CN113610799B - 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 - Google Patents

基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 Download PDF

Info

Publication number
CN113610799B
CN113610799B CN202110889641.7A CN202110889641A CN113610799B CN 113610799 B CN113610799 B CN 113610799B CN 202110889641 A CN202110889641 A CN 202110889641A CN 113610799 B CN113610799 B CN 113610799B
Authority
CN
China
Prior art keywords
edge
rainbow
key points
key point
distance
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.)
Active
Application number
CN202110889641.7A
Other languages
English (en)
Other versions
CN113610799A (zh
Inventor
刘波
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.)
Shuyang Jiuding Steel Co ltd
Original Assignee
Shuyang Jiuding Steel Co ltd
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 Shuyang Jiuding Steel Co ltd filed Critical Shuyang Jiuding Steel Co ltd
Priority to CN202110889641.7A priority Critical patent/CN113610799B/zh
Publication of CN113610799A publication Critical patent/CN113610799A/zh
Application granted granted Critical
Publication of CN113610799B publication Critical patent/CN113610799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏电池板彩虹纹检测方法、装置及设备。该方法包括：采集多个含有彩虹纹的光伏电池板的正视图像并识别出彩虹纹区域；对每个彩虹纹区域分类，并检测其边缘轮廓；获取每个边缘轮廓的关键点，计算其可信权重；计算目标关键点与周围关键点的距离均方差；根据可信权重和距离均方差获取目标关键点的可信程度；根据可信程度筛选可信关键点；利用可信关键点获得边缘轮廓的平均形状；获取边缘轮廓的方差矩阵并调整边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。本发明实施例能够结合彩虹纹的位置特性计算出光伏电池板各区域被检测的优先度，极大地提高了彩虹纹的检测效率。

Description

基于人工智能的光伏电池板彩虹纹检测方法、装置及设备
技术领域
本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏电池板彩虹纹检测方法、装置及设备。
背景技术
光伏组件表面最常见的污染就是组件下端由于边沿阻水导致边缘的积灰，特别是一些彩钢瓦工商业屋顶由于安装倾角低，积水积灰更为严重。造成组件下端积灰的原因很简单，因为下雨或者是对组件表面进行清洗维护，组件表面冲刷了积灰的污水会沿着组件向下端流动。而由于组件边沿比玻璃会高出1-2mm，总有部分积水无法越过边沿。积水晒干或风干后，留下的灰尘就会结在表面，很难被冲刷掉，日积月累形成泥带。由于泥带和玻璃表面有行程高度差，在下次清洗时积水区域会更大，脏污区域会不断变大。
由于组件下沿泥带的形成，造成的热斑效应让局部玻璃温度升高，同时泥带中的杂质和玻璃中的钠盐在高温下对镀膜形成损伤，会造成无法恢复的彩虹纹，即便将泥带冲洗干净，该区域的光透射率也会衰减。
发明人在实践中，发现上述现有技术存在以下缺陷：
现有针对彩虹纹的检测方式基本依靠人工进行，这种方式不仅费时费力，准确度也有限；其他诸如运用深度神经网络来对彩虹纹进行学习识别的方式也需要较大的训练集和较长的训练时间；而传统的机器分割算法均是针对整幅图像进行分割，并不能根据彩虹纹的位置特点进行针对性的识别分割。
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电池板彩虹纹检测方法、装置及设备，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电池板彩虹纹检测方法，该方法包括以下步骤：
采集多个含有彩虹纹的光伏电池板的正视图像，识别每个所述正视图像的彩虹纹区域；
依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类，并检测所述彩虹纹区域的边缘轮廓；
获取每个所述边缘轮廓的关键点，根据所述关键点的位置信息计算每个所述关键点的可信权重；选取每个类别的参考轮廓，并获取所述参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，所述周围关键点是与所述目标关键点同类别的每个边缘轮廓中与所述目标关键点距离最近的关键点；计算所述目标关键点与周围关键点的距离均方差；根据所述可信权重和所述距离均方差获取所述目标关键点的可信程度；
对于每个类别的边缘轮廓，根据所述可信程度筛选所述目标关键点，获取可信关键点；利用所述可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；
通过计算同一类别中的所有所述边缘轮廓与所述平均形状的偏差组成方差矩阵；根据所述方差矩阵的特征向量和特征值调整所述边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。
优选的，所述识别所述正视图像的彩虹纹区域的方法为：
获取标准光伏电池板的标准灰度平均值，通过比较所述光伏电池板的灰度值与所述标准灰度平均值，识别出所述彩虹纹区域。
优选的，所述依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类的步骤包括：
获取每个所述彩虹纹区域的主成分方向；
获取所述主成分方向的投影线到所述光伏电池板下侧边沿以及与所述下侧边沿相邻的两侧边沿的距离，以所述距离最小值对应的边沿类别作为该彩虹纹区域的类别。
优选的，所述获取所述边缘轮廓的关键点的方法为：
获取所述边缘轮廓所在曲线的极值点，以所述极值点作为所述关键点。
优选的，所述可信权重的获取步骤包括：
获取所述关键点与所属类别的边沿之间的第一距离，和所述关键点与所属类别的相邻边沿之间较短的第二距离；
获取所述关键点与所属类别的边沿的对称边沿之间的第三距离，和所述关键点与所属类别的相邻边沿之间较长的第四距离；
根据所述第一距离与第三距离的比值，和所述第二距离与所述第四距离的比值，获取所述可信权重。
优选的，所述距离均方差的获取步骤包括：
对于每个类别的边缘轮廓，选取所述关键点最多的边缘轮廓作为参考轮廓，计算每个所述目标关键点与其对应的周围关键点的欧氏距离的均方差。
优选的，所述平均形状的获取方法为：
选取可信程度之和能够达到预设阈值的最少的目标关键点作为可信关键点；
依据所述可信关键点及其对应的所述周围关键点分别对每个类别中每个边缘轮廓进行相似变换以使轮廓对齐；并通过所述可信权重对所述相似变换进行优化；
获取对齐后的所述边缘轮廓中的周围关键点，每个边缘轮廓的周围关键点组成一个形状向量，计算每个类别中的所有所述形状向量的平均向量，获得所述平均形状。
优选的，所述按照优先度大小对待测光伏电池板进行彩虹纹检测的步骤包括：
通过计算每个类别中每个所述边缘轮廓对应的方差矩阵的特征值与该类别所有边缘轮廓的特征值之和的比值作为所述优先度；
获取所有所述彩虹纹区域内每个像素及其邻域的平均值，由最小平均值和最大平均值构成彩虹纹核查范围；
按照所述优先度的大小对所述待测光伏电池板的每个区域进行像素值筛选，当平均灰度值在所述彩虹纹核查范围内的像素数量超过预设数量时，该待测电池板存在彩虹纹。
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电池板彩虹纹检测装置，该装置包括以下模块：
彩虹纹区域识别模块，用于采集多个含有彩虹纹的光伏电池板的正视图像，识别每个所述正视图像的彩虹纹区域；
分类模块，用于依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类，并检测所述彩虹纹区域的边缘轮廓；
可信程度获取模块，用于获取每个所述边缘轮廓的关键点，根据所述关键点的位置信息计算每个所述关键点的可信权重；选取每个类别的参考轮廓，并获取所述参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，所述周围关键点是与所述目标关键点同类别的每个边缘轮廓中与所述目标关键点距离最近的关键点；计算所述目标关键点与周围关键点的距离均方差；根据所述可信权重和所述距离均方差获取所述目标关键点的可信程度；
平均形状获取模块，用于对于每个类别的边缘轮廓，根据所述可信程度筛选所述目标关键点，获取可信关键点；利用所述可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；
彩虹纹检测模块，用于通过计算同一类别中的所有所述边缘轮廓与所述平均形状的偏差组成方差矩阵；根据所述方差矩阵的特征向量和特征值调整所述边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。
第三方面，本发明另一个实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的光伏电池板彩虹纹检测方法的步骤。
本发明实施例至少具有如下有益效果：
本发明实施例通过对已有彩虹纹的电池板进行分类检测，结合彩虹纹的位置特性计算出待检测光伏电池板各区域检测的优先度，能够按照出现彩虹纹的概率对待检测光伏电池板有针对性地检测，极大提高检测效率。
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人工智能的光伏电池板彩虹纹检测方法的步骤流程图；
图2为本发明一个实施例所提供的光伏电池组排列方式示意图；
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电池板彩虹纹检测装置的结构框图；
图4为本发明一个实施例所提供的一种电子设备的内部结构图。
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电池板彩虹纹检测方法、装置及设备，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电池板彩虹纹检测方法、装置及设备的具体方案。
由于光伏组件下沿的泥带造成热斑效应让局部玻璃温度升高，同时泥带中的杂质和玻璃中的钠盐在高温下对镀膜形成损伤，从而生成彩虹纹，而泥带大都是连成一片的，因此本发明实施例针对每个边沿只出现一片彩虹纹的场景。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的光伏电池板彩虹纹检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集多个含有彩虹纹的光伏电池板的正视图像，识别正视图像的彩虹纹区域。
使用无人机搭载RGB相机对已经由工作人员人为确定的多个含有彩虹纹的光伏电池板进行图像采集，获取正视图像。
具体的，首先对无人机的初始路径以及有效拍照范围进行提前规划。
由于本发明实施例中所针对的问题主要是在电池板下端泥带产生的彩虹纹，而现实生活中受场地限制很多光伏电池板201排列方式如图2所示，此时使用无人机202进行多排拍照时会形成如光伏电池板201虚线部分的视角盲区，因此本发明实施例中无人机每次只针对已含有彩虹纹的单个光伏电池板进行图像采集。
需要说明的是，彩虹纹是光伏组件的下沿积灰积泥后破坏了玻璃表面的镀膜层造成的，因此本发明实施例中含有彩虹纹的电池板均是已经清洗过的干净电池板，不含有泥带。
采集多张标准图像，标准图像中包括无彩虹纹的标准光伏电池板。获取多张标准图像中标准光伏电池板的标准灰度平均值，通过比较光伏电池板的灰度值与标准灰度平均值，识别出彩虹纹区域。
具体的，对多帧正视图像中光伏电池板区域的像素值进行k均值聚类识别出彩虹纹区域，其中k＝2，一类是彩虹纹区域，一类是光伏电池板的正常区域；其中，与标准光伏电池板的灰度平均值最接近的类别为光伏电池板正常区域，另一类为彩虹纹区域。
步骤S002，依据每个彩虹纹区域与光伏电池板各边沿的距离对其分类，并检测彩虹纹区域的边缘轮廓。
由于彩虹纹分布于光伏电池板的边沿区域，本发明实施例中将得到的彩虹纹区域根据距离光伏电池板各边沿位置的距离将其分为三类，分别是光伏电池板的左侧边沿、右侧边沿和下侧边沿，具体过程为：
1)在获得的光伏电池板图像中，根据各像素点坐标，将图像中的光伏电池板下侧边沿以及与下侧边沿相邻的两侧边沿的边界线标注为光伏电池板的下侧边沿、左侧边沿以及右侧边沿三个边沿类别。
2)对彩虹纹区域进行主成分方向识别，获取每个彩虹纹区域的预备主成分方向。
3)计算彩虹纹区域中的所有像素点在预备主成分方向上的投影线长度，以长度最长的投影线对应的方向作为该彩虹纹区域的主成分方向。
在每个彩虹纹区域得到的两个预备主成分方向中，计算区域内各像素点在两个方向上的投影长度得到对应方向的投影线，并取长度最长的投影线所对应的方向为当前彩虹纹区域的主成分方向。
4)获取主成分方向的投影线到光伏电池板下侧边沿以及与下侧边沿相邻的两侧边沿的距离，以距离最小值对应的边沿类别作为该彩虹纹区域的类别。
计算投影线上每个投影点到光伏电池板左右两侧以及下侧边沿的垂直距离，并分别得到各投影线上所有投影点到三个边沿直线距离的平均值。
选取三个直线距离平均值中的最小值所对应的边沿作为当前投影线所在彩虹纹区域的所属类别。
对得到的三个边沿类别中的各彩虹纹区域通过边缘检测得到每个彩虹纹区域的边缘轮廓，具体过程为：
1)使用高斯矩阵乘以彩虹纹区域中每个像素点及其邻域，并对每个像素点及其邻域分配权重，以每个像素点及其邻域带权重的平均值作为该像素点的灰度值。
2)获取不同方向的梯度值gx(m,n),gy(m,n)。
在本发明实施例中，通过点乘一个sobel算子得到梯度值。
3)过滤非极大值。即过滤不是边缘的点，使边缘的宽度尽可能为一个像素点。如果一个像素点属于边缘则这个像素点在梯度方向上的梯度值是最大的，否则不是边缘，将其灰度值设为0。
4)设置两个阈值，分别为maxVal，minVal。其中大于maxVal的均视为边缘，而低于minVal的均视为非边缘。对于中间的像素点，如果与确定为边缘的像素点邻接则定为边缘，否则为非边缘。
5)由于彩虹纹区域内各像素点的灰度值并不完全一致，最后会分割多条边缘线，本发明实施例选取最大的边缘像素点集合作为当前彩虹纹区域对应的边缘轮廓。
步骤S003，获取每个边缘轮廓的关键点，根据关键点的位置信息计算每个关键点的可信权重；选取每个类别的参考轮廓，并获取参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，周围关键点是与目标关键点同类别的每个边缘轮廓中与目标关键点距离最近的关键点；计算目标关键点与周围关键点的距离均方差；根据可信权重和距离均方差获取目标关键点的可信程度。
具体的步骤包括：
1)获取每个边缘轮廓的关键点。
对各个彩虹纹区域的边缘轮廓所在的曲线进行求导，获取边缘轮廓所在曲线的极值点，以极值点作为关键点。
2)计算每个关键点的可信权重。
获取关键点与所属类别的边沿之间的第一距离，和关键点与所属类别的相邻边沿之间较短的第二距离；获取关键点与所属类别的边沿的对称边沿之间的第三距离，和关键点与所属类别的相邻边沿之间较长的第四距离；根据第一距离与第三距离的比值，和第二距离与第四距离的比值，获取可信权重。
由于积存的泥带越靠近电池板边沿且越靠近下边沿越容易累积，因此根据关键点的位置不同进行不同的权重分配。
具体过程为：
获取关键点pi距离其所属类别边沿的垂直距离作为第一距离di1，关键点与所属类别的相邻边沿之间较短的垂直距离作为第二距离di2，关键点与所属类别的边沿的对称边沿之间的垂直距离作为第三距离Di1，关键点与所属类别的相邻边沿之间较长的垂直距离作为第四距离Di2，则关键点pi的可信权重wi为：
Figure BDA0003195322370000071
其中，α、β分别为两个方向上的占比权重，当关键点pi属于左右两侧边沿时：
Figure BDA0003195322370000072
当关键点pi属于下侧边沿时：
Figure BDA0003195322370000073
3)选取每个类别的参考轮廓。
从多张正视图像中获取的相同边沿类别的边缘轮廓中，随机选取一个边缘轮廓作为参考轮廓。
在本发明实施例中选取关键点数量最多的边缘轮廓作为参考轮廓。参考轮廓上的关键点为目标关键点。
4)获取每个目标关键点的周围关键点。
将目标关键点进行标号，对于与目标关键点同类别的每个边缘轮廓，依次获取每个边缘轮廓上与每个目标关键点欧式距离最近的关键点，作为周围关键点。
需要说明的是，由于彩虹纹分布于电池板边沿区域，而电池板边沿为直线不存在关键点，因此本发明实施例中仅对各轮廓中不存在于边沿上的关键点进行分析计算。
5)计算距离均方差。
计算每个目标关键点与其对应的周围关键点的欧氏距离的均方差。
6)根据可信权重和距离均方差获取目标关键点的可信程度。
以均方差δi结合对应的可信权重wi计算对应目标关键点pi的可信程度Gi：
Figure BDA0003195322370000081
当前目标关键点与同边沿类别中其他轮廓的对应信息关键点的欧氏距离越相近，此目标关键点的可信程度越高，反之则越低。
步骤S004，对于每个类别的边缘轮廓，根据可信程度筛选目标关键点，获取可信关键点；利用可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状。
具体的步骤包括：
1)筛选可信关键点。
选取可信程度之和能够达到预设阈值的最少的目标关键点作为可信关键点。
具体的，计算出参考轮廓的所有目标关键点对应的可信程度后，对其进行求和得到总可信程度。选取同类别的边缘轮廓中可信程度之和大于总可信程度80％时所对应的数量最少且可信程度最大的关键点形成反映整体轮廓形状的信息关键点集合。
2)获取平均形状。
a.依据可信关键点及其对应的周围关键点分别对每个类别中每个边缘轮廓进行相似变换以使轮廓对齐；并通过可信权重对相似变换进行优化。
假设最终得到的可信关键点数量为m，根据这些可信关键点及其对应的周围关键点对各类别内所有的彩虹纹轮廓进行相似变换以使所有的轮廓对齐，使所有的轮廓尽可能接近，从而确定出最能表示所有轮廓的信息关键点集合。
轮廓对齐的主要过程为：
任意选取一个边缘轮廓形状作为参考形状，将同类别的其他彩虹纹轮廓图像通过相似变换依次与之进行对齐。对齐操作是让样本之间尽可能的接近，其最终的优化目标是最小化加权距离平方和Ri。
每一个彩虹纹轮廓形状都含有m个关键点，假设第i个轮廓中任意一个关键点为Sij，则轮廓特征记为向量Si＝(Si1，Si2，...，Sij，...，Sim)T，该轮廓经过相似变换的旋转、尺度缩放和平移后得到轮廓Ni＝(Ni1，Ni2，...，Nij，...，Nim)T，则将Si映射到Ni时对应的Ri为：
Figure BDA0003195322370000091
其中，wj表示该轮廓内第j个关键点的权重矩阵。
本发明实施例中根据每个点的稳定性为其分配不同的权重，设djl表示一个轮廓中的第j个关键点和第l个关键点之间的距离，
Figure BDA0003195322370000092
表示同一边沿类别中所有边缘轮廓中第j个关键点和第l个关键点之间的方差，则点j所占的权重为：
Figure BDA0003195322370000093
计算第j个关键点和除第j个关键点之外的其他关键点之间距离的方差和，并以该和的倒数作为该点的权重值。即一个关键点在得到的图像数据中相对于其他点越稳定，其方差就会越小，则其相应的权重就越大，反之，权重则越小。
结合上述权重进行相似变换后计算得到的各轮廓的平均轮廓，并将平均轮廓作为参考轮廓，继续和各轮廓作相似变换来对齐，直到各轮廓与平均轮廓的平均距离收敛到不再变化为止。
b.获取对齐后的边缘轮廓中的周围关键点，每个边缘轮廓的周围关键点组成一个形状向量，计算每个类别中的所有形状向量的平均向量，获得平均形状。
对齐后的任意一个彩虹纹轮廓形状表示为向量Ni。假设属于同一边沿类别的彩虹纹共有N个，所有彩虹纹形状的平均形状
Figure BDA0003195322370000094
为：
Figure BDA0003195322370000095
步骤S005，通过计算同一类别中的所有边缘轮廓与平均形状的偏差组成方差矩阵；根据方差矩阵的特征向量和特征值调整边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。
具体的步骤包括：
1)获取方差矩阵。
计算同边沿类别中所有彩虹纹形状与平均形状的偏差，得到方差矩阵K，并计算方差矩阵K的特征向量和对应的特征值。
由于特征值越大代表着对应特征向量越重要，即该特征向量下的彩虹纹轮廓形状占比越大，因此通过求取每个同边沿类别中方差矩阵的特征向量和特征值来对光伏电池板各部分被检测的优先度进行调整，并据此实现对光伏电池板彩虹纹的快速检测。
2)通过计算每个类别中每个边缘轮廓对应的方差矩阵的特征值与该类别所有边缘轮廓的特征值之和的比值作为优先度。
光伏电池板各区域被检测的优先度范围为[0，1]，在各组同边沿类别中确定当前边沿类别下彩虹纹的最大区域，并将这些区域以外的优先度设置为0。
在当前边沿类别下彩虹纹的最大区域中，将该区域对应的方差矩阵中求得的特征向量及其特征值按照其占比区域及比例进行优先度的调整。即计算每个特征值占总体特征值之和的比值，并将得到的比值应用于其所对应的特征向量下的彩虹纹区域内。
3)获取所有彩虹纹区域内每个像素及其邻域的平均值，由最小平均值和最大平均值构成彩虹纹核查范围。
根据所有彩虹纹区域内像素的灰度值建立彩虹纹核查范围[gmin，gmax]，其中gmin、gmax分别为彩虹纹区域内任一像素及其八邻域范围内像素灰度的平均值最小值和最大值。
4)按照优先度的大小对待测光伏电池板的每个区域进行像素值筛选，当平均灰度值在彩虹纹核查范围内的像素数量超过预设数量时，该待测电池板存在彩虹纹。
对任一一个待测光伏电池板，按照优先度由大到小的顺序同时对三类边沿位置处的像素进行计算分析，若连续超过50个像素点其与八邻域内的像素灰度平均值处于核查范围内，则可判断当前光伏电池板存在彩虹纹。
综上所述，本发明实施例采集多个含有彩虹纹的光伏电池板的正视图像，识别每个正视图像的彩虹纹区域；依据每个彩虹纹区域与光伏电池板各边沿的距离对其分类，并检测彩虹纹区域的边缘轮廓；获取每个边缘轮廓的关键点，根据关键点的位置信息计算每个关键点的可信权重；选取每个类别的参考轮廓，并获取参考轮廓上的目标关键点；获取每个目标关键点的周围关键点；计算目标关键点与周围关键点的距离均方差；根据可信权重和距离均方差获取目标关键点的可信程度；对于每个类别的边缘轮廓，根据可信程度筛选目标关键点，获取可信关键点；利用可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；通过计算同一类别中的所有边缘轮廓与平均形状的偏差组成方差矩阵；根据方差矩阵的特征向量和特征值调整边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。本发明实施例能够结合彩虹纹的位置特性计算出光伏电池板各区域被检测的优先度，且无需使用神经网络实现对彩虹纹的快速检测，极大地提高了彩虹纹的检测效率。
基于与上述方法相同的发明构思，本发明另一个实施例提供了一种基于人工智能的光伏电池板彩虹纹检测装置，该装置包括以下模块：
彩虹纹区域识别模块1001、分类模块1002、可信程度获取模块1003、平均形状获取模块1004以及彩虹纹检测模块1005。
具体的，彩虹纹区域识别模块用于采集多个含有彩虹纹的光伏电池板的正视图像，识别每个正视图像的彩虹纹区域；分类模块用于依据每个彩虹纹区域与光伏电池板各边沿的距离对其分类，并检测彩虹纹区域的边缘轮廓；可信程度获取模块用于获取每个边缘轮廓的关键点，根据关键点的位置信息计算每个关键点的可信权重；选取每个类别的参考轮廓，并获取参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，周围关键点是与目标关键点同类别的每个边缘轮廓中与目标关键点距离最近的关键点；计算目标关键点与周围关键点的距离均方差；根据可信权重和距离均方差获取目标关键点的可信程度；平均形状获取模块用于对于每个类别的边缘轮廓，根据可信程度筛选目标关键点，获取可信关键点；利用可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；彩虹纹检测模块用于通过计算同一类别中的所有边缘轮廓与平均形状的偏差组成方差矩阵；根据方差矩阵的特征向量和特征值调整边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。
基于与上述方法相同的发明构思，本发明另一个实施例提供了一种电子设备。
请参阅图4，其示出了本发明实施例提供的一种电子设备的示意图。该实施例的电子设备包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述基于人工智能的光伏电池板彩虹纹检测方法实施例中的步骤，例如图1所示的步骤。或者，处理器执行计算机程序时实现上述基于人工智能的光伏电池板彩虹纹检测装置实施例中各模块的功能。
示例性的，计算机程序可以被分割成一个或多个模块，其中一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。其中一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
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 (5)

1.基于人工智能的光伏电池板彩虹纹检测方法，其特征在于，该方法包括以下步骤：
采集多个含有彩虹纹的光伏电池板的正视图像，识别每个所述正视图像的彩虹纹区域；
依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类，并检测所述彩虹纹区域的边缘轮廓；
获取每个所述边缘轮廓的关键点，根据所述关键点的位置信息计算每个所述关键点的可信权重；选取每个类别的参考轮廓，并获取所述参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，所述周围关键点是与所述目标关键点同类别的每个边缘轮廓中与所述目标关键点距离最近的关键点；计算所述目标关键点与周围关键点的距离均方差；根据所述可信权重和所述距离均方差获取所述目标关键点的可信程度；
对于每个类别的边缘轮廓，根据所述可信程度筛选所述目标关键点，获取可信关键点；利用所述可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；
通过计算同一类别中的所有所述边缘轮廓与所述平均形状的偏差组成方差矩阵；根据所述方差矩阵的特征向量和特征值调整所述边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测；
所述依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类的步骤包括：
获取每个所述彩虹纹区域的主成分方向；
获取所述主成分方向的投影线到所述光伏电池板下侧边沿以及与所述下侧边沿相邻的两侧边沿的距离，以所述距离最小值对应的边沿类别作为该彩虹纹区域的类别；
所述距离均方差的获取步骤包括：
对于每个类别的边缘轮廓，选取所述关键点最多的边缘轮廓作为参考轮廓，计算每个所述目标关键点与其对应的周围关键点的欧氏距离的均方差；
所述可信权重的获取步骤包括：
获取所述关键点与所属类别的边沿之间的第一距离，和所述关键点与所属类别的相邻边沿之间较短的第二距离；
获取所述关键点与所属类别的边沿的对称边沿之间的第三距离，和所述关键点与所属类别的相邻边沿之间较长的第四距离；
根据所述第一距离与第三距离的比值，和所述第二距离与所述第四距离的比值，获取所述可信权重；
所述平均形状的获取方法为：
选取可信程度之和能够达到预设阈值的最少的目标关键点作为可信关键点；
依据所述可信关键点及其对应的所述周围关键点分别对每个类别中每个边缘轮廓进行相似变换以使轮廓对齐；并通过所述可信权重对所述相似变换进行优化；
获取对齐后的所述边缘轮廓中的周围关键点，每个边缘轮廓的周围关键点组成一个形状向量，计算每个类别中的所有所述形状向量的平均向量，获得所述平均形状；
所述按照优先度大小对待测光伏电池板进行彩虹纹检测的步骤包括：
通过计算每个类别中每个所述边缘轮廓对应的方差矩阵的特征值与该类别所有边缘轮廓的特征值之和的比值作为所述优先度；
获取所有所述彩虹纹区域内每个像素及其邻域的平均值，由最小平均值和最大平均值构成彩虹纹核查范围；
按照所述优先度的大小对所述待测光伏电池板的每个区域进行像素值筛选，当平均灰度值在所述彩虹纹核查范围内的像素数量超过预设数量时，该待测电池板存在彩虹纹。
2.根据权利要求1所述的方法，其特征在于，所述识别所述正视图像的彩虹纹区域的方法为：
获取标准光伏电池板的标准灰度平均值，通过比较所述光伏电池板的灰度值与所述标准灰度平均值，识别出所述彩虹纹区域。
3.根据权利要求1所述的方法，其特征在于，所述获取所述边缘轮廓的关键点的方法为：
获取所述边缘轮廓所在曲线的极值点，以所述极值点作为所述关键点。
4.基于人工智能的光伏电池板彩虹纹检测装置，其特征在于，该装置包括以下模块：
彩虹纹区域识别模块，用于采集多个含有彩虹纹的光伏电池板的正视图像，识别每个所述正视图像的彩虹纹区域；
分类模块，用于依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类，并检测所述彩虹纹区域的边缘轮廓；
可信程度获取模块，用于获取每个所述边缘轮廓的关键点，根据所述关键点的位置信息计算每个所述关键点的可信权重；选取每个类别的参考轮廓，并获取所述参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，所述周围关键点是与所述目标关键点同类别的每个边缘轮廓中与所述目标关键点距离最近的关键点；计算所述目标关键点与周围关键点的距离均方差；根据所述可信权重和所述距离均方差获取所述目标关键点的可信程度；
平均形状获取模块，用于对于每个类别的边缘轮廓，根据所述可信程度筛选所述目标关键点，获取可信关键点；利用所述可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；
彩虹纹检测模块，用于通过计算同一类别中的所有所述边缘轮廓与所述平均形状的偏差组成方差矩阵；根据所述方差矩阵的特征向量和特征值调整所述边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测；
所述依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类的步骤包括：
获取每个所述彩虹纹区域的主成分方向；
获取所述主成分方向的投影线到所述光伏电池板下侧边沿以及与所述下侧边沿相邻的两侧边沿的距离，以所述距离最小值对应的边沿类别作为该彩虹纹区域的类别；
所述距离均方差的获取步骤包括：
对于每个类别的边缘轮廓，选取所述关键点最多的边缘轮廓作为参考轮廓，计算每个所述目标关键点与其对应的周围关键点的欧氏距离的均方差；
所述可信权重的获取步骤包括：
获取所述关键点与所属类别的边沿之间的第一距离，和所述关键点与所属类别的相邻边沿之间较短的第二距离；
获取所述关键点与所属类别的边沿的对称边沿之间的第三距离，和所述关键点与所属类别的相邻边沿之间较长的第四距离；
根据所述第一距离与第三距离的比值，和所述第二距离与所述第四距离的比值，获取所述可信权重；
所述平均形状的获取方法为：
选取可信程度之和能够达到预设阈值的最少的目标关键点作为可信关键点；
依据所述可信关键点及其对应的所述周围关键点分别对每个类别中每个边缘轮廓进行相似变换以使轮廓对齐；并通过所述可信权重对所述相似变换进行优化；
获取对齐后的所述边缘轮廓中的周围关键点，每个边缘轮廓的周围关键点组成一个形状向量，计算每个类别中的所有所述形状向量的平均向量，获得所述平均形状；
所述按照优先度大小对待测光伏电池板进行彩虹纹检测的步骤包括：
通过计算每个类别中每个所述边缘轮廓对应的方差矩阵的特征值与该类别所有边缘轮廓的特征值之和的比值作为所述优先度；
获取所有所述彩虹纹区域内每个像素及其邻域的平均值，由最小平均值和最大平均值构成彩虹纹核查范围；
按照所述优先度的大小对所述待测光伏电池板的每个区域进行像素值筛选，当平均灰度值在所述彩虹纹核查范围内的像素数量超过预设数量时，该待测电池板存在彩虹纹。
5.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～3任意一项所述方法的步骤。
CN202110889641.7A 2021-08-04 2021-08-04 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 Active CN113610799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110889641.7A CN113610799B (zh) 2021-08-04 2021-08-04 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110889641.7A CN113610799B (zh) 2021-08-04 2021-08-04 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113610799A CN113610799A (zh) 2021-11-05
CN113610799B true CN113610799B (zh) 2022-07-08

Family

ID=78339434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110889641.7A Active CN113610799B (zh) 2021-08-04 2021-08-04 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113610799B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359059B (zh) * 2022-10-20 2023-01-31 一道新能源科技(衢州)有限公司 太阳能电池性能测试方法及系统
CN116794068B (zh) * 2023-05-31 2024-07-26 成都瑞波科材料科技有限公司 用于涂布工艺的彩虹纹检测装置、方法及涂布工艺设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902641A (zh) * 2019-03-06 2019-06-18 中国科学院自动化研究所 基于语义对齐的人脸关键点检测方法、系统、装置
CN112150458A (zh) * 2020-10-13 2020-12-29 李俊 基于人工智能的光伏电池板焊带偏移检测方法及系统
CN112461845A (zh) * 2020-11-24 2021-03-09 黄晟晖 一种基于双光一体的太阳能电池板彩虹纹检测方法
CN112907467A (zh) * 2021-02-03 2021-06-04 杭州海康威视数字技术股份有限公司 彩虹纹去除方法、装置及电子设备
WO2021147437A1 (zh) * 2020-09-22 2021-07-29 平安科技（深圳）有限公司 证卡边缘检测方法、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070223815A1 (en) * 2004-09-02 2007-09-27 Koninklijke Philips Electronics N.V. Feature Weighted Medical Object Contouring Using Distance Coordinates
CN106846340B (zh) * 2017-02-17 2019-06-21 大连理工大学 一种基于非固定特征点的光条边界提取方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN112529875A (zh) * 2020-12-14 2021-03-19 孙占民 一种基于人工智能的光伏组件玻璃爆裂预警方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902641A (zh) * 2019-03-06 2019-06-18 中国科学院自动化研究所 基于语义对齐的人脸关键点检测方法、系统、装置
WO2021147437A1 (zh) * 2020-09-22 2021-07-29 平安科技（深圳）有限公司 证卡边缘检测方法、设备及存储介质
CN112150458A (zh) * 2020-10-13 2020-12-29 李俊 基于人工智能的光伏电池板焊带偏移检测方法及系统
CN112461845A (zh) * 2020-11-24 2021-03-09 黄晟晖 一种基于双光一体的太阳能电池板彩虹纹检测方法
CN112907467A (zh) * 2021-02-03 2021-06-04 杭州海康威视数字技术股份有限公司 彩虹纹去除方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault diagnosis of photovoltaic modules through image processing and Canny edge detection on field thermographic measurements;J.A. Tsanakas et al;《nternational Journal of Sustainable Energy》;20151231;第34卷(第6期);351-372页 *
高分辨率遥感影像中建筑物轮廓信息矢量化;孙金彦等;《遥感学报》;20170525;第21卷(第3期);396-405页 *

Also Published As

Publication number Publication date
CN113610799A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN110543837B (zh) 一种基于潜在目标点的可见光机场飞机检测方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN108304798B (zh) 基于深度学习及运动一致性的街面秩序事件视频检测方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN113610799B (zh) 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备
CN112950508A (zh) 一种基于计算机视觉的排水管道视频数据修复方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN113592911B (zh) 表观增强深度目标跟踪方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN110766016B (zh) 一种基于概率神经网络的喷码字符识别方法
CN106778742B (zh) 一种基于Gabor滤波器背景纹理抑制的车标检测方法
CN114862855B (zh) 基于模板匹配的纺织品缺陷检测方法及系统
CN109447036A (zh) 一种图像数字分割与识别方法及系统
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN111199245A (zh) 油菜害虫识别方法
CN107578011A (zh) 视频关键帧的判定方法及装置
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN109712116B (zh) 输电线路及其附件的故障识别方法
CN110705553A (zh) 一种适用于车辆远景图像的划痕检测方法

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
GR01 Patent grant
GR01 Patent grant