CN113421260A - 一种基于红外图像诊断光伏组件缺陷的检测方法 - Google Patents
一种基于红外图像诊断光伏组件缺陷的检测方法 Download PDFInfo
- Publication number
- CN113421260A CN113421260A CN202110964518.7A CN202110964518A CN113421260A CN 113421260 A CN113421260 A CN 113421260A CN 202110964518 A CN202110964518 A CN 202110964518A CN 113421260 A CN113421260 A CN 113421260A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- infrared image
- infrared
- diagnosis
- document
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 208000032544 Cicatrix Diseases 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 231100000241 scar Toxicity 0.000 abstract description 3
- 230000037387 scars Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- DQXBYHZEEUGOBF-UHFFFAOYSA-N but-3-enoic acid;ethene Chemical compound C=C.OC(=O)CC=C DQXBYHZEEUGOBF-UHFFFAOYSA-N 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000005038 ethylene vinyl acetate Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229920006342 thermoplastic vulcanizate Polymers 0.000 description 1
- 239000005341 toughened glass Substances 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
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于红外图像诊断光伏组件缺陷的方法,本发明提出的基于红外图像诊断光伏组件缺陷的检测方法,能够利用无人机对光伏发电厂的各光伏组件进行采集红外图像和拍摄照片,然后根据拍摄的红外图像分析对应的光伏组件是否有缺陷或伤痕,并且能够将对应光伏组件的缺陷位置标注出来,生成诊断表格,工作人员能够从诊断表格中了解哪个光伏组件有缺陷,且缺陷位置在何处,并通过照片判断缺陷位置及具体为何种缺陷,便于工作人员进行排查、维修和更换处理。
Description
技术领域
本发明涉及光伏组件检测领域,具体涉及一种基于红外图像诊断光伏组件缺陷的方法。
背景技术
光伏组件又叫太阳能电池组件,太阳能电池组件是由高效晶体硅太阳能电池片、超白布纹钢化玻璃、EVA、透明TPT背板以及铝合金边框组成。太阳能电池组件一般都是多组布置,太阳能电池组件在长时间使用之后会出现伤痕和缺陷,为了保证太阳能发电的正常进行,需要检测到这些具有伤痕或者缺陷的太阳能电池组件,以便对这些具有伤痕或缺陷的太阳能电池组件进行修复或者更换,现在的检测方式,一般是人工检测,人工检测效率过低,同时人工检测辨别细小伤痕及缺陷较为困难。
发明内容
为解决上述技术问题,本发明提供一种基于红外图像诊断光伏组件缺陷的检测方法,包括如下步骤:
S1:利用无人机平台搭载照相机和红外热像仪,无人机在各光伏组件上方逐个停留,停留过程中,照相机拍摄光伏组件全景照片、红外热像仪采集光伏组件的红外图像;
S2:将拍摄的全景照片和红外图像实时传输到诊断计算机中,诊断计算机建立文档,将各光伏组件对应的全景照片和红外图像保存在对应的文档内;
S3:诊断计算机根据归纳的文档制作并生成诊断表格,诊断表格中的各组数据和各文档对应;
S4:诊断计算机按照诊断表格顺序,依次分析和判断对应文档中红外图像,分析该文档中的红外图像是否异常,若有异常,进行步骤S5;
S5:进一步判别异常区域位于红外图像上的位置,并在选取一幅红外图像进行标注,并将该异常区域在全景照片上标注出来;
S6:将有异常的各组红外图像和全景照片,提出并排列在表格中。
优选的:光伏组件上具有标号,全景照片包括光伏组件上的标号和太阳能电池片表面图像。
优选的:在步骤S1中,首先采集各光伏组件的全景照片,先调节照相机镜头,使得照相机镜头和光伏组件发电平面呈垂直状,然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,拍摄一张下方光伏组件的全景照片,并将该照片实时传输到诊断计算机中,拍摄完毕,飞往下一光伏组件的上方;
优选的:在步骤S1中,采集各光伏组件的全景照片之后,再采集光伏组件的红外图像,采集红外图像的步骤为:
S21:首先调节红外热像仪镜头,使得红外热像仪镜头和光伏组件发电平面呈垂直状;
S22:然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,采集一张红外图像;
S23:在将最后一个光伏组件采集之后,无人机飞往第一个光伏组件,重复步骤S22,采集完成预设数量之后,执行步骤S24;
S24:关闭红外热像仪,回收无人机即可。
优选的:在步骤S1中,每个光伏组件至少采集五幅红外图像。
优选的:在步骤S2中,诊断计算机首先接收照相机拍摄的全景照片,然后提取照片中光伏组件的标号,并以此标号为文档名建立文档,并将对应的照片保存在该文档内,然后接收红外图像,依序将红外图像保存到对应的文档内。
优选的:在步骤S3中,诊断计算机将各文档进行备份,并生成诊断表格,诊断表格中每组数据对应一组文档,每组数据的包括“组名栏”、“是否异常栏”、“照片栏”和“红外图像栏”,各组“组名栏”处的组名和文档名一致。
优选的:在步骤S4中,若该文档中的红外图像无异常,则在诊断表格是否异常栏对应处生成“否”字。
优选的:在步骤S4中,在分析和判断对应文档中红外图像过程中,至少分析该文档中的红外图像三幅以上异常,则判断该文档中红外图像异常。
优选的:在步骤S5中,在标注红外图像和全景照片时,采用画圈标注,将异常区域圈出来,并进行文字说明。
优选的:在步骤S4中,分析和判断对应文档中红外图像过程包括如下步骤:
S31:首先将各红外图像转换为灰度图像,并逐个图像进行分析和判断;
S32:将一副灰度图像沿着拍摄的互连条痕迹划分为两类区域,分别为A类区域和B类区域,A类区域为各太阳能电池片所在区域,B类区域为太阳能电池片之间的互连条所在区域;
S33:首先对A类区域进行分析,将A类区域分割为多个小区域,分别记为A1~An区域,n为正整数,n和太阳能电池片的数量一致,然后依次对A1~An区域进行分析;
S34:对An区域进行分析时,在该区域建立二维坐标系,二维坐标系的X轴和该区域的长度方向一致,二维坐标系的Y轴和该区域的宽度方向一致,利用坐标系,将该区域再次划分为若干个面积相同的矩形区域,记为Anxy;
S35:获取每个矩形区域的灰度均值,对比An区域内各矩形区域的灰度均值,若该区域内各矩形区域的灰度均值处于允许范围内,则判断该An区域无异常,若该区域内有矩形区域的灰度均值不在允许范围内,则判断该An区域异常,并将异常的矩形区域坐标记录。
优选的:在S35中,至少三幅红外图像中有相同的矩形区域的灰度均值不在允许范围内,则判断该An区域异常,并将异常的矩形区域坐标记录,然后将异常矩形区域位置在全景照片上标注出来,并随机选取一幅红外图像,将异常矩形区域标注出来,最后上报异常信息,在诊断表格是否异常栏对应处生成“是”字,将标注之后的全景照片和红外图像,提取到诊断表格“照片栏”和“红外图像栏”中。
本发明的技术效果和优点:本发明提出的基于红外图像诊断光伏组件缺陷的检测方法,能够利用无人机对光伏发电厂的各光伏组件进行采集红外图像和拍摄照片,然后根据拍摄的红外图像分析对应的光伏组件是否有缺陷或伤痕,并且能够将对应光伏组件的缺陷位置标注出来,生成诊断表格,工作人员能够从诊断表格中了解哪个光伏组件有缺陷,且缺陷位置在何处,并通过照片判断缺陷位置及具体为何种缺陷,便于工作人员进行排查、维修和更换处理。
附图说明
图1为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法的流程示意图。
图2为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中红外热像仪采集红外图像的流程示意图。
图3为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中采集的光伏组件的结构示意图。
图4为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中采集的红外图像划分区域的示意图。
图5为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中A类区域进行分析时的坐标划分示意图。
图6为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中B类区域中竖向互连条区域进行分析时的坐标划分示意图。
图7为本发明提出的一种基于红外图像诊断光伏组件缺陷的检测方法中B类区域中横向互连条区域进行分析时的坐标划分示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
参考图1,在本实施例中提出了一种基于红外图像诊断光伏组件缺陷的检测方法,包括如下步骤:
S1:利用无人机平台搭载照相机和红外热像仪,无人机在各光伏组件上方逐个停留,停留过程中,照相机拍摄光伏组件全景照片、红外热像仪采集光伏组件的红外图像;
S2:将拍摄的全景照片和红外图像实时传输到诊断计算机中,诊断计算机建立文档,将各光伏组件对应的全景照片和红外图像保存在对应的文档内;
S3:诊断计算机根据归纳的文档制作并生成诊断表格,诊断表格中的各组数据和各文档对应;
S4:诊断计算机按照诊断表格顺序,依次分析和判断对应文档中红外图像,分析该文档中的红外图像是否异常,若有异常,进行步骤S5;
S5:进一步判别异常区域位于红外图像上的位置,并在选取一幅红外图像进行标注,并将该异常区域在全景照片上标注出来;
S6:将有异常的各组红外图像和全景照片,提出并排列在表格中。
参考图3,光伏组件上具有标号,全景照片包括光伏组件上的标号和太阳能电池片表面图像。
