CN113435369A - 基于ssd算法模型和远红外视频的光伏故障智能识别方法 - Google Patents
基于ssd算法模型和远红外视频的光伏故障智能识别方法 Download PDFInfo
- Publication number
- CN113435369A CN113435369A CN202110745971.9A CN202110745971A CN113435369A CN 113435369 A CN113435369 A CN 113435369A CN 202110745971 A CN202110745971 A CN 202110745971A CN 113435369 A CN113435369 A CN 113435369A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- marking
- infrared video
- far infrared
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于SSD算法模型和远红外视频的光伏故障智能识别方法，包括：利用无人机获取红外视频；获得远红外视频后对图片进行采样，并筛选出具有异物和热斑的故障图片；标记并制作标签文件，标注完成后将所有故障图像划分为训练集、测试集；运用SSD算法对训练集进行训练，生成模型可以自适应地从输入图像中学习重要的特征，从而进行分类与标签；将训练好的模型应用于测试集，统计测试结果；利用模型进行光伏板故障的识别。本发明选取深度学习中的SSD算法进行故障识别，不仅准确率高而且能够直接对故障位置进行标注，使得故障位置显而易见。
Description
技术领域
本发明涉及光伏故障识别领域，特别涉及一种基于SSD算法模型和远红外视频的光伏故障智能识别方法。
背景技术
现有技术中，在光伏故障智能识别时，通过无人机搭载红外摄像机，采集光伏板的灰度图像和红外图像。对图像进行处理，获取单个光伏板红外图像；对所述单个光伏板红外图像进行网格化处理，对网格红外图像进行识别，判断所述单个光伏板网格的红外图像是否包含热斑；将包含热斑的所述单个光伏板网格的红外图像对应的拍摄时的参数及光伏场站设计参数进行计算，获得包含热斑的光伏板对应的经纬度。但是，这种方式对光伏板只进行热斑的识别，对其余故障类型并不能同时识别出来，因此在实际应用中会对其余故障还要进一步识别，消耗时间长。
现有技术还公开了一种基于深度卷积神经网络的光伏热斑检测方法，包括：1)建立光伏板红外图像数据集,对所有光伏板的红外图像进行分类标注，包括正常的和异常的；2)构建改进Faster R-CNN检测模型,所述的改进Faster R-CNN检测模型包括特征提取单元和预测器,该改进Faster R-CNN检测模型的特征提取单元采用SpotFPN网络；3)使用训练集训练改进Faster R-CNN检测模型；4)用训练好的改进Faster R-CNN检测模型,获取光伏板热斑检测结果。但是，在故障诊断时只能给出光伏板是否存在热斑，但不能对故障位置进行可视化标注。
发明内容
本发明提供了一种基于SSD算法模型和远红外视频的光伏故障智能识别方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种基于SSD算法模型和远红外视频的光伏故障智能识别方法，包括：
步骤1，获取红外视频：利用无人机获取红外视频；
步骤2，制作数据集：获得远红外视频后对图片进行采样，并筛选出具有异物和热斑的故障图片；
步骤3，制作标签：标记故障并制作标签文件，标注完成后将所有故障图像划分为训练集、测试集；
步骤4，模型训练：运用SSD算法对训练集进行训练，生成模型可以自适应地从输入图像中学习重要的特征，从而进行分类与标签；
步骤5，模型检验：将训练好的模型应用于测试集，统计测试结果；
步骤6，模型应用：利用模型进行光伏板故障的识别。
优选地，步骤3包括：手动标记并制作标签文件,对检测数据集中的故障信息进行标注时，故障标记成两类，一类是热斑，另一类是异物，图像标注时利用热斑和异物的最小外接矩形进行标注,保证每个故障在1个矩形框里，标注完成将会生成含有类别和位置信息的xml文件，标注完成后将所有故障图像划分为训练集、测试集。
优选地，步骤5中模型的技术指标包括准确率、召回率、漏检率、检测速度和模型大小。
优选地，步骤6包括：利用模型进行光伏板故障的识别。调用无人机的红外摄像头，录像返回到电脑上；模型读取视频进行热斑和异物的识别；模型以视频形式输出识别和标记的结果，对热斑和异物分别进行标注；联系无人机既定飞行路线，通过几何定位法，返回故障光伏板的位置信息。
由于采用了上述技术方案，本发明采用无人机拍摄红外录像，大大减少了人工，为大型光伏电站的检修工作降低了难度，提高了效率；选取深度学习中的SSD算法进行故障识别，不仅准确率高而且能够直接对故障位置进行标注，使得故障位置显而易见。
附图说明
图1示意性地示出了光伏板故障检测和识别流程图。
具体实施方式
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明提供了一种基于SSD算法模型和远红外视频的光伏故障智能识别系统和方法，主要应用于对大型光伏电厂光伏板的故障识别，识别内容主要包括热斑和异物两种故障。
本发明中，无人机按照既定路线起飞拍摄光伏板的远红外视频；智能识别系统调用拍摄好的远红外视频；嵌套在识别系统里的SSD模型对红外视频中出现的故障位置进行打框、标记；系统输出标记后的红外图像。经过本发明处理后，可以直接的观察到故障在光伏板上的位置。
