CN114445326A - 光伏面板异常检测方法、检测装置及计算机可读存储装置 - Google Patents
光伏面板异常检测方法、检测装置及计算机可读存储装置 Download PDFInfo
- Publication number
- CN114445326A CN114445326A CN202111537480.1A CN202111537480A CN114445326A CN 114445326 A CN114445326 A CN 114445326A CN 202111537480 A CN202111537480 A CN 202111537480A CN 114445326 A CN114445326 A CN 114445326A
- Authority
- CN
- China
- Prior art keywords
- target area
- pixel
- detection
- region
- reference threshold
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 31
- 238000007689 inspection Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 244000025254 Cannabis sativa Species 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种光伏面板异常检测方法。该方法包括：获取检测图像；在检测图像中确定感兴趣区域，并根据感兴趣区域确定像素参考阈值；根据像素参考阈值对检测图像进行分割，以得到目标区域；对目标区域进行异常检测。本申请还公开了一种光伏面板检测装置以及一种计算机可读存储装置。通过上述方式，本申请能够快速准确的对光伏面板进行异常检测。
Description
技术领域
本申请涉及检测识别领域，特别是涉及一种光伏面板异常检测方法、检测装置及计算机可读存储装置。
背景技术
光伏电站作为重要的清洁能源发电站之一，在发电领域的应用比重越来越大。而光伏电站不同于传统电站，其光伏面板需长时间暴露在外界以接受阳光照射，获取太阳能。光伏电站的长时间在外工作，其光伏面板上就会积累灰尘，鸟类排泄物，枯枝落叶等异物，这些异物会遮挡光伏面板的有效工作面积，降低光伏面板的发电效率，也会形成光伏板热斑造成安全隐患。目前的光伏电站的维护主要还是依赖现场的工作人员进行维护，通过日常的巡视检测光伏面板上有无异物遮挡，光伏面板有无破损缺失，是否需要清洗。人工的巡检模式受主观干扰大，而且长时间巡视后容易产生视觉疲劳，漏看漏检，无法满足光伏电站的检测需求。
发明内容
本申请主要目的是提供一种光伏面板异常检测方法、检测装置及计算机可读存储装置，能够解决光伏电站的巡检中检测不及时，检测误差大，结果不准确的问题。
为解决上述技术问题，本申请采用的第一个技术方案是：提供一种光伏面板异常检测方法。该方法包括：获取检测图像；在检测图像中确定感兴趣区域，并根据感兴趣区域确定像素参考阈值；根据像素参考阈值对检测图像进行分割，以得到目标区域；对目标区域进行异常检测。
为解决上述技术问题，本申请采用的第二个技术方案是：提供一种光伏面板检测装置。该装置包括存储器和处理器，存储器用于存储程序数据，程序数据能够被处理器执行，以实现如第一个技术方案中所述的方法。
为解决上述技术问题，本申请采用的第三个技术方案是：提供一种计算机解读存储装置。该装置存储有程序数据，能够被处理器执行，以实现如第一个技术方案中所述的方法。
本申请的有益效果是：区别于现有技术的情况，通过获取待检测区域的检测图像，从其中提取出作为检测对象的部分区域作为感兴趣区域，根据该感兴趣区域的像素颜色对检测图像间分割，将检测图形中所有的检测对象的区域都分割出来，作为目标检测区域，从而能够对获取的目标检测区域，即检测图像中所有的检测对象进行异物检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1是本申请光伏面板异常检测方法第一实施例的流程示意图；
图2是一光伏面板检测图像示意图；
图3是本申请光伏面板异常检测方法第二实施例的流程示意图；
图4是一光伏面板检测图像提取的感兴趣区域的示意图；
图5是另一光伏面板检测图像提取的感兴趣区域的示意图；
图6是本申请光伏面板异常检测方法第三实施例的流程示意图；
图7是一光伏面板确定第一目标区域和第二目标区域的示意图；
图8是一光伏面板确定第三目标区域的示意图；
图9是本申请光伏面板异常检测方法第四实施例的流程示意图；
图10是一HSV颜色空间对照表的示意图；
图11是一光伏面板中异常像素点标注的示意图；
图12是本申请光伏面板异常检测方法第五实施例的流程示意图；
图13是本申请光伏面板异常检测方法第六实施例的流程示意图；
图14是本申请光伏面板异常检测方法第七实施例的流程示意图；
图15是本申请光伏面板检测装置一实施例的结构示意图；
图16是本申请计算机可读存储装置一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
如图1所示，图1为本申请光伏面板异常检测方法第一实施例的流程示意图。其包括以下步骤：
S11：获取检测图像。
获取包含了检测对象的检测图像。以光伏电站为例，在一实施例中，用户要对光伏电站的光伏面板进行异常检测，因此检测图像就是对光伏面板进行拍摄的图像，如图2所示。图2中左侧为光伏面板的搭建区域，右侧为没有搭建光伏面板的荒地。
S12：在检测图像中确定感兴趣区域，并根据感兴趣区域确定像素参考阈值。
在获取了众多的检测图像后，需要确定进行检测的区域。因为检测图像中需要进行检测的区域很多，而且各个区域是不连续的，是分开的，所以需要通过样本学习来提取检测图像中需要进行检测的区域。而样本学习的样本即确定的感兴趣区域。通过对感兴趣区域的像素分析，根据分析结果确定一像素参考阈值，用于对检测图像的像素进行划分，从而能够用于得到完整、准确的目标图像区域。具体的确定感兴趣区域的过程可通过以下的实施例实现。
S13：根据像素参考阈值对检测图像进行分割，以得到目标区域。
根据像素参考阈值对检测图像进行分割，根据实际情况选择满足参考阈值的图像作为目标区域，比如大于参考阈值、小于参考阈值、或在以参考阈值确定的一个像素范围内，比如参考阈值为A，确定的像素范围为(A-a，A+a)，a为任意设定的一个值。例如，在一实施例中，光伏电站的光伏面板搭建于山间林地之中，周围的环境是花草土地等，这些事物在图像中的像素表现相较于光伏面板的淡蓝色的像素表现，其显示出来的像素值较小，因而选择大于像素参考阈值的分割的图像区域作为检测的目标区域。而在另一实施例中，光伏电站搭建在水面上，周围的环境都是水，由于水深较高，图像中水面的深蓝色的像素表现相较于光伏面板的淡蓝色的像素表现，其显示出来的像素值较大，因而选择小于像素参考阈值的分割的图像区域作为检测的目标区域。
S14：对目标区域进行异常检测。
获取到所有的需要进行检测的目标区域后，对目标区域进行异常检测判断，其具体过程通过以下的实施例详细描述。
如图3所示，图3为本申请光伏面板异常检测方法第二实施例的流程示意图。该方法是对步骤S12的进一步扩展。其包括以下步骤：
S21：在检测图像中确定感兴趣区域。
为了从检测图像中准确的提取出所有的目标检测区域，需要确定感兴趣区域作为学习样本，以帮助提取过程的顺利进行。例如，需要对图2中的光伏面板进行目标区域的提取，首先进行感兴趣区域的提取，即提取部分的需要进行检测的区域。
在一实施例中，确定的方式为获取输入的操作指令以在检测图像中确定至少一条边界线，并根据至少一条边界线确定相应的感兴趣区域。根据输入的指示信息，对目标区域进行框选，将框选得到的区域就作为感兴趣区域。该框选出来的区域可以是包括了完整的检测对象，也可以是相对不完整的检测对象。如图4所示，图4是对图2中的光伏面板进行输入式提取操作的示意图。方框框选的两个区域，是通过手动选择确定的光伏面板的样本区域。该区域可以是若干块完整的光伏面板，也可以是不完整的光伏面板，只需要其中包含的是光伏面板即可。
在另一实施例中，确定的方式为将检测图像输入至目标检测模型中进行目标检测，以得到确定的检测区域，并将检测区域确定为感兴趣区域。该方式耗时比较长。目标检测模型有很多种，例如传统OpenCV中的GrubCut、深度学习图像分割。能够提取特定图像信息的算法都可以用于该方式。如图5所示，是使用了算法模型提取的感兴趣区域。整块的深色区域即为提取出的感兴趣区域。
S22：获取感兴趣区域的像素平均值。
提取出感兴趣区域后，对感兴趣区域的像素信息进行处理，获取所有像素的平均值。
在一实施例中，将感兴趣区域进行HSV颜色空间变换，将像素信息都转换为HSV信息，对每个通道的值进行平均值的求解，得到(H1，S1，V1)。
S23：根据像素平均值确定相应的像素参考阈值。
在获取到像素平均值后，需要再进行相应的处理得到像素参考阈值。使用像素参考阈值对检测图像进行分割，使得分割出来的目标区域更加的准确。
在一实施例中，可采用以下公式确定相应的像素参考阈值：
H2＝aH1+d；
S2＝bS1+e；
V2＝cV1+f；
其中，(H1，S1，V1)为感兴趣区域对应的三个通道的像素平均值，(H2，S2，V2)为像素参考阈值对应的三个通道的像素值，a、b、c为比例系数，d、e、f为偏差系数。
比例系数和偏差系数由用户根据检测图像中的检测对象的周边环境和相应实际情况自行设定。
在获取了像素参考阈值后，根据像素参考阈值对检测图像进行分割得到掩膜，用掩膜与检测图像进行掩膜操作得到目标检测区域。也可以是直接根据像素参考阈值对检测图像进行分割，得到目标检测区域。
如图6所示，图6为本申请光伏面板异常检测方法第三实施例的流程示意图。该方法是对步骤S13的进一步扩展。其包括以下步骤：
S31：根据像素参考阈值对检测图像进行分割，以得到第一目标区域。
在获取了像素参考阈值后，根据像素参考阈值对检测图像进行分割得到掩膜，用掩膜与检测图像进行掩膜操作得到目标检测区域。也可以是直接根据像素参考阈值对检测图像进行分割，得到目标检测区域。根据像素参考阈值对检测图像进行分割，根据实际情况选择满足参考阈值的图像作为目标区域。将得到的目标区域作为第一目标区域。
S32：确定第一目标区域对应的第二目标区域，第二目标区域为第一目标区域的最小外接矩形。
获取到第一目标区域后，根据第一目标区域的像素分布情况确定包含了第一像素点的所有像素点的最小的外接矩形，作为第二目标区域。如图7所示，图7为确定的第一目标区域和第二目标区域的示意图。
S33：对第一目标区域和第二目标区域进行异或运算，确定相应的第三目标区域。
对第一目标区域和第二目标区域进行异或运算，如两区域没有都包括某一像素点，则该像素点的计算结果为0。将这些在第二目标区域中包含了但在第一目标区域中未为包含的像素点作为第三目标区域。其表明该处的检测对象，比如光伏面板可能存在缺失。如图8所示，图8为检测图像可能缺失的计算结果示意图。深色区域中间的两个明显的白色块即表示可能存在检测对象的缺失。
在确定了第一目标区域和第三目标区域后，需要分别进行异常检测，以正确判断检测对象的异常情况。
如图9所示，图9为本申请光伏面板异常检测方法第四实施例的流程示意图。该方法是对步骤S14的进一步扩展。该方法是对第一目标区域进行异常检测的相关技术手段。其包括以下步骤：
S41：对第一目标区域进行HSV颜色空间转换，以得到第一目标区域的HSV信息。
将第一目标区域进行HSV颜色空间转换，得到第一目标区域的所有像素的HSV信息。
S42：根据HSV信息和HSV颜色空间对照表确定异常像素点。
根据第一目标区域的所有HSV信息以及HSV颜色空间对照表确定不符合检测对象HSV范围的像素点，不符合要求的像素点即为异常像素点。图10即为一HSV颜色空间对照表的示意图。如检测草时，草颜色为绿青色，其设定的HSV的检测范围为H(35,99)、S(43，255)、V(46、255)，HSV信息落在该范围中的就判断为是草。检测黑色物体或是空洞时，设定其HSV的检测范围为H(0,180)、S(0,255)、V(0,46)，检测出的判断为黑色物体或空洞。检测出的异常的像素点的坐标会被标注出来，如图11所示。
如图12所示，图12为本申请光伏面板异常检测方法第五实施例的流程示意图。该方法是对步骤S14的进一步扩展。该方法是对第三目标区域进行异常检测的相关技术手段。其包括以下步骤：
S51：将第三目标区域与第一目标区域进行像素对比。
获取到第三目标区域时，将第三目标区域对应的在检测图像中的像素点提取，与第一目标区域对应的在检测图像中的像素点进行像素对比，以判断该区域是否是对象缺失。
在一实施例中，根据第一目标区域的像素点确定一像素平均值，再设定一像素阈值，若第三目标区域中的像素点与像素平均值相差大于该像素阈值，则判定该像素点异常，若异常的像素点占第三目标区域中总的像素点的比例超过一定比例，例如百分之十，则判定该区域缺失。其中，像素阈值，缺失判定比例都可根据实际情况自行设定。像素点相差较大较多，则表明第三目标区域与第一目标区域不匹配，相差较小较少，则表明第三目标区域与第一目标区域匹配。
若第三目标区域与第一目标区域的像素匹配，则执行步骤S52。否则，执行步骤S53。
S52：第三目标区域未出现异常。
第三目标区域重新进行对比后未发现异常，则将第三目标区域对应的像素点重新加入至第一目标区域，执行后续异常检测的步骤。
S53：第三目标区域出现异常。
第三目标区域重新进行对比不匹配，即视为第三目标区域出现异常。重新对该区域相应的实际区域进行拍摄确认。
在一实施例中，以光伏面板异常为例，确定了第三区域的坐标，使用无人机对相应的地理位置进行重新拍摄，以确定该区域的光伏面板是否存在缺失。相关地理位置的确定的实现过程可参考以下实施例的描述。
如图13所示，图13为本申请光伏面板异常检测方法第六实施例的流程示意图。该方法是对步骤S13的进一步扩展。其包括以下步骤：
S61：根据像素参考阈值对检测图像进行分割以得到分割后的检测图像。
在获取了像素参考阈值后，根据像素参考阈值对检测图像进行分割得到掩膜，用掩膜与检测图像进行掩膜操作得到第一分割图像。也可以是直接根据像素参考阈值对检测图像进行分割，得到第一分割图像。根据像素参考阈值对检测图像进行分割，根据实际情况选择满足参考阈值的图像作为第一分割图像。
S62：根据分割后的检测图像更新像素参考阈值。
获取到第一分割图像后，根据该第一分割图像获取新的像素参考阈值。
在一实施例中，该新的像素参考阈值为根据第一分割图像进行HSV颜色空间转换后的HSV信息求解的HSV平均值。
S63：根据更新后的像素参考阈值对检测图像进行分割，以得到第一目标区域。
在求得HSV平均值后，将其作为新的像素参考阈值对检测图像进行分割，以得到第一目标区域。相关的平均值的求解、参考阈值的确定以及图像分割等相应过程可参考上述实施例中的描述，在此不再赘述。
根据切割后的图像再次进行参考阈值的求解，用以进行检测图像的切割，能够使得切割后的目标区域更加准确。通常进行一次分割后所得的目标区域周围都是一些噪声，而进行多次的切割后，其噪声的存在变得越来越少。分割的次数越多，所得的目标区域就越精确。
如图14所示，图14为本申请光伏面板异常检测方法第七实施例的流程示意图。该方法是对步骤S14的进一步扩展。其包括以下步骤：
S71：响应于检测到异常像素点，确定异常像素点对应的地理位置。
在标注出异常像素点后，在检测图像中找到相应的像素点。在检测图像中确定一基准点，并以该基准点设立一相应的坐标系以相应的求得异常像素点或异常区域的坐标位置。该基准点具有相应的实际的地理位置信息。而在得到基准点和异常像素点或异常像素区域的坐标信息后，通过如下公式，可得到异常的实际地理位置信息。
W(xg)＝G(xg)+a(U(x)*W(xp))；
W(yg)＝G(yg)+b(U(y)*W(yp))；
其中，W(xg)、W(yg)为异常像素点的GPS坐标，G(xg)、G(yg)为基准点的GPS坐标，U(x)、U(y)为坐标转换单位，W(xp)、W(yp)为异常像素点在检测图像中的坐标，a、b为检测图像与实际场景的比例系数。
该坐标转换单位通过如下公式计算：
U(x)＝|(B(xg)-A(xg))/(B(xp)-A(xp))|；
U(y)＝|(B(yg)-A(yg))/(B(yp)-A(yp))|；
其中，A，B，C为三不同的坐标点，A(xg，yg)、B(xg，yg)、C(xg，yg)为其GPS坐标，A(xp，yp)、B(xp，yp)、C(xp，yp)为其在检测图像中的坐标。
S72：向巡检设备发送巡检指令，以控制巡检设备移动至异常像素点对应的地理位置进行数据采集。
获取到异常所处的地理位置信息后，向巡检设备发送巡检指令，对这些地理位置再次进行数据采集，比如拍摄等，再次的数据采集也可是更加精细的数据采集，例如，更近距离的拍摄，可获取到更准确的数据信息。通过数据对相关区域进行异常物体的确认，从而进行后续的检修工作。
如图15所示，图15为本申请光伏面板检测装置一实施例的结构示意图。
该光伏面板检测装置包括处理器110和存储器120。该路径规划装置可以是电脑，也可以是手机、平板等移动终端，在此不做限定。
处理器110控制巡检路径规划装置的操作，处理器110还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器110可能是一种集成电路芯片，具有信号序列的处理能力。处理器110还可以是通用处理器、数字信号序列处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
存储器120存储处理器110工作所需要的指令和程序数据。
处理器110用于执行指令以实现本申请前述光伏面板异常检测方法的任一实施例及可能的组合所提供的方法。
一实施例中，该光伏面板异常检测装置还可包括显示屏，用于对检测图像，检测结果等进行图像显示，进一步地，还可包括报警组件，例如闪光灯、蜂鸣器、喇叭等，用于在检测到异常时进行提醒。
另一实施例中，该光伏面板异常检测装置还包括巡检设备，通信模组等，通信模组用于与巡检设备进行无线通信连接，以便与巡检设备进行远程控制和数据交互。巡检设备通过接收到的异常地理位置数据对相关区域进行巡视检查。
如图16所示，图16为本申请计算机可读存储装置一实施例的结构示意图。
本申请可读存储装置一实施例包括存储器210，存储器210存储有程序数据，该程序数据被执行时实现本申请光伏面板异常检测方法任一实施例及可能的组合所提供的方法。
存储器210可以包括只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、闪存(Flash Memory)、硬盘、光盘等。
综上所述，通过获取待检测区域的检测图像，从其中提取出作为检测对象的部分区域作为感兴趣区域，根据该感兴趣区域的像素颜色对检测图像间分割，将检测图形中所有的检测对象的区域都分割出来，作为目标检测区域，从而能够对获取的目标检测区域，即检测图像中所有的检测对象进行异物检测。再无需人工对范围广阔了巡检区域进行巡视检查，节约了大量的人力物力及相关资源。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种光伏面板异常检测方法，其特征在于，所述方法包括：
获取检测图像；
在所述检测图像中确定感兴趣区域，并根据所述感兴趣区域确定像素参考阈值；
根据所述像素参考阈值对所述检测图像进行分割，以得到目标区域；
对所述目标区域进行异常检测。
2.根据权利要求1所述的方法，其特征在于，
所述在所述检测图像中确定感兴趣区域，并根据所述感兴趣区域确定像素参考阈值，包括：
所述在所述检测图像中确定感兴趣区域；
获取所述感兴趣区域的像素平均值；
根据所述像素平均值确定相应的像素参考阈值。
3.根据权利要求2所述的方法，其特征在于，
所述在所述检测图像中确定感兴趣区域，包括：
获取输入的操作指令以在所述检测图像中确定至少一条边界线，并根据所述至少一条边界线确定相应的感兴趣区域；或
将所述检测图像输入至目标检测模型中进行目标检测，以得到确定的检测区域，并将所述检测区域确定为感兴趣区域。
4.根据权利要求2所述的方法，其特征在于，
所述根据所述像素平均值确定相应的像素参考阈值，包括：
采用以下公式确定相应的像素参考阈值：
H2＝aH1+d；
S2＝bS1+e；
V2＝cV1+f；
其中，(H1，S1，V1)为所述感兴趣区域对应的三个通道的像素平均值，(H2，S2，V2)为像素参考阈值对应的三个通道的像素值，a、b、c为比例系数，d、e、f为偏差系数。
5.根据权利要求1所述的方法，其特征在于，
所述根据所述像素参考阈值对所述检测图像进行分割，以得到目标区域包括：
根据所述像素参考阈值对所述检测图像进行分割，以得到第一目标区域；
确定所述第一目标区域对应的第二目标区域，所述第二目标区域为所述第一目标区域的最小外接矩形；
对所述第一目标区域和所述第二目标区域进行异或运算，确定相应的第三目标区域；
所述对所述目标区域进行异常检测，包括：
在所述第一目标区域中确定异常像素点，以及对所述第三目标区域进行异常检测。
6.根据权利要求5所述的方法，其特征在于，
所述根据所述像素参考阈值对所述检测图像进行分割，以得到第一目标区域，包括：
根据所述像素参考阈值对所述检测图像进行分割以得到分割后的所述检测图像；
根据所述分割后的所述检测图像更新所述像素参考阈值；
根据更新后的所述像素参考阈值对所述检测图像进行分割，以得到第一目标区域。
7.根据权利要求5所述的方法，其特征在于，
所述在所述第一目标区域中确定异常像素点，包括：
对所述第一目标区域进行HSV颜色空间转换，以得到所述第一目标区域的HSV信息；
根据所述HSV信息和HSV颜色空间对照表确定所述异常像素点。
8.根据权利要求5所述的方法，其特征在于，
所述对所述第三目标区域进行异常检测，包括：
将所述第三目标区域与所述第一目标区域进行像素对比，以判断所述第三目标区域是否异常。
9.根据权利要求1所述的方法，其特征在于，
所述对所述目标区域进行异常检测，包括：
响应于检测到异常像素点，确定所述异常像素点对应的地理位置。
10.根据权利要求9所述的方法，其特征在于，
所述确定所述异常像素点对应的地理位置，包括：
W(xg)＝G(xg)+a(U(x)*W(xp))；
W(yg)＝G(yg)+b(U(y)*W(yp))；
其中，W(xg)、W(yg)为所述异常像素点的GPS坐标，G(xg)、G(yg)为基准点的GPS坐标，U(x)、U(y)为坐标转换单位，W(xp)、W(yp)为所述异常像素点在所述检测图像中的坐标，a、b为所述检测图像与实际场景的比例系数。
11.根据权利要求9所述的方法，其特征在于，
所述方法还包括：
向巡检设备发送巡检指令，以控制所述巡检设备移动至所述异常像素点对应的地理位置进行数据采集。
12.一种光伏面板检测装置，其特征在于，包括存储器和处理器，所述存储器用于存储程序数据，所述程序数据能够被所述处理器执行，以实现如权利要求1-11中任一项所述的方法。
13.一种计算机可读存储装置，其特征在于，存储有程序数据，能够被处理器执行，以实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537480.1A CN114445326A (zh) | 2021-12-15 | 2021-12-15 | 光伏面板异常检测方法、检测装置及计算机可读存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537480.1A CN114445326A (zh) | 2021-12-15 | 2021-12-15 | 光伏面板异常检测方法、检测装置及计算机可读存储装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445326A true CN114445326A (zh) | 2022-05-06 |
Family
ID=81364420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111537480.1A Pending CN114445326A (zh) | 2021-12-15 | 2021-12-15 | 光伏面板异常检测方法、检测装置及计算机可读存储装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445326A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648531A (zh) * | 2022-05-20 | 2022-06-21 | 领伟创新智能系统(浙江)有限公司 | 基于色彩通道亮度分布的太阳能面板表面灰尘辨识方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
| CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
| CN112116570A (zh) * | 2020-09-12 | 2020-12-22 | 孙猛猛 | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 |
| CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
| CN113516625A (zh) * | 2021-04-30 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 光伏组件图像的异常检测方法、装置及设备 |
-
2021
- 2021-12-15 CN CN202111537480.1A patent/CN114445326A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107727662A (zh) * | 2017-09-28 | 2018-02-23 | 河北工业大学 | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 |
| CN110136110A (zh) * | 2019-05-13 | 2019-08-16 | 京东方科技集团股份有限公司 | 光伏组件缺陷的检测方法和装置 |
| CN112116570A (zh) * | 2020-09-12 | 2020-12-22 | 孙猛猛 | 基于人工智能的光伏电池板eva黄化程度检测方法及其系统 |
| CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
| CN113516625A (zh) * | 2021-04-30 | 2021-10-19 | 阿里巴巴新加坡控股有限公司 | 光伏组件图像的异常检测方法、装置及设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648531A (zh) * | 2022-05-20 | 2022-06-21 | 领伟创新智能系统(浙江)有限公司 | 基于色彩通道亮度分布的太阳能面板表面灰尘辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10102428B2 (en) | Systems and methods for surface and subsurface damage assessments, patch scans, and visualization | |
| CN109978755B (zh) | 全景图像合成方法、装置、设备与存储介质 | |
| CN111307727B (zh) | 基于时序遥感影像的水体水色异常识别方法和装置 | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| US10984182B2 (en) | Systems and methods for context-rich annotation and report generation for UAV microscan data | |
| CN110889327B (zh) | 一种基于热红外图像的水域周边排污口智能检测方法 | |
| CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
| CN111398176A (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
| CN113378754B (zh) | 一种工地裸土监测方法 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| CN115631132A (zh) | 网络训练方法、缺陷检测方法、装置、存储介质和设备 | |
| CN109657540B (zh) | 枯死树定位方法及系统 | |
| CN114445326A (zh) | 光伏面板异常检测方法、检测装置及计算机可读存储装置 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN114880730A (zh) | 确定目标设备的方法、装置及光伏系统 | |
| CN111144340A (zh) | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 | |
| Chaloeivoot et al. | Building detection from terrestrial images | |
| Xiao et al. | Individual tree detection from multi-view satellite images | |
| CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
| CN115700805A (zh) | 植物高度检测方法、装置、设备及存储介质 | |
| CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
| CN110827243A (zh) | 网格梁覆盖区域异常检测方法和装置 | |
| Kashani et al. | 3D data collection and automated damage assessment for near real-time tornado loss estimation | |
| CN110852145B (zh) | 针对无人机影像的图像检测方法、装置及系统 |
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 |