在步骤S1中,首先采集各光伏组件的全景照片,先调节照相机镜头,使得照相机镜头和光伏组件发电平面呈垂直状,然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,拍摄一张下方光伏组件的全景照片,并将该照片实时传输到诊断计算机中,拍摄完毕,飞往下一光伏组件的上方;
参考图2,在步骤S1中,采集各光伏组件的全景照片之后,再采集光伏组件的红外图像,采集红外图像的步骤为:
S21:首先调节红外热像仪镜头,使得红外热像仪镜头和光伏组件发电平面呈垂直状;
S22:然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,采集一张红外图像;
S23:在将最后一个光伏组件采集之后,无人机飞往第一个光伏组件,重复步骤S22,采集完成预设数量之后,执行步骤S24;
S24:关闭红外热像仪,回收无人机即可。
在步骤S1中,每个光伏组件至少采集五幅红外图像。
在步骤S2中,诊断计算机首先接收照相机拍摄的全景照片,然后提取照片中光伏组件的标号,并以此标号为文档名建立文档,并将对应的照片保存在该文档内,然后接收红外图像,依序将红外图像保存到对应的文档内。
在步骤S3中,诊断计算机将各文档进行备份,并生成诊断表格,诊断表格中每组数据对应一组文档,每组数据的包括“组名栏”、“是否异常栏”、“照片栏”和“红外图像栏”,各组“组名栏”处的组名和文档名一致。
在步骤S4中,若该文档中的红外图像无异常,则在诊断表格是否异常栏对应处生成“否”字。
在步骤S4中,在分析和判断对应文档中红外图像过程中,至少分析该文档中的红外图像三幅以上异常,则判断该文档中红外图像异常。
在步骤S5中,在标注红外图像和全景照片时,采用画圈标注,将异常区域圈出来,并进行文字说明。
在步骤S4中,参考图4~图7,分析和判断对应文档中红外图像过程包括如下步骤:
S31:首先将各红外图像转换为灰度图像,并逐个图像进行分析和判断;
S32:将一副灰度图像沿着拍摄的互连条痕迹划分为两类区域,分别为A类区域和B类区域,A类区域为各太阳能电池片所在区域,B类区域为太阳能电池片之间的互连条所在区域;
S33:首先对A类区域进行分析,将A类区域分割为多个小区域,分别记为A1~An区域,n为正整数,n和太阳能电池片的数量一致,然后依次对A1~An区域进行分析;
S34:对An区域进行分析时,在该区域建立二维坐标系,二维坐标系的X轴和该区域的长度方向一致,二维坐标系的Y轴和该区域的宽度方向一致,利用坐标系,将该区域再次划分为若干个面积相同的矩形区域,记为Anxy;
S35:获取每个矩形区域的灰度均值,对比An区域内各矩形区域的灰度均值,若该区域内各矩形区域的灰度均值处于允许范围内,则判断该An区域无异常,若该区域内有矩形区域的灰度均值不在允许范围内,则判断该An区域异常,并将异常的矩形区域坐标记录;
需要注意的是,分析至少三幅红外图像中有相同的矩形区域的灰度均值不在允许范围内,则判断该An区域异常,并将异常的矩形区域坐标记录,然后将异常矩形区域位置在全景照片上标注出来,并随机选取一幅红外图像,将异常矩形区域标注出来,最后上报异常信息,在诊断表格是否异常栏对应处生成“是”字,将标注之后的全景照片和红外图像,提取到诊断表格“照片栏”和“红外图像栏”中。
S36:在对B类区域进行分析,B类区域分割为两类区域,一类为横向互连条所在区域,另一类为竖向互连条所在区域,横向互连条所在区域的长度和对应的太阳能电池片长度一致,竖向互连条所在区域的长度和对应的太阳能电池片宽度一致,分割之后的两类区域分别记为B1~Bn区域,n为正整数,然后依次对B1~Bn区域进行分析;
S37:对Bn区域进行分析时,原理与在上述分析An区域一致,即建立二维坐标系,二维坐标系的X轴和该区域的长度方向一致,二维坐标系的Y轴和该区域的宽度方向一致,利用坐标系,将该区域再次划分为若干个面积相同的矩形区域,记为Bnxy;
S38:获取每个矩形区域的灰度均值,对比Bn区域内各矩形区域的灰度均值,若该区域内各矩形区域的灰度均值处于允许范围内,则判断该Bn区域无异常,若该区域内有矩形区域的灰度均值不在允许范围内,则判断该Bn区域异常,并将异常的矩形区域坐标记录;
需要注意的是,分析至少三幅红外图像中有相同的矩形区域的灰度均值不在允许范围内,则判断该Bn区域异常,并将异常的矩形区域坐标记录,然后将异常矩形区域位置在全景照片上标注出来,并随机选取一幅红外图像,将异常矩形区域标注出来,最后上报异常信息,在诊断表格是否异常栏对应处生成“是”字,将标注之后的全景照片和红外图像,提取到诊断表格“照片栏”和“红外图像栏”中。
需要注意的是若分析发现同一组红外图像太阳能电池片具有缺陷,互连条也具有缺陷,那么二者随机选取的红外图像相同。
本发明提出的基于红外图像诊断光伏组件缺陷的检测方法,能够利用无人机对光伏发电厂的各光伏组件进行采集红外图像和拍摄照片,然后根据拍摄的红外图像分析对应的光伏组件是否有缺陷或伤痕,并且能够将对应光伏组件的缺陷位置标注出来,生成诊断表格,工作人员能够从诊断表格中了解哪个光伏组件有缺陷,且缺陷位置在何处,并通过照片判断缺陷位置及具体为何种缺陷,便于工作人员进行排查、维修和更换处理。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,包括如下步骤:
S1:利用无人机平台搭载照相机和红外热像仪,无人机在各光伏组件上方逐个停留,停留过程中,照相机拍摄光伏组件全景照片、红外热像仪采集光伏组件的红外图像;
S2:将拍摄的全景照片和红外图像实时传输到诊断计算机中,诊断计算机建立文档,将各光伏组件对应的全景照片和红外图像保存在对应的文档内;
S3:诊断计算机根据归纳的文档制作并生成诊断表格,诊断表格中的各组数据和各文档对应;
S4:诊断计算机按照诊断表格顺序,依次分析和判断对应文档中红外图像,分析该文档中的红外图像是否异常,若有异常,进行步骤S5;
S5:进一步判别异常区域位于红外图像上的位置,并在选取一幅红外图像进行标注,并将该异常区域在全景照片上标注出来;
S6:将有异常的各组红外图像和全景照片,提出并排列在表格中。
2.根据权利要求1所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,光伏组件上具有标号,全景照片包括光伏组件上的标号和太阳能电池片表面图像。
3.根据权利要求2所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S1中,首先采集各光伏组件的全景照片,先调节照相机镜头,使得照相机镜头和光伏组件发电平面呈垂直状,然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,拍摄一张下方光伏组件的全景照片,并将该照片实时传输到诊断计算机中,拍摄完毕,飞往下一光伏组件的上方。
4.根据权利要求3所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S1中,采集各光伏组件的全景照片之后,再采集光伏组件的红外图像,采集红外图像的步骤为:
S21:首先调节红外热像仪镜头,使得红外热像仪镜头和光伏组件发电平面呈垂直状;
S22:然后无人机按照之字状飞行路径飞行,逐个飞临光伏组件,并在每个光伏组件上方停留1~3秒,在停留时,采集一张红外图像;
S23:在将最后一个光伏组件采集之后,无人机飞往第一个光伏组件,重复步骤S22,采集完成预设数量之后,执行步骤S24;
S24:关闭红外热像仪,回收无人机即可。
5.根据权利要求4所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S1中,每个光伏组件至少采集五幅红外图像。
6.根据权利要求5所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S2中,诊断计算机首先接收照相机拍摄的全景照片,然后提取照片中光伏组件的标号,并以此标号为文档名建立文档,并将对应的照片保存在该文档内,然后接收红外图像,依序将红外图像保存到对应的文档内。
7.根据权利要求6所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S3中,诊断计算机将各文档进行备份,并生成诊断表格,诊断表格中每组数据对应一组文档,每组数据包括“组名栏”、“是否异常栏”、“照片栏”和“红外图像栏”,各组“组名栏”处的组名和文档名一致。
8.根据权利要求7所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S4中,若该文档中的红外图像无异常,则在诊断表格是否异常栏对应处生成“否”字。
9.根据权利要求8所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S4中,在分析和判断对应文档中红外图像过程中,至少分析该文档中的红外图像三幅以上异常,则判断该文档中红外图像异常。
10.根据权利要求9所述的一种基于红外图像诊断光伏组件缺陷的检测方法,其特征在于,在步骤S5中,在标注红外图像和全景照片时,采用画圈标注,将异常区域圈出来,并进行文字说明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964518.7A CN113421260A (zh) | 2021-08-23 | 2021-08-23 | 一种基于红外图像诊断光伏组件缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964518.7A CN113421260A (zh) | 2021-08-23 | 2021-08-23 | 一种基于红外图像诊断光伏组件缺陷的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113421260A true CN113421260A (zh) | 2021-09-21 |
Family
ID=77719734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110964518.7A Pending CN113421260A (zh) | 2021-08-23 | 2021-08-23 | 一种基于红外图像诊断光伏组件缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421260A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657660A (zh) * | 2017-09-15 | 2018-02-02 | 南开大学 | 一种基于等距正视摄影测量约束的无人机视觉快速三维重建方法 |
WO2019115843A1 (es) * | 2017-12-14 | 2019-06-20 | Acciona Energía, S. A. | Sistema y método automatizados de inspección de una planta fotovoltaica |