在一个优选的实施例中，本发明包括以下步骤：
(1)获取红外视频。无人机搭载红外摄像机起飞，按照既定路线、飞翔高度和飞翔角度进行巡航、录像。电脑保存无人机返回的光伏板的远红外视频。
(2)制作数据集。获得远红外视频后对图片进行采样，图片采样频率为红外视频每12帧间隔采样图片数据。筛选出具有异物和热斑的故障图片。
(3)制作标签。手动标记并制作标签文件,用打标签软件对检测数据集中的故障信息进行标注时，故障标记成两类，一类是热斑，另一类是异物。图像标注时利用热斑和异物的最小外接矩形进行标注,保证每个故障在1个矩形框里.标注完成将会生成含有类别和位置信息的xml文件。标注完成后将所有故障图像划分为训练集、测试集。
(4)模型训练。运用SSD算法对训练集进行训练，生成模型可以自适应地从输入图像中学习重要的特征，从而进行分类与标签。SSD是基于前向传播的CNN网络,经典SSD模型主网络是由VGG16中部分卷积层组成,并将最后2层的Conv6和Conv7换成全连接层,用来进行图像分类。不断调整模型参数以使其达到最优效果。
(5)模型检验。将训练好的模型应用于测试集，统计测试结果。技术指标包括准确率、召回率、漏检率、检测速度和模型大小5项评价指标。
(6)模型应用。模型通过检验后即可进行光伏板故障的识别。调用无人机的红外摄像头，录像返回到电脑上；模型读取视频进行热斑和异物的识别；模型以视频形式输出识别和标记的结果，对热斑和异物分别进行标注。最后，联系无人机既定飞行路线，通过几何定位法，便可返回故障光伏板的位置信息。
在一个实施例中，利用远红外录像数据拍摄某光伏发电厂，拍摄用具为无人机一台，红外摄像机一台。拍摄时间为某晴朗天气上午8：00到下午14：00。无人机按照既定路线起飞，其拍摄高度与光伏板之间的距离不超过6米，以视频中包含完整的一块光伏板为准，尽量避免拍摄到无关的环境干扰因素。经过对无人机返回的红外录像进行采样、筛选。最后选取了1000张红外图片进行训练，其中热斑图像600张，异物图像400张。对这1000张图片进行手动打标签，文件保存成.xml的格式。以7：3的比例随机抽取打标签图片划分训练集和测试集。
为了实现对光伏板的热斑、异物等故障识别，以获取的太阳能光伏板的红外图像为基础，构建基于SSD算法的光伏板故障检测模型，可以对光伏板异物和热斑进行实时动态监测，极大的减少了光伏板监测和维护工作的复杂度，能够及时的返回热斑和异物的位置，以便工作人员及时对光伏板进行清理和维修，给光伏发电厂减少不必要的损失。
由于采用了上述技术方案，本发明采用无人机拍摄红外录像，大大减少了人工，为大型光伏电站的检修工作降低了难度，提高了效率；选取深度学习中的SSD算法进行故障识别，不仅准确率高而且能够直接对故障位置进行标注，使得故障位置显而易见。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (4)
1.一种基于SSD算法模型和远红外视频的光伏故障智能识别方法，其特征在于，包括：
步骤1，获取红外视频：利用无人机获取红外视频；
步骤2，制作数据集：获得远红外视频后对图片进行采样，并筛选出具有异物和热斑的故障图片；
步骤3，制作标签：标记故障并制作标签文件，标注完成后将所有故障图像划分为训练集、测试集；
步骤4，模型训练：运用SSD算法对训练集进行训练，生成模型可以自适应地从输入图像中学习重要的特征，从而进行分类与标签；
步骤5，模型检验：将训练好的模型应用于测试集，统计测试结果；
步骤6，模型应用：利用模型进行光伏板故障的识别。
2.根据权利要求1所述的基于SSD算法模型和远红外视频的光伏故障智能识别方法，其特征在于，步骤3包括：手动标记并制作标签文件,对检测数据集中的故障信息进行标注时，故障标记成两类，一类是热斑，另一类是异物，图像标注时利用热斑和异物的最小外接矩形进行标注,保证每个故障在1个矩形框里，标注完成将会生成含有类别和位置信息的xml文件，标注完成后将所有故障图像划分为训练集、测试集。
3.根据权利要求1所述的基于SSD算法模型和远红外视频的光伏故障智能识别方法，其特征在于，步骤5中模型的技术指标包括准确率、召回率、漏检率、检测速度和模型大小。
4.根据权利要求1所述的基于SSD算法模型和远红外视频的光伏故障智能识别方法，其特征在于，步骤6包括：利用模型进行光伏板故障的识别。调用无人机的红外摄像头，录像返回到电脑上；模型读取视频进行热斑和异物的识别；模型以视频形式输出识别和标记的结果，对热斑和异物分别进行标注；联系无人机既定飞行路线，通过几何定位法，返回故障光伏板的位置信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745971.9A CN113435369A (zh) | 2021-07-01 | 2021-07-01 | 基于ssd算法模型和远红外视频的光伏故障智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745971.9A CN113435369A (zh) | 2021-07-01 | 2021-07-01 | 基于ssd算法模型和远红外视频的光伏故障智能识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435369A true CN113435369A (zh) | 2021-09-24 |
Family
