置,包括:灰尘传感器,其连接至控制器,测量所述光伏板上的灰尘量,并将测量到的灰尘量进行数字化后得到的灰尘量值发送至所述控制器;辐照度传感器,其连接至所述控制器,测量所述光伏板上的光辐照强度,并将测量到的光辐照强度进行数字化后得到的光辐照强度值发送至所述控制器;功率测量单元,其连接至所述控制器,测量所述光伏发电系统的发电功率值,并将测量到的发电功率值发送至所述控制器;所述控制器,连接至所述灰尘传感器、所述辐照度传感器和所述功率测量单元,根据接收到的所述灰尘量值、所述光辐照强度值和/或所述发电功率值,输出控制信号。
现有技术方案三:《一种基于物联网的光伏板灰尘检测装置》(CN201920620344.0)。该技术方案提出了一种基于物联网的光伏板灰尘检测装置,包括光伏单元、清理箱、第一摄像头,所述光伏单元包括底座,所述底座上面安装有第一支杆,所述第一支杆顶部安装有太阳能板,所述太阳能板后面安装有第二支杆,所述第二支杆顶部安装有所述第一摄像头,所述太阳能板下面安装有第一处理器,所述第一处理器型号为586型,所述第一处理器下面安装有信号发射器,所述信号发射器型号为TXD1型,所述光伏单元外侧设置有所述清理箱,所述清理箱顶部安装有第二摄像头,所述清理箱前面安装有检修门,所述清理箱一侧设置有第一气管,所述第一气管前面安装有第一喷嘴,所述第一喷嘴形状为扁平形,所述第一喷嘴设置有8个,所述第一喷嘴与所述太阳能板呈45度夹角,所述第一气管上面安装有第二喷嘴,所述第二喷嘴与所述第一摄像头同轴,所述第二喷嘴后面安装有第二气管,所述清理箱底部四角均匀分布有4个行走电机,所述行走电机上面安装有行走轮,所述清理箱内安装有电控阀,所述电控阀下方设置有气泵,所述气泵一侧设置有第二处理器,所述第二处理器型号为586型,所述第二处理器上面安装有信号接收器,所述信号接收器型号为SX1278ZTR4-GC型,所述信号发射器和所述信号接收器采用无线电连接,所述第一处理器分别与所述信号发射器和所述第一摄像头电连接,所述第二处理器分别与所述信号接收器、所述电控阀、所述气泵、所述第二摄像头和所述行走电机电连接。
现有技术缺点一:初始投入成本高昂。如采用“灰尘传感器”、“辐照度传感器”、“功率单元”相结合的灰尘检测技术,在初期需要给光伏场站预安装大量的多种传感器设备,这使得在检测系统上投入大量的硬件成本。
现有技术缺点二:后期需持续投入相应的财力及人力。对于给光伏场站预安装传感器设备进行灰尘检测的系统及装置,均需后期持续投入对此类设备的维护与检修,甚至更换。
现有技术缺点三:现有检测技术难以确定到每一个光伏组件的灰尘积聚程度。如“通过预安装图像获取装置,光伏板材质相同的采样模块”的检测方案,只能定性的检测出该采样模块所处区域的积灰程度,而并非光伏板实际积灰程度,更别说是准确检测到具体每一个光伏组件的积灰程度。
现有技术缺点四:灰尘检测系统的复用效率低下,现有技术都是预安装在固定场站,无法在多个光伏场站使用同一套光伏板灰尘检测系统。
发明内容
本发明的发明目的在于:针对上述存在的问题,针对以上缺点,本发明提供了一种基于无人机的光伏板灰尘检测系统及检测方法,在本技术方案中,不再只对一个场站进行固定检测灰尘积聚程度,而是能够在多个场站实现可移动切换作业,提高检测系统的复用率;初始投入成本低廉且后期使用中无需对该检测系统持续投入财力及人力;能够准确检测到每一组光伏组件上的灰尘积聚程度级别;同时该方案中检测设备易于获取、可移动性强、易于操作、便于携带且灵活性高等特点。
本发明采用的技术方案如下:
一种基于无人机的光伏板灰尘检测系统,包括运载平台,所述运载平台上设置有图像采集装置,包括后台服务器,所述图像采集装置通过通信网络与后台服务器信号相连。
进一步地,本发明公开了一种基于无人机的光伏板灰尘检测系统的优选结构,所述运载平台中设置有运行控制程序,所述图像采集装置为云台相机;所述后台服务器中设置有图像处理模型。
进一步地,所述台服务器为深度学习服务器,所述运载平台为多旋翼无人机;包括平板设备,所述平板设备中设置有路线规划APP。
进一步地,所述多旋翼无人机上设置有RTK模块,所述多旋翼无人机通过RTK模块连接至千寻网络,提高设备的定位精度。
一种基于无人机的光伏板灰尘检测系统的检测方法,包括以下步骤:
S1.根据作业现场规划无人机航线,运载平台搭载图像采集装置采集太阳能电池板的图像数据;
S2.图像采集装置将采集到的图像数据发送到后台服务器,后台服务器对图像进行预处理;
S3.后台服务器构建图像数据特征提取模型,后台服务器对预处理的数据通过图像数据特征提取模型进行特征提取;
S4.后台服务器中创建灰尘聚集程度级别数据库;
S5.后台服务器根据步骤S3中提取出来的特征数据与灰尘聚集程度级别数据库比对,判断太阳能电池板上的灰尘聚集程度。
进一步地,步骤S3中,建图像数据特征提取模型包括以下步骤:
S3.1、构建深度残差卷积神经网络模型,并对构建的深度残差卷积神经网络模型进行优化训练;
S3.2、判断训练后的深度残差卷积神经网络模型是否收敛,若收敛则进入步骤S3.3,若不收敛则回到步骤S3.1重新构建深度残差卷积神经网络模型并训练,重复若干次;
S3.3、对步骤S3.2中产生的收敛模型进行验证,获取最优的收敛模型,作为迁移学习的预训练模型;
S3.4、将步骤S2中预处理后的图像数据送入步骤S3.3中生成的预训练模型进行训练,对预训练模型实现微调,实现迁移学习,得到光伏板图像数据特征提取的深度学习模型。
进一步地,步骤S2中,图像进行预处理包括以下步骤:
S2.1、对采集到的图像进行太阳能电池板识别,并将太阳能电池板所对应的图像区域分割出来形成单一的太阳能电池板图像;
S2.2、对生成的单一的太阳能电池板图像进行线性滤波、非线性滤波和形态性学滤波处理;
S2.3、对步骤2处理后的图形进行“图像归一化”以及“图像特定尺寸缩放”算法处理,生成标准图像。
进一步地,步骤S4中,创建灰尘聚集程度级别数据库包括以下步骤:
S4.1、将光伏板灰尘积聚程度分为若干级别,根据步骤S3的光伏板图像特征提取数据,通过层次聚类算法对大量的光伏板灰尘图像数据实现不同灰尘积聚程度的图像特征数据划分,对光伏板积灰程度达到一个标准的量化度量;
S4.2、通过采用求解聚类质心的方法构建灰尘积聚程度级别数据库。
进一步地,在步骤S5中,根据步骤S3的光伏板图像特征提取数据与步骤S4创建的光伏板灰尘积聚程度级别数据库通过求解欧式距离进行最优匹配,准确检测出指定光伏组件的光伏板表面灰尘积聚程度级别,为是否进行清洗做出合理的判断依据。
进一步地,步骤S3.1中,对构建的深度残差卷积神经网络模型进行优化训练时,采用开源图像数据集ImageNet、CIFAR、Pascal VOC、COCO对深度残差卷积神经网络模型进行优化训练。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.通过设置一种基于无人机作为光伏板图像数据采集的传感器设备,在整个检测系统中,核心采用图像预处理、机器学习以及深度学习进行落灰程度的检测方法。与现有技术相比,能避免人员伤亡。在整个检测系统中,图像采集由无人机根据场站光伏板排版形式规划飞行航线,定点检测光伏板图像数据,全程无人人工参与。
2.本技术方案高效率,无人机检测光伏板图像数据与单个人工检测效率比为9000:1;
3.本技术成本低,本发明所实现的光伏板灰尘检测系统,以作为光伏板图像数据采集传感器,无人机代替其它冗余的传感器,降低对光伏板灰尘检测系统的成本投入;
4.本发明具有易用性与泛化性,本发明所实现的光伏板检测系统,基于无人机的灵活、轻便的特性,一套检测系统,可用于多个光伏场站以及不同类型的光伏场站,使得易用而且泛化性强。
附图说明
图1是本发明硬件设备架构示意图;
图2是本发明整体方案实施阶段流程图;
图3是光伏板图像数据特征提取模型构建流程图;
图4是光伏板表面灰尘积聚程度检测作业流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
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仅用以解释本发明,并不用于限定本发明。
实施例1:
如图1所示,本发明公开了一种基于无人机的光伏板灰尘检测系统的优选实施方式,包括运载平台,所述运载平台为四旋翼无人机,所述四旋翼无人机通过平板设备进行通信和控制,所述运载平台中设置有运行控制程序,其中平板设备运行独立APP,针对特定光伏场站设置规划无人机飞行航线,进行采集光伏板图像数据。所述运载平台上设置有图像采集装置,所述图像采集装置为云台相机;包括后台服务器,所述图像采集装置通过通信网络与后台服务器信号相连。所述后台服务器中设置有图像处理模型。
所述运载平台为多旋翼无人机。可以采用采用大疆精灵Phantom 4Pro V2.0四旋翼无人机,所述多旋翼无人机上设置有RTK模块,所述多旋翼无人机通过RTK模块连接至千寻网络,提高设备的定位精度。实现网络RTK定位,将定位精度提高到厘米级,并自带云台相机实现图像数据的实时采集。后台服务器运行光伏板灰尘检测算法程序,将无人机采集的图像数据进行检测,精确反馈每一组光伏组件表面的灰尘积聚程度,对是否清洗做出合理判断。
实施例2:
如图2-图4,本发明公开了一种基于无人机的光伏板灰尘检测系统的检测方法,包括以下步骤:
S1.根据作业现场规划无人机航线,运载平台搭载图像采集装置采集太阳能电池板的图像数据;针对特定光伏场站,在配有对应的平板APP上进行无人机飞行航线的规划,确定后续每次图像数据采集时无人机自动飞行的航线路径,以此实现定期无人机自助飞行采集光伏板图像数据给指定后台服务器。
S2.图像采集装置将采集到的图像数据发送到后台服务器,后台服务器对图像进行预处理;图像进行预处理包括以下步骤:
S2.1、对采集到的图像进行太阳能电池板识别,并将太阳能电池板所对应的图像区域分割出来形成单一的太阳能电池板图像;
S2.2、对生成的单一的太阳能电池板图像进行线性滤波、非线性滤波和形态性学滤波处理;
S2.3、对步骤2处理后的图形进行“图像归一化”以及“图像特定尺寸缩放”算法处理,生成标准图像。
S3.后台服务器构建图像数据特征提取模型,后台服务器对预处理的数据通过图像数据特征提取模型进行特征提取;将该模型提取到的光伏板数字图像数据特征映射到一维向量。具体建模过程:
S3.1、构建深度残差卷积神经网络模型,并对构建的深度残差卷积神经网络模型进行优化训练;对构建的深度残差卷积神经网络模型进行优化训练时,采用开源图像数据集ImageNet、CIFAR、Pascal VOC、COCO对深度残差卷积神经网络模型进行优化训练;
S3.2、判断训练后的深度残差卷积神经网络模型是否收敛,若收敛则进入步骤S3.3,若不收敛则回到步骤S3.1重新构建深度残差卷积神经网络模型并训练,重复若干次;
S3.3、对步骤S3.2中产生的收敛模型进行验证,获取最优的收敛模型,作为迁移学习的预训练模型;
S3.4、将步骤S2中预处理后的图像数据送入步骤S3.3中生成的预训练模型进行训练,对预训练模型实现微调,实现迁移学习,得到光伏板图像数据特征提取的深度学习模型。
S4.后台服务器中创建灰尘聚集程度级别数据库;创建灰尘聚集程度级别数据库包括以下步骤:
S4.1、将光伏板灰尘积聚程度分为若干级别,通常为五个级别,0级至4级,0级为没有灰尘,随着级数的递增,光伏板灰尘积聚程度依次增加,4级为光伏板灰尘积聚程度最为严重。
根据步骤S3的光伏板图像特征提取数据,通过层次聚类算法对大量的光伏板灰尘图像数据实现不同灰尘积聚程度的图像特征数据划分,对光伏板积灰程度达到一个标准的量化度量;
S4.2、通过采用求解聚类质心的方法构建灰尘积聚程度级别数据库。
S5.后台服务器根据步骤S3中提取出来的特征数据与灰尘聚集程度级别数据库比对,判断太阳能电池板上的灰尘聚集程度。根据步骤S3的光伏板图像特征提取数据与步骤S4创建的光伏板灰尘积聚程度级别数据库通过求解欧式距离进行最优匹配,准确检测出指定光伏组件的光伏板表面灰尘积聚程度级别,为是否进行清洗做出合理的判断依据。
通过采用本方法,检测速度快,效率高,检测准确,能适用于大规模太阳能发电站。
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 (8)
1.一种光伏板灰尘检测系统的检测方法,其特征在于,检测系统包括运载平台,所述运载平台上设置有图像采集装置,包括后台服务器,所述图像采集装置通过通信网络与后台服务器信号相连;
包括以下步骤:
S1.根据作业现场规划无人机航线,运载平台搭载图像采集装置采集太阳能电池板的图像数据;
S2.图像采集装置将采集到的图像数据发送到后台服务器,后台服务器对图像进行预处理;
S3.后台服务器构建图像数据特征提取模型,后台服务器对预处理的数据通过图像数据特征提取模型进行特征提取;
S4.后台服务器中创建灰尘聚集程度级别数据库,具体步骤为:a.将光伏板灰尘积聚程度分为若干级别,根据步骤S3的光伏板图像特征提取数据,通过层次聚类算法对大量的光伏板灰尘图像数据实现不同灰尘积聚程度的图像特征数据划分,对光伏板积灰程度达到一个标准的量化度量;b.通过采用求解聚类质心的方法构建灰尘积聚程度级别数据库;
S5.后台服务器根据步骤S3中提取出来的特征数据与灰尘聚集程度级别数据库比对,判断太阳能电池板上的灰尘聚集程度。
2.如权利要求1所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:步骤S3中,建图像数据特征提取模型包括以下步骤:
S3.1、构建深度残差卷积神经网络模型,并对构建的深度残差卷积神经网络模型进行优化训练;
S3.2、判断训练后的深度残差卷积神经网络模型是否收敛,若收敛则进入步骤S3.3,若不收敛则回到步骤S3.1重新构建深度残差卷积神经网络模型并训练,重复若干次;
S3.3、对步骤S3.2中产生的收敛模型进行验证,获取最优的收敛模型,作为迁移学习的预训练模型;
S3.4、将步骤S2中预处理后的图像数据送入步骤S3.3中生成的预训练模型进行训练,对预训练模型实现微调,实现迁移学习,得到光伏板图像数据特征提取的深度学习模型。
3.如权利要求1所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:步骤S2中,图像进行预处理包括以下步骤:
S2.1、对采集到的图像进行太阳能电池板识别,并将太阳能电池板所对应的图像区域分割出来形成单一的太阳能电池板图像;
S2.2、对生成的单一的太阳能电池板图像进行线性滤波、非线性滤波和形态性学滤波处理;
S2.3、对步骤2处理后的图形进行“图像归一化”以及“图像特定尺寸缩放”算法处理,生成标准图像。
4.如权利要求1所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于,在步骤S5中,根据步骤S3的光伏板图像特征提取数据与步骤S4创建的光伏板灰尘积聚程度级别数据库通过求解欧式距离进行最优匹配,准确检测出指定光伏组件的光伏板表面灰尘积聚程度级别,为是否进行清洗做出合理的判断依据。
5.如权利要求2所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:步骤S3.1中,对构建的深度残差卷积神经网络模型进行优化训练时,采用开源图像数据集ImageNet、CIFAR、PascalVOC、COCO对深度残差卷积神经网络模型进行优化训练。
6.如权利要求2-5中任一项所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:所述运载平台中设置有运行控制程序,所述图像采集装置为云台相机;所述后台服务器中设置有图像处理模型。
7.如权利要求2-5中任一项所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:所述后台服务器为深度学习服务器,所述运载平台为多旋翼无人机;包括平板设备,所述平板设备中设置有路线规划APP。
8.如权利要求2-5中任一项所述的一种基于无人机的光伏板灰尘检测系统的检测方法,其特征在于:所述多旋翼无人机上设置有RTK模块,所述多旋翼无人机通过RTK模块连接至千寻网络,提高设备的定位精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289785.0A CN112561857A (zh) | 2020-11-17 | 2020-11-17 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289785.0A CN112561857A (zh) | 2020-11-17 | 2020-11-17 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561857A true CN112561857A (zh) | 2021-03-26 |
Family
ID=75044039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011289785.0A Pending CN112561857A (zh) | 2020-11-17 | 2020-11-17 | 一种基于无人机的光伏板灰尘检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138396A (zh) * | 2021-06-21 | 2021-07-20 | 上海伯镭智能科技有限公司 | 一种基于激光雷达的灰尘和障碍物检测方法 |
CN114596267A (zh) * | 2022-02-28 | 2022-06-07 | 几何智慧城市科技(广州)有限公司 | 一种光伏电站的监测运维方法、系统、设备、及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111563467A (zh) * | 2020-05-13 | 2020-08-21 | 金陵科技学院 | 一种基于机器视觉的太阳能板清洁系统 |
CN211554749U (zh) * | 2020-01-09 | 2020-09-22 | 上海伯镭智能科技有限公司 | 一种基于多旋翼无人机的室外整车清洁状况巡检系统 |
-
2020
- 2020-11-17 CN CN202011289785.0A patent/CN112561857A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615629A (zh) * | 2018-12-24 | 2019-04-12 | 东北电力大学 | 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN211554749U (zh) * | 2020-01-09 | 2020-09-22 | 上海伯镭智能科技有限公司 | 一种基于多旋翼无人机的室外整车清洁状况巡检系统 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111563467A (zh) * | 2020-05-13 | 2020-08-21 | 金陵科技学院 | 一种基于机器视觉的太阳能板清洁系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138396A (zh) * | 2021-06-21 | 2021-07-20 | 上海伯镭智能科技有限公司 | 一种基于激光雷达的灰尘和障碍物检测方法 |
CN113138396B (zh) * | 2021-06-21 | 2021-09-07 | 上海伯镭智能科技有限公司 | 一种基于激光雷达的灰尘和障碍物检测方法 |
CN114596267A (zh) * | 2022-02-28 | 2022-06-07 | 几何智慧城市科技(广州)有限公司 | 一种光伏电站的监测运维方法、系统、设备、及存储介质 |
CN114596267B (zh) * | 2022-02-28 | 2023-03-24 | 几何智慧城市科技(广州)有限公司 | 一种光伏电站的监测运维方法、系统、设备、及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
CN106160659B (zh) | 一种光伏电站区域定向故障诊断方法 | |
CN105375878B (zh) | 一种在线检测和评估光伏系统效率的方法 | |
CN112561857A (zh) | 一种基于无人机的光伏板灰尘检测系统及检测方法 | |
CN112605033B (zh) | 一种光伏板姿态识别及清洗调控装置及方法 | |
CN106441442A (zh) | 一种大田作物表型信息高通量对等监测装置及监测方法 | |
CN114088885B (zh) | 一种大气污染物走航检测系统 | |
CN106059496A (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
CN112734970A (zh) | 基于LoRaWAN定位技术的风电场无人机自动巡检系统及方法 | |
CN107506724A (zh) | 倾角检测方法及检测终端 | |
CN108710818A (zh) | 一种基于三维激光雷达的人数实时监测统计系统及方法 | |
CN103984991B (zh) | 一种基于微气象数据的分布式太阳能辐射预测方法及系统 | |
CN106643521B (zh) | 一种农作物冠层高度的检测方法及装置 | |
CN206177358U (zh) | 一种大田作物表型信息高通量对等监测装置 | |
CN109883323B (zh) | 一种田间作物表型参数的测量装置及方法 | |
CN108053471A (zh) | 基于搭载光场相机的无人机光伏电站地形三维测绘建模系统 | |
CN106872798B (zh) | 一种阵列信号滤波、幅值检测的方法 | |
CN114931112B (zh) | 基于智能巡检机器人的母猪体尺检测系统 | |
Li et al. | Research and application of photovoltaic power station on-line hot spot detection operation and maintenance system based on unmanned aerial vehicle infrared and visible light detection | |
CN114581278A (zh) | 基于智能路灯的大气污染物溯源排查方法、终端及系统 | |
CN205691212U (zh) | 一种称重测量装置 | |
CN102346019A (zh) | 一种采用gps定位的激光测量系统及其方法 | |
CN108957250A (zh) | 一种无人机载的多路分集电力线电晕探测系统和探测方法 | |
CN114913036A (zh) | 一种光伏电站的联合故障诊断系统及故障诊断方法 | |
CN114062839A (zh) | 一种铁路电力线路故障定位装置及其方法 |
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 |