CN111161220A (zh) * | 2019-12-11 | 2020-05-15 | 中国计量大学 | 一种利用红外图像拼接对光伏组件缺陷检测和定位的方法 |
CN112509135A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 元素标注方法、装置、设备、存储介质及计算机程序产品 |
-
2021
- 2021-08-23 CN CN202110964518.7A patent/CN113421260A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657660A (zh) * | 2017-09-15 | 2018-02-02 | 南开大学 | 一种基于等距正视摄影测量约束的无人机视觉快速三维重建方法 |
WO2019115843A1 (es) * | 2017-12-14 | 2019-06-20 | Acciona Energía, S. A. | Sistema y método automatizados de inspección de una planta fotovoltaica |
CN111161220A (zh) * | 2019-12-11 | 2020-05-15 | 中国计量大学 | 一种利用红外图像拼接对光伏组件缺陷检测和定位的方法 |
CN112509135A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 元素标注方法、装置、设备、存储介质及计算机程序产品 |
Non-Patent Citations (1)
Title |
---|
方驰华: "《数字化胰腺外科学》", 31 December 2015 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN109187558A (zh) | 一种基于无人机的光伏电站自动巡检系统 | |
CN109743019B (zh) | 基于气象因素的热斑温度预测及热斑定位的系统和方法 | |
KR101806217B1 (ko) | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 | |
CN112184711A (zh) | 一种光伏组件缺陷检测和定位方法及系统 | |
JP6414721B1 (ja) | 太陽電池モジュールのモニタリング方法、及び太陽電池モジュールモニタリングシステム | |
DE102009010369A1 (de) | Optische Bildaufnahmevorrichtung und optisches Bildaufnahmeverfahren zum Prüfen von Solarzellen | |
CN101788500A (zh) | 太阳能电池光学检测装置及其方法 | |
CN111604916B (zh) | 一种机房it设备故障机柜u位定位系统及方法 | |
CN112710670B (zh) | 一种太阳能电池涂层检测装置及控制方法 | |
CN112991264A (zh) | 一种单晶硅光伏电池裂纹缺陷的检测方法 | |
CN114494908A (zh) | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
Chindarkkar et al. | Deep learning based detection of cracks in electroluminescence images of fielded PV modules | |
KR20220055082A (ko) | 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법 | |
CN114972225A (zh) | 一种基于深度学习的两阶段光伏板缺陷检测方法 | |
Francesco et al. | A semi-automated method for defect identification in large photovoltaic power plants using unmanned aerial vehicles | |
CN113421260A (zh) | 一种基于红外图像诊断光伏组件缺陷的检测方法 | |
CN115457313A (zh) | 一种基于热红外图像分析光伏设备故障的方法及系统 | |
CN112257514B (zh) | 一种用于设备故障巡检的红外视觉智检的拍摄方法 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN113033326B (zh) | 一种光伏电站施工踩踏组件监测方法 | |
Terzoglou et al. | Employing deep learning framework for improving solar panel defects using drone imagery | |
CN113989258A (zh) | 基于无人机和热成像的光伏板热斑定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |