CN114299033A - 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 - Google Patents
一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 Download PDFInfo
- Publication number
- CN114299033A CN114299033A CN202111647466.7A CN202111647466A CN114299033A CN 114299033 A CN114299033 A CN 114299033A CN 202111647466 A CN202111647466 A CN 202111647466A CN 114299033 A CN114299033 A CN 114299033A
- Authority
- CN
- China
- Prior art keywords
- model
- hot spot
- photovoltaic module
- photovoltaic
- module
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于YOLOv5的光伏板红外图像热斑检测方法及系统，其方法包括：S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；S2：提取原始数据集中图像进行预处理得到光伏组件热斑数据集；S3：构建改进YOLOv5模型，使用训练集对其进行训练以及使用测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；S4：使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。本发明提供的方法，提高了光伏板热斑检测的准确性，有效地区分长条形热斑缺陷与小型热斑。
Description
技术领域
本发明涉及深度学习和工业缺陷检测领域，具体涉及一种基于YOLOv5的光伏板红外图像热斑检测方法及系统。
背景技术
在光伏系统的实际运行中，发电效率是影响并网运行和电站效益的重要影响因素，而光伏组件在运行中的缺陷率直接影响发电效率。光伏组件的常见故障包括碎裂、遮挡、灰尘、蜗牛纹、褪色、腐蚀、热斑、接线盒故障、短路等，这些故障会减少光伏组件的寿命、可靠性以及光电转换效率，甚至局部烧毁电池、融化焊点，炸裂盖板玻璃，因此精确识别光伏系统中的故障对于光伏电站的高效经济运行至关重要。长条形热斑多产生于光伏组件的旁路二极管短路现象，因其在红外图像发热区域为长条形而得名，由于在物理世界中与正常光伏组件通常差别极小，因此传统的人工巡检方式难以及时发现该类缺陷，通常需要借助红外热像仪等设备加以判断。由于光伏组件广泛分布于条件恶劣且难以企及的环境，传统人工方式巡检在巡检频次、巡检质量与巡检安全上都难以达到预期目标，存在巡检指标不能量化、巡检结果不能追溯跟踪与设备劣化分析不到位等问题。近些年来，越来越多的光伏电站以及光伏设备厂家都在无人机智能巡检方向进行了尝试，无人机具有低成本，体积小，适应性强，操作简单的特点，在电力巡检具有得天独厚的优势。搭载多传感器的小型无人机仅仅在几小时内就可以采集高分辨率的红外图像和可见光图像，并且可以打破地域的限制、避免巡检盲点、节约巡检成本。
由于无人机自动巡检具有广阔的应用前景，大量学者对光伏板缺陷自动检测算法进行了研究，在传统数字图像处理与基于大数据的深度学习图像处理两个方向贡献了大量可供参考的算法。Zyout等人在论文《Detection of PV Solar Panel Surface Defectsusing Transfer Learning of the Deep Convolutional Neural Networks》中借助谷歌、Bing、雅虎等搜索引擎收集可见光光伏板数据，使用迁移学习的方式在所构建的小型数据集上的测试集上达到了93.3％的准确度；Akram等人在论文《Automatic detection ofphotovoltaic module defects in infrared images with isolated and develop-model transfer deep learning》中使用仅四层卷积网络的分类网络在光伏板电致发光数据集上预训练后再在小型数据上训练；陈陆燊等人在论文《基于无人机的光伏组件图像采集与缺陷分类的限制因素研究》中使用生成对抗网络对缺陷图像进行数据增强，基于增广后的数据集训练卷积神经分类网络后准确率由85％提升到93％。目前由于光伏组件的缺陷种类众多且难以收集样本，光伏组件的缺陷识别精度难以达到工业需求，对长条形热斑的识别多存在误判和漏检的情况。
发明内容
为了解决上述技术问题，本发明提供一种基于YOLOv5的光伏板红外图像热斑检测方法及系统。
本发明技术解决方案为：一种基于YOLOv5的光伏板红外图像热斑检测方法，包括：
步骤S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；
步骤S2：提取原始数据集中图像的光伏组件区域，得到子图像，对子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将光伏组件热斑数据集按照预设比例分为训练集和测试集，并对训练集进行数据扩充；
步骤S3：构建改进YOLOv5模型，使用训练集对其进行训练以及使用测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数；
步骤S4：使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。
本发明与现有技术相比，具有以下优点：
本发明公开了一种基于YOLOv5的光伏板红外图像热斑检测方法，提高了光伏板热斑检测的准确性，有效地将长条形热斑缺陷与小型热斑区分开来。本发明公开的方法基于生产场景下的光伏组件的真实红外图像训练模型具有更高的泛化性与鲁棒性，通过YOLOv5的Neck层引入CBAM注意力机制，增强不同尺度语义信息融合时的有用特征。
附图说明
图1为本发明实施例中一种基于YOLOv5的光伏板红外图像热斑检测方法的流程图；
图2为本发明实施例中引入卷积块注意力模块CBAM的改进YOLOv5模型结构示意图；
图3为本发明实施例中长条形热斑和小型热斑的分类结果示意图；
图4为本发明实施例中一种基于YOLOv5的光伏板红外图像热斑检测系统的结构框图。
具体实施方式
本发明提供了一种基于YOLOv5的光伏板红外图像热斑检测方法，提高了光伏板热斑检测的准确性，有效地将长条形热斑缺陷与小型热斑区分开来。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种基于YOLOv5的光伏板红外图像热斑检测方法，包括下述步骤：
步骤S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；
步骤S2：提取原始数据集中图像的光伏组件区域，得到子图像，对子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将光伏组件热斑数据集按照预设比例分为训练集和测试集，并对训练集进行数据扩充；
步骤S3：构建改进YOLOv5模型，使用训练集对其进行训练以及使用测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数；
步骤S4：使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。
在一个实施例中，上述步骤S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集，具体包括：
步骤S11：使用配备红外热像仪的无人机对光伏电站光伏组件分布建图并编号，规划无人机飞行路径；
步骤S12：在运行的光伏组串上方以合适速率飞行并连续拍摄光伏组件红外图像，每隔固定帧数选取所拍摄图像中的有效图像，得到原始数据集。
在一个实施例中，上述步骤S2：提取原始数据集中图像的光伏组件区域，得到子图像，对子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将光伏组件热斑数据集按照预设比例分为训练集和测试集，并对训练集进行数据扩充，具体包括：
步骤S21：对原始数据集的每一张红外图像中的所有光伏组件，使用标注工具标注代表其位置的四个顶点，得到光伏组件区域；
步骤S22：利用仿射变换将光伏组件区域变换成预设尺寸的子图像；
本发明实施例中采用传统图像处理中的仿射变换，将光伏组件区域变换成128x64固定大小的子图像；
步骤S23：对子图像中的热斑区域，使用目标检测中的COCO数据格式进行标注，得到光伏组件热斑数据集；
步骤S24：将光伏组件热斑数据集按照预设比例分为训练集和测试集，并对训练集进行翻转变换与Gamma变换以扩充数据，其中，翻转包括：上下翻转与左右翻转，Gamma指数γ∈(0.2,5)。
本发明实施例按照9:1的比例，将光伏组件热斑数据集随机分为训练集与测试集，并对其中训练集中图片通过随机缩放、随机裁剪与随机排布的方式进行马赛克数据增强。
在一个实施例中，上述步骤S3：构建改进YOLOv5模型，使用训练集对其进行训练以及使用测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数，具体包括：
步骤S31：利用BackBone对训练集中图片进行特征提取，得到特征图；
步骤S32：在Neck中分别在FPN和PAN的横向连接中加入卷积块注意力模块CBAM，卷积块注意力模块CBAM由通道注意力模块CAM和空间注意力模块SAM串联而成：CAM模块将输入的特征图分别经过全局最大池化和全局平均池化后，再分别通过两层全连接层，所得到的特征进行element-wise加法操作后经过激活函数sigmoid得到最终的通道注意力特征图，将输入特征图与通道注意力特征图进行element-wise乘法操作得到SAM输入特征图；SAM模块将SAM输入特征图经过基于通道的全局最大池化和全局平局池化后的特征图进行concat拼接操作，然后经过7x7的卷积层和sigmoid激活函数生成空间注意力特征图，与SAM输入特征图相乘后得到最终输出特征，计算公式如下：
MC(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))
MS(F)＝σ(f7x7([AvgPool(F)；MaxPool(F)]))
其中，MC和MS为CAM和SAM的输入输出映射，F代表输入特征，σ代表sigmoid激活函数，MLP、AvgPool、MaxPool分别代表全连接层、全局平局池化和全局最大池化；
如图2所示，展示了引入卷积块注意力模块CBAM的改进的YOLOv5模型结构示意图。
步骤S33：根据Prediction的预测结果，使用GIOU损失函数更新整个模型参数；
步骤S34：将测试集输入改进YOLOv5模型进行前向推理，得到输出特征图，对输出特征图进行解码后，使用带权值的非极大值抑制，得到最终的目标检测结果，与真实标签比较后计算模型的指标mAP，并选取在测试集上指标最高的模型作为训练好的改进YOLOv5模型。
在一个实施例中，上述步骤S4：使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息，具体包括：
步骤S41：从待检测的光伏组件图像中任取一张图像，经训练好的改进YOLOv5前向推理得到检测框集合B＝{bi＝(xi,yi,wi,hi),i＝1,…,N}；
其中，xi,yi,wi,hi分别代表检测框在图像中的中心点横坐标、纵坐标、宽与高；
步骤S42：设置热斑的最小长宽阈值t1，即删除满足条件
or
的检测框，同时设置长条形热斑的最小相对阈值t2，对于满足条件
的检测框将其视作长条形热斑目标，若检测框集合里没有任何有效框，则分类结果为正常光伏组件；若检测框集合里存在至少一个长条形热斑目标，则分类结果是长条形热斑故障组件；若同时不满足上述条件，则分类结果为小型热斑故障组件。
图3为长条形热斑和小型热斑的分类结果示意图。
本发明公开了一种基于YOLOv5的光伏板红外图像热斑检测方法，提高了光伏板热斑检测的准确性，有效地将长条形热斑缺陷与小型热斑区分开来。本发明公开的方法基于生产场景下的光伏组件的真实红外图像训练模型具有更高的泛化性与鲁棒性，通过YOLOv5的Neck层引入CBAM注意力机制，增强不同尺度语义信息融合时的有用特征。
实施例二
如图4所示，本发明实施例提供了一种基于YOLOv5的光伏板红外图像热斑检测系统，包括下述模块：
获取原始数据集模块51，用于使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；
数据预处理模块52，用于提取原始数据集中图像的光伏组件区域，得到子图像，对子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将光伏组件热斑数据集按照预设比例分为训练集和测试集，并对训练集进行数据扩充；
训练改进YOLOv5模型模块53，用于构建改进YOLOv5模型，使用训练集对其进行训练以及使用测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数；
光伏组件分类模块54，用于使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (6)
1.一种基于YOLOv5的光伏板红外图像热斑检测方法，其特征在于，包括：
步骤S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；
步骤S2：提取所述原始数据集中图像的光伏组件区域，得到子图像，对所述子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将所述光伏组件热斑数据集按照预设比例分为训练集和测试集，并对所述训练集进行数据扩充；
步骤S3：构建改进YOLOv5模型，使用所述训练集对其进行训练以及使用所述测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，所述改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数；
步骤S4：使用所述训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。
2.根据权利要求1所述的基于YOLOv5的光伏板红外图像热斑检测方法，其特征在于，所述步骤S1：使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集，具体包括：
步骤S11：使用配备红外热像仪的无人机对光伏电站光伏组件分布建图并编号，规划无人机飞行路径；
步骤S12：在运行的光伏组串上方以合适速率飞行并连续拍摄光伏组件红外图像，每隔固定帧数选取所拍摄图像中的有效图像，得到原始数据集。
3.根据权利要求1所述的基于YOLOv5的光伏板红外图像热斑检测方法，其特征在于，所述步骤S2：提取所述原始数据集中图像的光伏组件区域，得到子图像，对所述子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将所述光伏组件热斑数据集按照预设比例分为训练集和测试集，并对所述训练集进行数据扩充，具体包括：
步骤S21：对所述原始数据集的每一张红外图像中的所有光伏组件，使用标注工具标注代表其位置的四个顶点，得到光伏组件区域；
步骤S22：利用仿射变换将所述光伏组件区域变换成预设尺寸的子图像；
步骤S23：对所述子图像中的热斑区域，使用目标检测中的COCO数据格式进行标注，得到光伏组件热斑数据集；
步骤S24：将所述光伏组件热斑数据集按照预设比例分为训练集和测试集，并对所述训练集进行翻转变换与Gamma变换以扩充数据，其中，翻转包括：上下翻转与左右翻转，Gamma指数γ∈(0.2,5)。
4.根据权利要求1所述的基于YOLOv5的光伏板红外图像热斑检测方法，其特征在于，所述步骤S3：构建改进YOLOv5模型，使用所述训练集对其进行训练以及使用所述测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，所述改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数，具体包括：
步骤S31：利用BackBone对所述训练集中图片进行特征提取，得到特征图；
步骤S32：在Neck中分别在FPN和PAN的横向连接中加入卷积块注意力模块CBAM，所述卷积块注意力模块CBAM由通道注意力模块CAM和空间注意力模块SAM串联而成：CAM模块将输入的所述特征图分别经过全局最大池化和全局平均池化后，再分别通过两层全连接层，所得到的特征进行element-wise加法操作后经过激活函数sigmoid得到最终的通道注意力特征图，将所述输入特征图与所述通道注意力特征图进行element-wise乘法操作得到SAM输入特征图；SAM模块将所述SAM输入特征图经过基于通道的全局最大池化和全局平局池化后的特征图进行concat拼接操作，然后经过7x7的卷积层和sigmoid激活函数生成空间注意力特征图，与所述SAM输入特征图相乘后得到最终输出特征，计算公式如下：
MC(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))
MS(F)＝σ(f7x7([AvgPool(F)；MaxPool(F)]))
其中，MC和MS为CAM和SAM的输入输出映射，F代表输入特征，σ代表sigmoid激活函数，MLP、AvgPool、MaxPool分别代表全连接层、全局平局池化和全局最大池化；
步骤S33：根据Prediction的预测结果，使用GIOU损失函数更新整个模型参数；
步骤S34：将所述测试集输入所述改进YOLOv5模型进行前向推理，得到输出特征图，对所述输出特征图进行解码后，使用带权值的非极大值抑制，得到最终的目标检测结果，与真实标签比较后计算模型的指标mAP，并选取在所述测试集上指标最高的模型作为训练好的改进YOLOv5模型。
5.根据权利要求1所述的基于YOLOv5的光伏板红外图像热斑检测方法，其特征在于，所述步骤S4：使用所述训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息，具体包括：
步骤S41：从待检测的光伏组件图像中任取一张检测图像，经所述训练好的改进YOLOv5前向推理得到检测框集合B＝{bi＝(xi,yi,wi,hi),i＝1,…,N}；
其中，xi,yi,wi,hi分别代表检测框在图像中的中心点横坐标、纵坐标、宽与高；
步骤S42：设置热斑的最小长宽阈值t1，即删除满足条件
的检测框，同时设置长条形热斑的最小相对阈值t2，对于满足条件
的检测框将其视作长条形热斑目标，若所述检测框集合里没有任何有效框，则分类结果为正常光伏组件；若所述检测框集合里存在至少一个长条形热斑目标，则分类结果是长条形热斑故障组件；若同时不满足上述条件，则分类结果为小型热斑故障组件。
6.一种基于YOLOv5的光伏板红外图像热斑检测系统，其特征在于，包括下述模块：
获取原始数据集模块，用于使用无人机获取生产运行中的光伏组件红外图像，得到原始数据集；
数据预处理模块，用于提取所述原始数据集中图像的光伏组件区域，得到子图像，对所述子图像中的热斑区域进行标注，得到光伏组件热斑数据集；将所述光伏组件热斑数据集按照预设比例分为训练集和测试集，并对所述训练集进行数据扩充；
训练改进YOLOv5模型模块，用于构建改进YOLOv5模型，使用所述训练集对其进行训练以及使用所述测试集对其进行测试，选取其中检测精度最高的模型作为训练好的改进YOLOv5模型；其中，所述改进YOLOv5模型包括三个部分：Backbone、Neck和Prediction；Backbone采取了Focus结构与CSP结构，Neck中采用FPN和PAN结构，并分别加入卷积块注意力模块CBAM，在Prediction的预测结果使用GIOU损失函数更新整个模型参数；
光伏组件分类模块，用于使用训练好的改进YOLOv5模型对待检测的光伏组件图像进行检测，在对输出的检测框处理后，输出光伏组件类别信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647466.7A CN114299033A (zh) | 2021-12-29 | 2021-12-29 | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647466.7A CN114299033A (zh) | 2021-12-29 | 2021-12-29 | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114299033A true CN114299033A (zh) | 2022-04-08 |
Family
ID=80973709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111647466.7A Pending CN114299033A (zh) | 2021-12-29 | 2021-12-29 | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299033A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677390A (zh) * | 2022-04-19 | 2022-06-28 | 阳光电源股份有限公司 | 确定热斑类型的方法、装置、存储介质以及热斑分析设备 |
| CN114972225A (zh) * | 2022-05-16 | 2022-08-30 | 上海可明科技有限公司 | 一种基于深度学习的两阶段光伏板缺陷检测方法 |
| CN114973032A (zh) * | 2022-05-27 | 2022-08-30 | 沈阳农业大学 | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 |
| CN115797336A (zh) * | 2023-02-01 | 2023-03-14 | 尚特杰电力科技有限公司 | 光伏组件的故障检测方法、装置、电子设备和存储介质 |
| CN115913104A (zh) * | 2022-11-01 | 2023-04-04 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种基于跟踪控制系统的光伏发电装置 |
| CN117237590A (zh) * | 2023-11-10 | 2023-12-15 | 华能新能源股份有限公司山西分公司 | 基于图像识别的光伏组件热斑识别方法及系统 |
-
2021
- 2021-12-29 CN CN202111647466.7A patent/CN114299033A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114677390A (zh) * | 2022-04-19 | 2022-06-28 | 阳光电源股份有限公司 | 确定热斑类型的方法、装置、存储介质以及热斑分析设备 |
| CN114972225A (zh) * | 2022-05-16 | 2022-08-30 | 上海可明科技有限公司 | 一种基于深度学习的两阶段光伏板缺陷检测方法 |
| CN114973032A (zh) * | 2022-05-27 | 2022-08-30 | 沈阳农业大学 | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 |
| CN115913104A (zh) * | 2022-11-01 | 2023-04-04 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种基于跟踪控制系统的光伏发电装置 |
| CN115913104B (zh) * | 2022-11-01 | 2023-11-07 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种基于跟踪控制系统的光伏发电装置 |
| CN115797336A (zh) * | 2023-02-01 | 2023-03-14 | 尚特杰电力科技有限公司 | 光伏组件的故障检测方法、装置、电子设备和存储介质 |
| CN117237590A (zh) * | 2023-11-10 | 2023-12-15 | 华能新能源股份有限公司山西分公司 | 基于图像识别的光伏组件热斑识别方法及系统 |
| CN117237590B (zh) * | 2023-11-10 | 2024-04-02 | 华能新能源股份有限公司山西分公司 | 基于图像识别的光伏组件热斑识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114299033A (zh) | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 | |
| WO2021142902A1 (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检系统 | |
| CN114445706A (zh) | 一种基于特征融合的输电线路目标检测与识别方法 | |
| CN112184711A (zh) | 一种光伏组件缺陷检测和定位方法及系统 | |
| CN107491781A (zh) | 一种巡检机器人可见光与红外传感器数据融合方法 | |
| CN115205264A (zh) | 一种基于改进YOLOv4的高分辨率遥感船舶检测方法 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN113505726A (zh) | 一种地图中的光伏组串识别与定位方法 | |
| CN112464704B (zh) | 一种基于特征融合与旋转目标检测器的遥感图像识别方法 | |
| CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
| CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
| CN114241310B (zh) | 基于改进yolo模型的堤防管涌险情智能识别方法 | |
| CN113569981A (zh) | 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法 | |
| CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
| CN116740419A (zh) | 一种基于图调控网络的目标检测方法 | |
| Yin et al. | PV-YOLO: lightweight YOLO for photovoltaic panel fault detection | |
| CN113496210B (zh) | 基于注意力机制的光伏组串跟踪及故障跟踪方法 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| Huang et al. | Detection of river floating debris in uav images based on improved yolov5 | |
| CN110619365B (zh) | 一种落水检测方法 | |
| 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 | |
| CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及系统 | |
| CN116342496A (zh) | 一种用于智能巡检的异常物体检测方法和系统 | |
| Huang et al. | Fault diagnosis for solar panels using convolutional neural network | |
| CN115393747A (zh) | 一种基于深度学习的光伏故障检测方法 |
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 |