CN113920449A - 光伏电站巡检方法、系统、计算机设备及存储介质 - Google Patents

光伏电站巡检方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN113920449A
CN113920449A CN202110988402.7A CN202110988402A CN113920449A CN 113920449 A CN113920449 A CN 113920449A CN 202110988402 A CN202110988402 A CN 202110988402A CN 113920449 A CN113920449 A CN 113920449A
Authority
CN
China
Prior art keywords
data
image data
training
sample
model
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
Application number
CN202110988402.7A
Other languages
English (en)
Inventor
吴文宝
熊建英
熊敏
张书启
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.)
PowerChina Jiangxi Electric Power Engineering Co Ltd
Original Assignee
PowerChina Jiangxi Electric Power Engineering 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 PowerChina Jiangxi Electric Power Engineering Co Ltd filed Critical PowerChina Jiangxi Electric Power Engineering Co Ltd
Priority to CN202110988402.7A priority Critical patent/CN113920449A/zh
Publication of CN113920449A publication Critical patent/CN113920449A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本方案涉及一种光伏电站巡检方法、系统、计算机设备及存储介质。所述方法包括：获取通过无人机采集的光伏电站的巡检图像数据；筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。通过选择与筛选后得到的目标巡检图像数据相匹配的识别模型，对光伏电站的巡检结果进行识别，无需依靠运维人员的经验就可以根据识别结果确定异常光伏板位置，提高了光伏电站巡检的效率。

Description

光伏电站巡检方法、系统、计算机设备及存储介质
技术领域
本发明涉及光伏电站技术领域，特别是涉及一种光伏电站巡检方法、系统、计算机设备及存储介质。
背景技术
光伏发电是直接将太阳能转化成电能的产业，光伏发电系统通常可以分为两种，一种是集中式光伏发电系统，另一种是分布式光伏发电系统。其中，集中式光伏电站一般占地面积广，建设位置大多位于一些偏远地区、自然环境较为恶劣；分布式电站一般建在屋顶、大棚和大面积水池上。也就是说，光伏发电站往往地点偏远，设备众多，且分布范围区域广阔，光伏板容易受到鸟粪污染、树枝树叶遮挡、风吹日晒老化等因素的影响，随着时间推移可能出现裂痕、热斑等问题，影响光伏板的发电效率，可能造成直接财产损失以及安全隐患。传统的巡检方式是通过无人机设置好巡检路线后进行自动巡检，将巡检图片传回管理平台进行巡检，对人员依赖性强，设备故障发现率较低。
因此，传统的光伏电站巡检方法不仅成本高昂、工作效率低下，还需要依靠运维人员的经验进行判别，存在巡检效率较低的问题。
发明内容
基于此，为了解决上述技术问题，提供一种光伏电站巡检方法、系统、计算机设备和存储介质，可以提高光伏电站巡检的效率。
一种光伏电站巡检方法，所述方法包括：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
在其中一个实施例中，所述识别模型的训练过程包括：
获取通过所述无人机实时采集的样本巡检图像数据；
对所述样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；
获取初始识别模型，并对所述初始识别模型设置训练参数；
提取所述样本库中的样本数据，并将所述样本数据输入至所述初始识别模型中进行训练，得到所述识别模型。
在其中一个实施例中，所述将所述样本数据输入至所述初始识别模型中进行训练，得到所述识别模型，包括：
将所述样本数据输入至所述初始识别模型中进行训练，得到数据训练结果；
对所述数据训练结果进行验证，得到验证结果；
当所述验证结果为验证通过时，得到所述识别模型；
当所述验证结果为验证未通过时，优化所述训练参数，得到优化训练参数；将所述样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
在其中一个实施例中，所述方法还包括：
对所述样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；
当所述标注后的数据不符合所述训练要求时，对所述标注后的数据进行校正，当校正后的数据符合模型训练要求时，将所述校正后的数据存储至所述样本库中；
当所述标注后的数据符合所述训练要求时，将所述标注后的数据存储至所述样本库中。
在其中一个实施例中，在生成所述识别模型之后，所述方法还包括：
对所述识别模型进行测试，并得到模型测试结果；
当所述模型测试结果为测试通过时，将所述识别模型存储至模型库中；
当所述模型测试结果为测试未通过时，查找测试未通过原因，并根据所述测试未通过原因对所述训练参数进行调整。
在其中一个实施例中，所述方法还包括：
当所述测试未通过原因是样本错误时，收集错误样本；
确定是否对所述错误样本进行标注；
若对所述错误样本进行标注，则对标注后的错误样本进行校正；
若不对所述错误样本进行标注，则将所述错误样本划分至错误样本库中。
一种光伏电站巡检系统，所述系统包括：
数据获取模块，用于获取通过无人机采集的光伏电站的巡检图像数据；
数据筛选模块，用于筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
数据识别模块，用于确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
异常确定模块，用于展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
上述光伏电站巡检方法、系统、计算机设备和存储介质，通过获取通过无人机采集的光伏电站的巡检图像数据；筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。通过选择与筛选后得到的目标巡检图像数据相匹配的识别模型，对光伏电站的巡检结果进行识别，无需依靠运维人员的经验就可以根据识别结果确定异常光伏板位置，提高了光伏电站巡检的效率。
附图说明
图1为一个实施例中光伏电站巡检方法的应用环境图；
图2为一个实施例中光伏电站巡检方法的流程示意图；
图3为一个实施例中训练识别模型的流程示意图；
图4为另一个实施例中训练识别模型的流程示意图；
图5为一个实施例中光伏电站巡检系统的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的光伏电站巡检方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110。计算机设备110可以获取通过无人机采集的光伏电站的巡检图像数据；计算机设备110可以筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据；计算机设备110可以确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果；计算机设备110可以展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、机器人、平板电脑等设备。
在一个实施例中，如图2所示，提供了一种光伏电站巡检方法，包括以下步骤：
步骤202，获取通过无人机采集的光伏电站的巡检图像数据。
其中，无人机可以用于采集光伏电站中各个位置的图像数据，图像数据可以是视频、图片等。无人机在对光伏电站进行巡检的过程中，可以采集光伏电站中包含有各个光伏板的巡检图像、巡检视频等巡检图像数据，并将采集到的巡检图像数据发送至计算机设备中。
步骤204，筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据。
计算机设备接收到无人机发送的巡检图像数据后，可以对巡检图像数据中存在有缺陷的数据进行筛选，将没有缺陷的数据作为目标巡检图像数据。
步骤206，确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果。
计算机设备的数据库中可以存储有多个识别模型，用户可以通过计算机设备选择需要识别类别、显卡和平台可支持的模型。计算机设备可以将确定好的目标巡检图像数据输入至识别模型中，从而得到巡检识别结果。
步骤208，展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。
计算机设备可以在显示界面中展示巡检识别结果，并在显示界面中显示出光伏电站中的异常光伏板，从而确定异常光伏板的位置。
在本实施例中，计算机设备获取通过无人机采集的光伏电站的巡检图像数据；筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据；确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果；展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。通过选择与筛选后得到的目标巡检图像数据相匹配的识别模型，对光伏电站的巡检结果进行识别，无需依靠运维人员的经验就可以根据识别结果确定异常光伏板位置，提高了光伏电站巡检的效率。
在一个实施例中，提供的一种光伏电站巡检方法还可以包括识别模型的训练过程，具体过程包括：获取通过无人机实时采集的样本巡检图像数据；对样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；获取初始识别模型，并对初始识别模型设置训练参数；提取样本库中的样本数据，并将样本数据输入至初始识别模型中进行训练，得到识别模型。
样本巡检图像数据可以是无人机实时采集的包含有光伏电站中各个光伏板的图像或者视频。计算机设备可以对样本巡检图像数据中存在缺陷的数据进行标注，标注完成后再进行校验审核是否符合模型训练要求，计算机设备可以将标注后符合模型训练要求的数据存储至样本库中。
初始识别模型可以是存储在计算机设备中没有进行训练的算法模型，计算机设备可以从数据库中查找到初始识别模型，用户可以通过计算机设备对初始识别模型的训练参数进行设置，从而得到设置训练参数后的初始识别模型。
在对训练参数进行设置时，可以设置训练集比例，一般设置为80％。在本实施例中，以YOLO算法为例，列举部分可供设置的参数：首先，小批次个数可以设置为值为2的n次幂，一般设置为4，可以根据输入分辨率大小调整；接着，输入分辨率可以设置为值为32的倍数，一般情况下在小批次个数固定后越大越好；初始学习率一般设置为0.001，可以适量于0.1-10倍数区间调整大小；预热训练迭代次数，一般为1000*显卡个数；总迭代次数，一般最少为2000*模型需要识别类别个数；学习率调整步长，训练到指定迭代次数后调整学习率，一般为总迭代次数的80％与90％节点，如总迭代次数为10000，则设置为8000，9000；学习率调整比率，迭代次数到达调整节点时对学习率进行调整，对应上一个参数可设置为0.1，0.1。训练参数设置完成后，计算机设备可以将样本数据输入至初始识别模型中进行训练，从而得到识别模型。
如图3所示，在另一个实施例中，提供的一种光伏电站巡检方法还可以包括识别模型的训练过程，具体过程包括：将样本数据输入至初始识别模型中进行训练，得到数据训练结果；对数据训练结果进行验证，得到验证结果；当验证结果为验证通过时，得到识别模型；当验证结果为验证未通过时，优化训练参数，得到优化训练参数；将样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
在本实施例中，计算机设备可以将样本数据输入至初始识别模型中进行训练，得到数据训练结果。计算机设备可以进一步对数据训练结果进行验证，验证结果可以包括模型验证通过、模型验证未通过。
当计算机设备得到的验证结果是模型验证通过时，可以存储识别模型至数据库中，并将识别模型发送至服务器中。如图3所示，当验证结果为模型验证未通过时，计算机设备可以对训练参数进行优化，并得到优化训练参数。接着，计算机设备可以得到优化训练参数后的初始识别模型，并将样本数据输入至模型中进行训练，从而得到训练结果。
在一个实施例中，提供的一种光伏电站巡检方法还可以包括标注数据的过程，具体过程包括：对样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；当标注后的数据不符合训练要求时，对标注后的数据进行校正，当校正后的数据符合模型训练要求时，将校正后的数据存储至样本库中；当标注后的数据符合训练要求时，将标注后的数据存储至样本库中。
计算机设备可以对样本巡检图像数据中存在缺陷的数据进行标注，标注后的数据可以是带有标签的数据，计算机设备还可以进一步判断标注的质量，当标注的质量不合格时，可以重新对存在缺陷的数据进行标注；当标注的质量合格后，计算机设备可以更新样本库。
在一个实施例中，提供的一种光伏电站巡检方法还可以包括调整训练参数的过程，具体过程包括：对识别模型进行测试，并得到模型测试结果；当模型测试结果为测试通过时，将识别模型存储至模型库中；当模型测试结果为测试未通过时，查找测试未通过原因，并根据测试未通过原因对训练参数进行调整。
在一个实施例中，提供的一种光伏电站巡检方法还可以包括处理错误样本的过程，具体过程包括：当测试未通过原因是样本错误时，收集错误样本；确定是否对错误样本进行标注；若对错误样本进行标注，则对标注后的错误样本进行校正；若不对错误样本进行标注，则将错误样本划分至错误样本库中。
如图4所示，在一个实施例中，提供的一种光伏电站巡检方法可以包括训练模型的过程，具体过程如图4所示，主要包括数据标注与管理模块、训练模块、测试模块以及模型管理模块。
首先，数据标注与管理模块中，计算机设备可以获取样本巡检图像数据，然后通过上传的标签对样本巡检图像数据进行标注；进而判断标注的质量，当标注的质量不合格时，计算机设备可以重新进行标注；当标注的质量合格时，计算机设备可以更新样本库。
接着，训练模块中，计算机设备可以对标注的数据中的标签进行转换，对图片数据对应的已标注文件进行相应的转换为算法要求的格式，如果不存在标注文件则生成空文件，然后把样本划分为训练集与验证集并将各个文件路径写入到各自文件中，即进行训练集验证集划分；计算机设备可以设置data、names、cfg、log等训练参数，并开始训练；训练的过程中，计算机设备的显示界面中可以展示训练过程、进度、存储权重、log等信息；计算机设备可以实时判断训练过程是否正常，当训练过程在异常时，可以停止训练并排查训练异常的原因，从而对训练参数进行调整，然后再训练；当训练过程正常且训练完成后，可以进入测试模块。
测试模型可以用于对训练完成的识别模型进行测试，当测试不通过时，计算机设备可以对测试不通过进行原因排查，进而确定是否重新训练；计算机设备确定重新训练后，可以对训练参数进行调整；若是不重新训练，计算机设备可以继续展示训练过程、进度、存储权重、log等信息。计算机设备在进行原因排查后，可以得到错误样本，进而确定是否需要标注；当确定需要标注时，计算机设备可以将错误样本重新进行数据标注；当不需要标注时，计算机设备可以返回训练集验证集划分步骤，将错误样本进行划分。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种光伏电站巡检系统，包括：数据获取模块510、数据筛选模块520、数据识别模块530和异常确定模块540，其中：
数据获取模块510，用于获取通过无人机采集的光伏电站的巡检图像数据；
数据筛选模块520，用于筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据；
数据识别模块530，用于确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果；
异常确定模块540，用于展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。
在一个实施例中，提供一种光伏电站巡检系统还包括模型训练模块，用于获取通过无人机实时采集的样本巡检图像数据；对样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；获取初始识别模型，并对初始识别模型设置训练参数；提取样本库中的样本数据，并将样本数据输入至初始识别模型中进行训练，得到识别模型。
在一个实施例中，模型训练模块还用于将样本数据输入至初始识别模型中进行训练，得到数据训练结果；对数据训练结果进行验证，得到验证结果；当验证结果为验证通过时，得到识别模型；当验证结果为验证未通过时，优化训练参数，得到优化训练参数；将样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
在一个实施例中，数据筛选模块520还用于对样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；当标注后的数据不符合训练要求时，对标注后的数据进行校正，当校正后的数据符合模型训练要求时，将校正后的数据存储至样本库中；当标注后的数据符合训练要求时，将标注后的数据存储至样本库中。
在一个实施例中，模型训练模块还用于对识别模型进行测试，并得到模型测试结果；当模型测试结果为测试通过时，将识别模型存储至模型库中；当模型测试结果为测试未通过时，查找测试未通过原因，并根据测试未通过原因对训练参数进行调整。
在一个实施例中，模型训练模块还用于当测试未通过原因是样本错误时，收集错误样本；确定是否对错误样本进行标注；若对错误样本进行标注，则对标注后的错误样本进行校正；若不对错误样本进行标注，则将错误样本划分至错误样本库中。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光伏电站巡检方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据；
确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果；
展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取通过无人机实时采集的样本巡检图像数据；对样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；获取初始识别模型，并对初始识别模型设置训练参数；提取样本库中的样本数据，并将样本数据输入至初始识别模型中进行训练，得到识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将样本数据输入至初始识别模型中进行训练，得到数据训练结果；对数据训练结果进行验证，得到验证结果；当验证结果为验证通过时，得到识别模型；当验证结果为验证未通过时，优化训练参数，得到优化训练参数；将样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；当标注后的数据不符合训练要求时，对标注后的数据进行校正，当校正后的数据符合模型训练要求时，将校正后的数据存储至样本库中；当标注后的数据符合训练要求时，将标注后的数据存储至样本库中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对识别模型进行测试，并得到模型测试结果；当模型测试结果为测试通过时，将识别模型存储至模型库中；当模型测试结果为测试未通过时，查找测试未通过原因，并根据测试未通过原因对训练参数进行调整。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当测试未通过原因是样本错误时，收集错误样本；确定是否对错误样本进行标注；若对错误样本进行标注，则对标注后的错误样本进行校正；若不对错误样本进行标注，则将错误样本划分至错误样本库中。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选巡检图像数据得到筛选结果，并根据筛选结果从巡检图像数据中确定目标巡检图像数据；
确定与目标巡检图像数据相匹配的识别模型，并将目标巡检图像数据输入至识别模型中，得到巡检识别结果；
展示巡检识别结果，并根据巡检识别结果确定异常光伏板位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取通过无人机实时采集的样本巡检图像数据；对样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；获取初始识别模型，并对初始识别模型设置训练参数；提取样本库中的样本数据，并将样本数据输入至初始识别模型中进行训练，得到识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将样本数据输入至初始识别模型中进行训练，得到数据训练结果；对数据训练结果进行验证，得到验证结果；当验证结果为验证通过时，得到识别模型；当验证结果为验证未通过时，优化训练参数，得到优化训练参数；将样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；当标注后的数据不符合训练要求时，对标注后的数据进行校正，当校正后的数据符合模型训练要求时，将校正后的数据存储至样本库中；当标注后的数据符合训练要求时，将标注后的数据存储至样本库中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对识别模型进行测试，并得到模型测试结果；当模型测试结果为测试通过时，将识别模型存储至模型库中；当模型测试结果为测试未通过时，查找测试未通过原因，并根据测试未通过原因对训练参数进行调整。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当测试未通过原因是样本错误时，收集错误样本；确定是否对错误样本进行标注；若对错误样本进行标注，则对标注后的错误样本进行校正；若不对错误样本进行标注，则将错误样本划分至错误样本库中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种光伏电站巡检方法，其特征在于，所述方法包括：
获取通过无人机采集的光伏电站的巡检图像数据；
筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
2.根据权利要求1所述的光伏电站巡检方法，其特征在于，所述识别模型的训练过程包括：
获取通过所述无人机实时采集的样本巡检图像数据；
对所述样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；
获取初始识别模型，并对所述初始识别模型设置训练参数；
提取所述样本库中的样本数据，并将所述样本数据输入至所述初始识别模型中进行训练，得到所述识别模型。
3.根据权利要求2所述的光伏电站巡检方法，其特征在于，所述将所述样本数据输入至所述初始识别模型中进行训练，得到所述识别模型，包括：
将所述样本数据输入至所述初始识别模型中进行训练，得到数据训练结果；
对所述数据训练结果进行验证，得到验证结果；
当所述验证结果为验证通过时，得到所述识别模型；
当所述验证结果为验证未通过时，优化所述训练参数，得到优化训练参数；将所述样本数据输入至优化训练参数后的初始识别模型中进行训练，并得到训练结果。
4.根据权利要求2所述的光伏电站巡检方法，其特征在于，所述方法还包括：
对所述样本巡检图像数据中存在缺陷的数据进行标注，并判断标注后的数据是否符合模型训练要求；
当所述标注后的数据不符合所述训练要求时，对所述标注后的数据进行校正，当校正后的数据符合模型训练要求时，将所述校正后的数据存储至所述样本库中；
当所述标注后的数据符合所述训练要求时，将所述标注后的数据存储至所述样本库中。
5.根据权利要求2所述的光伏电站巡检方法，其特征在于，在生成所述识别模型之后，所述方法还包括：
对所述识别模型进行测试，并得到模型测试结果；
当所述模型测试结果为测试通过时，将所述识别模型存储至模型库中；
当所述模型测试结果为测试未通过时，查找测试未通过原因，并根据所述测试未通过原因对所述训练参数进行调整。
6.根据权利要求5所述的光伏电站巡检方法，其特征在于，所述方法还包括：
当所述测试未通过原因是样本错误时，收集错误样本；
确定是否对所述错误样本进行标注；
若对所述错误样本进行标注，则对标注后的错误样本进行校正；
若不对所述错误样本进行标注，则将所述错误样本划分至错误样本库中。
7.一种光伏电站巡检系统，其特征在于，所述系统包括：
数据获取模块，用于获取通过无人机采集的光伏电站的巡检图像数据；
数据筛选模块，用于筛选所述巡检图像数据得到筛选结果，并根据所述筛选结果从所述巡检图像数据中确定目标巡检图像数据；
数据识别模块，用于确定与所述目标巡检图像数据相匹配的识别模型，并将所述目标巡检图像数据输入至所述识别模型中，得到巡检识别结果；
异常确定模块，用于展示所述巡检识别结果，并根据所述巡检识别结果确定异常光伏板位置。
8.根据权利要求7所述的光伏电站巡检系统，其特征在于，所述系统还包括模型训练模块，用于获取通过所述无人机实时采集的样本巡检图像数据；对所述样本巡检图像数据中存在缺陷的数据进行标注，并将标注后符合模型训练要求的数据存储至样本库中；获取初始识别模型，并对所述初始识别模型设置训练参数；提取所述样本库中的样本数据，并将所述样本数据输入至所述初始识别模型中进行训练，得到所述识别模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110988402.7A 2021-08-26 2021-08-26 光伏电站巡检方法、系统、计算机设备及存储介质 Pending CN113920449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988402.7A CN113920449A (zh) 2021-08-26 2021-08-26 光伏电站巡检方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988402.7A CN113920449A (zh) 2021-08-26 2021-08-26 光伏电站巡检方法、系统、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113920449A true CN113920449A (zh) 2022-01-11

Family

ID=79233150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988402.7A Pending CN113920449A (zh) 2021-08-26 2021-08-26 光伏电站巡检方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113920449A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249339A (zh) * 2022-06-10 2022-10-28 广州中科云图智能科技有限公司 河道漂浮物识别系统、方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249339A (zh) * 2022-06-10 2022-10-28 广州中科云图智能科技有限公司 河道漂浮物识别系统、方法、设备及存储介质
CN115249339B (zh) * 2022-06-10 2024-05-28 广州中科云图智能科技有限公司 河道漂浮物识别系统、方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
CN109785289B (zh) 一种输电线路缺陷检测方法、系统及电子设备
US11763443B2 (en) Method for monitoring manufacture of assembly units
CN111767228A (zh) 基于人工智能的界面测试方法、装置、设备和介质
CN114898232B (zh) 基于光伏组串数据分析的光伏电站无人机巡检方法及系统
CN112990870A (zh) 基于核电设备的巡检文件生成方法、装置和计算机设备
CN110910360B (zh) 电网图像的定位方法和图像定位模型的训练方法
CN110134795A (zh) 生成验证问题组的方法、装置、计算机设备和存储介质
CN115310562B (zh) 一种适用于极端状态的储能设备的故障预测模型生成方法
CN113820017A (zh) 基于红外图像的发电机碳刷温度监测系统及温度预测方法
CN113538370A (zh) 电网巡检方法、装置、计算机设备和存储介质
CN116164843A (zh) 一种基于物联网的电缆监测预警方法及系统
CN113920449A (zh) 光伏电站巡检方法、系统、计算机设备及存储介质
CN114648708A (zh) 光伏组件的状态检测方法及装置、存储介质及电子设备
CN112506757A (zh) 自动测试方法、系统、计算机设备及其介质
CN107229916A (zh) 一种基于深度降噪自编码的机场噪声监测数据修复方法
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
CN113627755B (zh) 智能终端工厂的测试方法、装置、设备及存储介质
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
US20220014146A1 (en) Method and system of repairing a solar station
CN114722310A (zh) 一种光伏电站设备故障诊断方法、装置、设备及介质
CN114463683A (zh) 基于人工智能和大数据的变电设备智能监控系统和方法
CN111859370A (zh) 识别服务的方法、装置、电子设备和计算机可读存储介质
CN116883755B (zh) 一种乡村建设环境监测方法、系统、设备及存储介质
KR102525249B1 (ko) 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템

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