CN113781448A - 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 - Google Patents
一种基于红外图像分析的光伏电站组件智能缺陷识别方法 Download PDFInfo
- Publication number
- CN113781448A CN113781448A CN202111072014.0A CN202111072014A CN113781448A CN 113781448 A CN113781448 A CN 113781448A CN 202111072014 A CN202111072014 A CN 202111072014A CN 113781448 A CN113781448 A CN 113781448A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- defects
- detection
- defect
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000010191 image analysis Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000010438 heat treatment Methods 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001629 suppression Effects 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—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
Abstract
本发明公开了一种基于红外图像分析的光伏电站组件智能缺陷识别方法;该方法通过人为的在光伏电站组件上制作缺陷,通过红外热像仪拍摄具有缺陷的光伏电站组件,获得训练图像。能够获取大量的训练数据,为训练神经网络模型提高数量充足的,缺陷特征全面的训练图像。由训练图像训练神经网络模型,获得检测模型。通过检测模型检测缺陷能够极大的提高检测效率和准确度。由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷,本发明提高了检测光伏电站组件的准确度。
Description
技术领域
本发明涉及光伏电站缺陷检测技术领域,尤其涉及一种基于红外图像分析的光伏电站组件智能缺陷识别方法。
背景技术
近年来,光伏产业发展迅速,装机容量和覆盖面积大规模上升。随着光伏电站使用年限的增加,光伏组件在使用时的问题逐渐凸显,不同类型的缺陷逐渐显现。这些故障一方面影响发电效率,另一方面带来安全隐患,有可能引起火灾等安全事故。
因此,光伏电站运维和巡检十分重要。目前,由于无人机的方便快捷,价格低廉等特性,通过无人机携带红外相机对光伏电站进行巡检。然而在对采集到的图像进行检测时,需要大量的训练图像,并且需要这些训练图像包括较为全面的缺陷特征,而在实际检测中,这些训练图像难以大量的获得,并且缺陷的特征不能全面的覆盖。给检测缺陷带来不便,也使得检测结果的准确度较低。
发明内容
本发明主要解决的技术问题是提供一种基于红外图像分析的光伏电站组件智能缺陷识别方法。
为解决上述技术问题,本发明采用的一个技术方案是提供一种基于红外图像分析的光伏电站组件智能缺陷识别方法,包括步骤:
在光伏电站组件上制作缺陷,通过红外热像仪拍摄具有缺陷的光伏电站组件,获得训练图像;
由训练图像训练神经网络模型,获得检测模型;
由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷。
优选的,作为一种可实施方案;所述缺陷的类型包括有任意形状的凹陷缺陷、覆盖缺陷和/或缺失缺陷。
优选的,作为一种可实施方案;所述对制造缺陷后的光伏电站组件实施加热之前包括如下操作步骤:按照预设热源提供方式,对制造缺陷后的光伏电站组件实施加热。
优选的,作为一种可实施方案;所述按照预设热源提供方式包括有光热源加热,风热源加热,电磁加热,电阻加热。
优选的,作为一种可实施方案;施加光源后通过红外热像仪拍摄加热后且具有缺陷的光伏电站组件,获得训练图像,以所述光伏电站组件为圆心以多种角度、多种距离拍摄光伏电站组件,获得训练图像。
优选的,作为一种可实施方案;在无人机拍摄获取需要检测的光伏电站组件群,之后包括对当前拍摄的检测图像进一步筛选识别处理确定当前检测图像中光伏电站组件群的所在区域,作为检测区域,具体包括如下操作步骤:
计算当前所有检测图像中的光伏电站组件群的区域面积以及平均灰度,得到区域面积大小的平均值S0和平均灰度H0;
遍历当前检测图像中的整体目标件形成的区域,如果该区域的面积在0.8S0-1.2S0之间,同时平均灰度在0.8H0-1.2H0之间,则保留该区域,并且认定当前检测图中的当前区域作为检测区域,否则,舍弃该区域。
优选的,作为一种可实施方案;在确定检测区域后,还包括对当前检测区域中的光伏电站组件群整体进行缺陷识别,包括如下操作步骤:
首先提取检测区域的边缘,将整个检测区域作为检测对象,由所述检测模型检测光伏电站组件群是否存在缺失光伏电站组件的缺失缺陷、凹陷缺陷、覆盖缺陷;
如果是,则对当前检测区域实施进一步识别处理,并记载存在缺陷的当前光伏电站组件群;
如果否,则舍弃当前检测区域。
优选的,作为一种可实施方案;对当前检测区域实施进一步识别处理,包括如下操作步骤:
将当前光伏电站组件群分割为具有顺序编号的多个光伏电站组件,由检测模型逐个检测光伏电站组件实施进一步缺陷检测;
如果检测当前光伏电站组件存在缺陷,则对当前光伏电站组件所对应的编号进行存储,同时对当前光伏电站组件的缺陷类型进行确定以及存储;
如果检测当前光伏电站组件不存在缺陷,则对当前光伏电站组件进行舍弃处理。
优选的,作为一种可实施方案;在所述提取检测区域的边缘执行过程中,提取边缘的算法为Canny边缘检测算法。
优选的,作为一种可实施方案;所述预设热源为恒定热源,预设热源的温度取值范围为10℃-100℃。
本发明的有益效果是:本发明公开了一种基于红外图像分析的光伏电站组件智能缺陷识别方法。该方法通过人为的在光伏电站组件上制作缺陷,通过红外热像仪拍摄具有缺陷的光伏电站组件,获得训练图像。能够获取大量的训练数据,为训练神经网络模型提高数量充足的,缺陷特征全面的训练图像。由训练图像训练神经网络模型,获得检测模型。通过检测模型检测缺陷能够极大的提高检测效率和准确度。由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷,本发明提高了检测光伏电站组件的准确度。
附图说明
图1是根据本发明基于红外图像分析的光伏电站组件智能缺陷识别方法一实施例的主要操作流程图;
图2是根据本发明基于红外图像分析的光伏电站组件智能缺陷识别方法一实施例的神经网络模型的结构示意图;
图3是根据本发明基于红外图像分析的光伏电站组件智能缺陷识别方法一实施例建议框的示意图;
图4是根据本发明基于红外图像分析的光伏电站组件智能缺陷识别方法一实施例的具体流程示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是,除非另有定义,本说明书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。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限值本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
参见图1,本发明实施例一提供了一种基于红外图像分析的光伏电站组件智能缺陷识别方法,主要包括如下方面的操作步骤:
步骤S1:在光伏电站组件上制作缺陷,对制造缺陷后的光伏电站组件实施加热,通过红外热像仪拍摄加热后且具有缺陷的光伏电站组件,获得训练图像。
步骤S2:由训练图像训练神经网络模型,获得检测模型。
步骤S3:由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷。
在本发明实施例的具体技术方案中,上述光伏电站组件可以选择使用多种结构形状,优选使用为方形,光伏电站组件的面积优选为1m*1m。
在本发明实施例的具体技术方案中,需要说明的是,本申请实施例需要人为的在光伏电站组件上制作缺陷,然而该缺陷需要尽量符合本身的光伏电站组件的常规缺陷,同时结合制造缺陷的形成方式;对此,研究人员认为本申请技术方案中的上述缺陷的类型包括凹陷缺陷、覆盖缺陷和/或缺失缺陷等。同时人为的制作缺陷还需要根据光伏电站组件在使用时出现的各种缺陷情况,全面覆盖在使用时可能出现的缺陷,这样才能保障全面覆盖光伏电站组件的缺陷特征,最终为训练神经网络模型提供特征全面的训练图像。
本发明实施例提供基于红外图像分析的光伏电站组件智能缺陷识别方法,其通过全面提升训练图像的数量,进而丰富了训练后的神经网络模型,经过大量训练图像训练后的神经网络模型具有更好的技术可参考性。
上述凹陷缺陷为在光伏电站组件的任意位置上制作任意形状的凹陷。例如使用重物砸光伏电站组件,以模拟在使用时光伏电站组件被坠落物砸而造成的缺陷。
上述覆盖缺陷为在光伏电站组件的任意位置上覆盖任意形状的覆盖物。如落叶、树枝、灰尘等。以模拟在使用时光伏电站组件被覆盖物覆盖时的缺陷。
上述缺失缺陷为在光伏电站组件的任意位置上,去掉一个或多个光伏单件,以模拟在光伏电站组件中,缺少一个或多个光伏单件的情况。
在光伏电站组件施加热源(或简称预设热源)后,红外图像上光伏电站组件缺陷处的温度与光伏电站组件其他区域的温度不同,从而表现在图像上缺陷处的颜色与其他区域的颜色不同;本发明实施例则主要通过上述方式进行进行图像。
上述提供预设热源的方式包括有光热源加热,风热源加热,电磁加热,电阻加热等多种加热方式,对此本申请实施例不再一一赘述。
在本发明实施例的具体技术方案中,上述预设热源为恒定热源,预设热源的温度取值范围为10℃-100℃,在最优选的技术方案中可以选热源温度是40℃。在具体的加热方式中,光热源加热,通过设置不同的温度的光照,对光伏电站组件进行光照加热,包括对光伏电站组件的表面整体进行光照加热,或者对表面局部进行光照加热,通过控制光照的光面的大小和光照功率实现对光热源加热的调控。例如通过不同规格的热光源进行光照加热,由此可以模拟强太阳光下的光照加热。
在具体的加热方式中,风热源加热,通过设置不同的温度的热风,对光伏电站组件进行热风加热,包括对光伏电站组件的表面整体进行热风加热,或者对表面局部进行热风加热,通过控制热风的风口大小和风热功率实现对光热源加热的调控。例如通过不同规格的热风机进行风热源加热。
在具体的加热方式中,电磁加热,通过设置的线圈产生高频磁场,待测物体受磁场感应而发热。包括对光伏电站组件的表面整体进行电磁加热,或者对表面局部进行电磁加热,通过控制线圈的数量和电磁加热的功率实现对电磁加热的调控。
在具体的加热方式中,电阻加热,电流通过电阻体的热效应,对光伏电站组件进行电阻加热,包括对光伏电站组件的表面整体进行电阻加热,或者对表面局部进行电阻加热,通过控制电阻体电阻的大小和电流的功率实现对电阻加热的调控。
在本发明实施例的具体技术方案中,缺陷所在区域即为上述人为制作的缺陷在光伏电站组件上的范围,非缺陷所在区域为光伏电站组件上缺陷外的区域。
施加光源后通过红外热像仪拍摄具有缺陷的光伏电站组件,以光伏电站组件为圆心以多种角度多种距离拍摄光伏电站组件。以模拟在不同的拍摄环境下拍摄到的多种不同角度和距离的视频或图像。
拍摄角度为0-360°,优选的为0°、30°、45°、60°、90°、135°、180°、270°等。
拍摄距离为10-200米,优选的为10、20、40、50、70、100、150、200米。
需要说明的是,上述拍摄角度和拍摄距离可以两两组合形成一个完整的拍摄方式解决方案,由此能够获得大量的训练图像,获得的训练图像可以根据需要的数量任意获得,并且在训练图像中包括的缺陷特征全面,能够为训练神经网络模型提供充足的,特征全面的训练图像。
由训练图像来训练神经网络模型,获得检测模型,由检测模型识别光伏电站组件的缺陷。
构建神经网络模型主要包括特征提取、建议框生成(RPN)、建议框特征选择(ROI_Pooling)、位置回归和分类等操作,整体结构如图2所示。
神经网络模型的特征提取层由13个卷积层和激活层,4个池化层组成。
本申请实施例采用的RPN大大的加快了推荐框生成的速度。首先在特征图上的每一个点生成9个anchor,也就是9个预设的矩形框,9个anchor有3种不同的形状,长宽比分别为1:1,1:2,2:1。有三组不同的大小,其示意图如图3所示。
RPN通过卷积对每一个anchor生成前景、背景两个类别概率,以及四个位置的偏移量。又因为特征图上每一个点有9个anchor,因此RPN在用3x3的卷积核处理特征图之后,通过两个1x1的卷积核分别产生18维的类别信息,和36维的位置偏移信息。之后根据位置偏移信息对每一个anchor进行调整,并处理边界溢出的情况。然后以前景概率进行排序,做非最大值抑制后,输出前300个建议框。
ROI_Pooling接收RPN输出的建议框,结合特征图,输出每一个建议框对应的特征信息。将ROI_Pooling得到的特征图,送入后续的全连接层进行具体分类和第二次位置回归。
神经网络模型的损失函数由四部分组成,分别是RPN的分类损失、回归损失、最后的精确分类的全连接层的分类损失和回归损失。在RPN层,每个anchor只被分为两类,前景和背景。
分类损失函数优选二分类交叉熵损失。如下式所示,
其中:pi表示anchor预测为前景的概率,pi*表示该anchor对应的真值,当该anchor为前景时值为1,背景时值为0。
RPN的回归损失采用smooth L1损失函数,如下所示;
其中:ti是一个四维向量,表示对anchor预测的偏移量。vi表示anchor相对真实目标框的偏移量,x为他们的差值。
该损失函数的鲁棒性较强。
后续精确分类定位的部分,其损失函数为多分类的交叉熵损失函数。其公式如下所示。
p=(p0,p1,p2,...,pk)
Lcls(p,u)=-log pu
其中:p是分类层输出的该建议框属于每一个类别的概率,u是该建议框属于的真正类别。u∈(1,k)。k表示建议框的数量。
通过训练图像训练神经网络模型完成后,获得检测模型,由检测模型检测光伏电站组件的缺陷。
通过无人机搭载红外热像仪获取需要检测的光伏电站组件群获取检测图像,光伏电站组件群由多个光伏电站组件组成。
在本发明实施例的具体技术方案中,首先获取的检测图像可能含有光伏电站组件群的图像区域,对于该区域不含有光伏电站组件群的则进行区域舍弃,对此本申请实施例还需要进一步实施判断。
参见图4,通常在检测图像中,光伏电站组件群区域的面积远多于其他区域的面积。因此我们将分割出的区域面积按照大小排序,取到中值的区域有很大概率是光伏电站组件区域。
步骤S31:计算当前所有检测图像中的光伏电站组件群的区域面积以及平均灰度,得到区域面积大小的平均值S0和平均灰度H0;
步骤S32:遍历当前检测图像中的整体目标件形成的区域(其中整体目标件是指当前图像中边缘轮廓形成同一个整体的目标件,其可以是一个或多个光伏电站组件群形成的整体轮廓,也可以是一个其他电气件形成的整体轮廓),如果该区域的面积在0.8S0-1.2S0之间,同时平均灰度在0.8H0-1.2H0之间,则保留该区域,并且认定当前检测图中的当前区域作为检测区域,否则,舍弃该区域。由此能够准确的获得光伏电站组件群的所在区域。保留下的区域即为检测区域。
在本发明实施例的具体技术方案中,在确定检测区域后,还包括对当前检测区域中的光伏电站组件群整体进行缺陷识别,包括如下操作步骤:
步骤S321:首先提取检测区域的边缘,将整个检测区域作为检测对象,由所述检测模型检测光伏电站组件群是否存在缺失光伏电站组件的缺失缺陷、凹陷缺陷、覆盖缺陷;
如果是,则执行步骤S322,即对当前检测区域实施进一步识别处理,并记载存在缺陷的当前光伏电站组件群;
如果否,则执行步骤S323,即舍弃当前检测区域。
需要说明的是,提取检测区域的边缘,将整个检测区域作为检测对象,由检测模型检测光伏电站组件群是否存在缺失光伏电站组件的缺失缺陷。此时是将光伏电站组件群看作为一个整体的光伏电站组件,判断是否具有缺失缺陷。由此能够判断在光伏电站组件群中是否缺失某一光伏电站组件。
在执行步骤S322执行过程中,对当前检测区域实施进一步识别处理,包括如下操作步骤:
将当前光伏电站组件群分割为具有顺序编号的多个光伏电站组件,由检测模型逐个检测光伏电站组件实施进一步缺陷检测;
如果检测当前光伏电站组件存在缺陷,则对当前光伏电站组件所对应的编号进行存储,同时对当前光伏电站组件的缺陷类型进行确定以及存储;
如果检测当前光伏电站组件不存在缺陷,则对当前光伏电站组件进行舍弃处理。
在本发明实施例的具体技术方案中,整体检测后,将光伏电站组件群分割为多个光伏电站组件,由检测模型逐个检测光伏电站组件是否存在凹陷缺陷、覆盖缺陷和缺失缺陷。由此能够精确的判断某一光伏电站组件是否存在缺陷,从而提高检测的准确度。
在本发明实施例的具体技术方案中,提取边缘的算法优选Canny边缘检测算法。
由此可见,本发明公开了一种基于红外图像分析的光伏电站组件智能缺陷识别方法。该方法通过人为的在光伏电站组件上制作缺陷,通过红外热像仪拍摄具有缺陷的光伏电站组件,获得训练图像。能够获取大量的训练数据,为训练神经网络模型提高数量充足的,缺陷特征全面的训练图像。由训练图像训练神经网络模型,获得检测模型。通过检测模型检测缺陷能够极大的提高检测效率和准确度。由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷,本发明提高了检测光伏电站组件的准确度。
以上仅为本发明的实施例,并非因此限值本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,包括步骤:
在光伏电站组件上制作缺陷,对制造缺陷后的光伏电站组件实施加热,通过红外热像仪拍摄加热后且具有缺陷的光伏电站组件,获得训练图像;
由训练图像训练神经网络模型,获得检测模型;
由无人机拍摄获取需要检测的光伏电站组件群,由检测模型识别光伏电站组件群中是否存在缺陷。
2.根据权利要求1的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,所述缺陷的类型包括凹陷缺陷、覆盖缺陷和/或缺失缺陷。
3.根据权利要求2的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,所述对制造缺陷后的光伏电站组件实施加热之前包括如下操作步骤:按照预设热源提供方式,对制造缺陷后的光伏电站组件实施加热。
4.根据权利要求3的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,所述按照预设热源提供方式包括有光热源加热,风热源加热,电磁加热,电阻加热。
5.根据权利要求4的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,施加光源后通过红外热像仪拍摄加热后且具有缺陷的光伏电站组件,获得训练图像,以所述光伏电站组件为圆心以多种角度、多种距离拍摄光伏电站组件,获得训练图像。
6.根据权利要求5的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,在无人机拍摄获取需要检测的光伏电站组件群,之后包括对当前拍摄的检测图像进一步筛选识别处理确定当前检测图像中光伏电站组件群的所在区域,作为检测区域,具体包括如下操作步骤:
计算当前所有检测图像中的光伏电站组件群的区域面积以及平均灰度,得到区域面积大小的平均值S0和平均灰度H0;
遍历当前检测图像中的整体目标件形成的区域,如果该区域的面积在0.8S0-1.2S0之间,同时平均灰度在0.8H0-1.2H0之间,则保留该区域,并且认定当前检测图中的当前区域作为检测区域,否则,舍弃该区域。
7.根据权利要求6的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,在确定检测区域后,还包括对当前检测区域中的光伏电站组件群整体进行缺陷识别,包括如下操作步骤:
首先提取检测区域的边缘,将整个检测区域作为检测对象,由所述检测模型检测光伏电站组件群是否存在缺失光伏电站组件的缺失缺陷、凹陷缺陷、覆盖缺陷;
如果是,则对当前检测区域实施进一步识别处理,并记载存在缺陷的当前光伏电站组件群;
如果否,则舍弃当前检测区域。
8.根据权利要求7的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,对当前检测区域实施进一步识别处理,包括如下操作步骤:
将当前光伏电站组件群分割为具有顺序编号的多个光伏电站组件,由检测模型逐个检测光伏电站组件实施进一步缺陷检测;
如果检测当前光伏电站组件存在缺陷,则对当前光伏电站组件所对应的编号进行存储,同时对当前光伏电站组件的缺陷类型进行确定以及存储;
如果检测当前光伏电站组件不存在缺陷,则对当前光伏电站组件进行舍弃处理。
9.根据权利要求8的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,在所述提取检测区域的边缘执行过程中,提取边缘的算法为Canny边缘检测算法。
10.根据权利要求4的基于红外图像分析的光伏电站组件智能缺陷识别方法,其特征在于,预设热源为恒定热源,预设热源的温度取值范围为10℃-100℃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072014.0A CN113781448B (zh) | 2021-09-14 | 2021-09-14 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072014.0A CN113781448B (zh) | 2021-09-14 | 2021-09-14 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781448A true CN113781448A (zh) | 2021-12-10 |
CN113781448B CN113781448B (zh) | 2024-01-23 |
Family
ID=78843335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072014.0A Active CN113781448B (zh) | 2021-09-14 | 2021-09-14 | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781448B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115052117A (zh) * | 2022-06-13 | 2022-09-13 | 众芯汉创(北京)科技有限公司 | 一种基于红外摄像的光伏组件缺陷识别系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101378092A (zh) * | 2007-08-30 | 2009-03-04 | 上海太阳能工程技术研究中心有限公司 | 太阳电池及组件隐裂检测装置及其测试方法 |
ITVI20090122A1 (it) * | 2009-05-28 | 2010-11-29 | Beghelli Spa | Modulo strutturale per la generazione fotovoltaica ad alta concentrazione |
DE102012201421A1 (de) * | 2012-02-01 | 2013-08-01 | Siemens Aktiengesellschaft | Einrichtung und Verfahren zur Überwachung einer Photovoltaik-Anlage |
CN108961154A (zh) * | 2018-07-13 | 2018-12-07 | 福州大学 | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 |
CN109145973A (zh) * | 2018-08-10 | 2019-01-04 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
CN109840900A (zh) * | 2018-12-31 | 2019-06-04 | 常州轻工职业技术学院 | 一种应用于智能制造车间的故障在线检测系统及检测方法 |
CN110136132A (zh) * | 2019-05-24 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 设备发热故障的检测方法、检测装置及终端设备 |
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 |
CN111242914A (zh) * | 2020-01-09 | 2020-06-05 | 武汉博晟信息科技有限公司 | 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法 |
CN111275679A (zh) * | 2020-01-17 | 2020-06-12 | 同济大学 | 一种基于图像的太阳能电池缺陷检测系统及方法 |
CN111291814A (zh) * | 2020-02-15 | 2020-06-16 | 河北工业大学 | 基于卷积神经网络与信息熵数据融合策略的裂纹识别算法 |
CN112164038A (zh) * | 2020-09-16 | 2021-01-01 | 上海电力大学 | 一种基于深度卷积神经网络的光伏热斑检测方法 |
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 |
CN112862777A (zh) * | 2021-02-03 | 2021-05-28 | 国家电投集团江西电力有限公司 | 一种光伏电站组件缺陷巡检系统及其缺陷处理方法 |
CN113222896A (zh) * | 2021-04-12 | 2021-08-06 | 河海大学 | 一种基于元学习的光伏面板缺陷检测方法 |
KR20210100239A (ko) * | 2020-02-05 | 2021-08-17 | 주식회사 쏠라크리닉 | 비행체를 활용한 태양광발전 유지관리 방법 |
CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
-
2021
- 2021-09-14 CN CN202111072014.0A patent/CN113781448B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101378092A (zh) * | 2007-08-30 | 2009-03-04 | 上海太阳能工程技术研究中心有限公司 | 太阳电池及组件隐裂检测装置及其测试方法 |
ITVI20090122A1 (it) * | 2009-05-28 | 2010-11-29 | Beghelli Spa | Modulo strutturale per la generazione fotovoltaica ad alta concentrazione |
DE102012201421A1 (de) * | 2012-02-01 | 2013-08-01 | Siemens Aktiengesellschaft | Einrichtung und Verfahren zur Überwachung einer Photovoltaik-Anlage |
CN108961154A (zh) * | 2018-07-13 | 2018-12-07 | 福州大学 | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 |
CN109145973A (zh) * | 2018-08-10 | 2019-01-04 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
CN109840900A (zh) * | 2018-12-31 | 2019-06-04 | 常州轻工职业技术学院 | 一种应用于智能制造车间的故障在线检测系统及检测方法 |
CN110136132A (zh) * | 2019-05-24 | 2019-08-16 | 国网河北省电力有限公司沧州供电分公司 | 设备发热故障的检测方法、检测装置及终端设备 |
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 |
CN111242914A (zh) * | 2020-01-09 | 2020-06-05 | 武汉博晟信息科技有限公司 | 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法 |
CN111275679A (zh) * | 2020-01-17 | 2020-06-12 | 同济大学 | 一种基于图像的太阳能电池缺陷检测系统及方法 |
KR20210100239A (ko) * | 2020-02-05 | 2021-08-17 | 주식회사 쏠라크리닉 | 비행체를 활용한 태양광발전 유지관리 방법 |
CN111291814A (zh) * | 2020-02-15 | 2020-06-16 | 河北工业大学 | 基于卷积神经网络与信息熵数据融合策略的裂纹识别算法 |
CN112164038A (zh) * | 2020-09-16 | 2021-01-01 | 上海电力大学 | 一种基于深度卷积神经网络的光伏热斑检测方法 |
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 |
CN112862777A (zh) * | 2021-02-03 | 2021-05-28 | 国家电投集团江西电力有限公司 | 一种光伏电站组件缺陷巡检系统及其缺陷处理方法 |
CN113222896A (zh) * | 2021-04-12 | 2021-08-06 | 河海大学 | 一种基于元学习的光伏面板缺陷检测方法 |
CN113379703A (zh) * | 2021-06-08 | 2021-09-10 | 西安理工大学 | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115052117A (zh) * | 2022-06-13 | 2022-09-13 | 众芯汉创(北京)科技有限公司 | 一种基于红外摄像的光伏组件缺陷识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113781448B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN104463196B (zh) | 一种基于视频的天气现象识别方法 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
Ding et al. | Vehicle and parking space detection based on improved yolo network model | |
CN111680655A (zh) | 一种面向无人机航拍影像的视频目标检测方法 | |
CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN105069472A (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN107506703A (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
CN112101221A (zh) | 一种用于交通信号灯实时检测与识别的方法 | |
CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN113781448A (zh) | 一种基于红外图像分析的光伏电站组件智能缺陷识别方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 |
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 |