ID=77758494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110745971.9A Pending CN113435369A (zh) | 2021-07-01 | 2021-07-01 | 基于ssd算法模型和远红外视频的光伏故障智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435369A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
| CN111028378A (zh) * | 2019-12-10 | 2020-04-17 | 中国电建集团江西省电力建设有限公司 | 一种用于渔光互补式光伏电站的无人机巡检系统及巡检方法 |
| CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
| CN112184711A (zh) * | 2020-11-05 | 2021-01-05 | 杭州青枭科技有限公司 | 一种光伏组件缺陷检测和定位方法及系统 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
| CN112819988A (zh) * | 2020-12-25 | 2021-05-18 | 朗坤智慧科技股份有限公司 | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 |
-
2021
- 2021-07-01 CN CN202110745971.9A patent/CN113435369A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
| CN111028378A (zh) * | 2019-12-10 | 2020-04-17 | 中国电建集团江西省电力建设有限公司 | 一种用于渔光互补式光伏电站的无人机巡检系统及巡检方法 |
| CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
| CN112184711A (zh) * | 2020-11-05 | 2021-01-05 | 杭州青枭科技有限公司 | 一种光伏组件缺陷检测和定位方法及系统 |
| CN112819988A (zh) * | 2020-12-25 | 2021-05-18 | 朗坤智慧科技股份有限公司 | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘云鹏等: "基于深度学习的输变电设备异常发热点红外图片目标检测方法", 《南方电网技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633535B (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN109376605B (zh) | 一种电力巡检图像防鸟刺故障检测方法 | |
| CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
| CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
| CN110346699A (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
| CN112229845A (zh) | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 | |
| CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
| CN109977840A (zh) | 一种基于深度学习的机场场面监视方法 | |
| CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| CN113869177A (zh) | 一种用于跟踪多目标的方法及装置 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN109359545B (zh) | 复杂低空环境下一种协同监视方法与装置 | |
| CN117372677A (zh) | 一种高速铁路接触网紧固件开口销健康状态检测方法 | |
| CN113435369A (zh) | 基于ssd算法模型和远红外视频的光伏故障智能识别方法 | |
| CN112906562B (zh) | 一种链篦机台车侧板裂缝的安全预警方法 | |
| CN114219788A (zh) | 一种基于视频的积水检测方法 | |
| CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
| CN114841932A (zh) | 光伏电站的光伏板的异物检测方法、系统、设备及介质 | |
| CN113239931A (zh) | 一种物流站车牌识别的方法 | |
| CN114285374A (zh) | 光伏电站的设备定位方法、系统、电子设备及储存介质 |
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 |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |