CN114648510A - 光伏组件的状态检测方法及装置、存储介质及电子设备 - Google Patents
光伏组件的状态检测方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114648510A CN114648510A CN202210310127.8A CN202210310127A CN114648510A CN 114648510 A CN114648510 A CN 114648510A CN 202210310127 A CN202210310127 A CN 202210310127A CN 114648510 A CN114648510 A CN 114648510A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- shielding
- state
- determining
- real
- 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 185
- 238000000034 method Methods 0.000 claims abstract description 117
- 230000002159 abnormal effect Effects 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 66
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 20
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 20
- 239000003344 environmental pollutant Substances 0.000 description 20
- 231100000719 pollutant Toxicity 0.000 description 20
- 238000010248 power generation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光伏组件的状态检测方法及装置、存储介质及电子设备,该方法包括:当接收到检测指令时,获取待检测的光伏组件对应的实时图像集合,其中包括该光伏组件的可见光图像和红外图像;将实时图像集合输入已构建的目标检测模型,经处理后获得目标检测模型的输出结果;依据输出结果,判断光伏组件是否处于存在遮挡的异常状态;若光伏组件处于存在遮挡的异常状态,则确定遮挡物类型和遮挡位置;依据遮挡物类型和遮挡位置,生成光伏组件的异常状态检测结果。应用本发明的方法,可通过目标检测模型对光伏组件的实时图像进行目标检测,以确定光伏组件是否存在遮挡,无需人工实地观测光伏组件进行状态检测,可节省人力资源,降低运维成本。
Description
技术领域
本发明涉及光伏技术领域,特别是涉及一种光伏组件的状态检测方法及装置、存储介质及电子设备。
背景技术
随着发电技术的发展,光伏发电已成为了常见的发电方式之一。在光伏发电系统的工作过程中,需要通过暴露在环境中光伏组件接收太阳的辐射能量。
在现实的使用环境中,光伏组件表面常常会出现一些污染物,对光伏组件表面造成遮挡。而造成遮挡的污染物会降低光伏组件接收的辐射量,影响光伏组件散热,造成局部升温发热,导致光伏组件产生热斑效应等不良影响。故在光伏发电系统的运维过程中,常常需要对光伏组件的状态进行判断,判断光伏组件是否处在存在污染物遮挡的状态。
目前,通常是由光伏电站的现场运维人员依靠经验,通过现场人为观测来识别光伏组件的状态,判断光伏组件是否存在遮挡物,是否需要清洗等等。基于现有人为观测的检测方式进行状态检测,需要耗费大量的人力资源和时间。其次,由于运维人员的经验存在差异,对光伏组件的状态检测的准确性较差。
发明内容
有鉴于此,本发明实施例提供了一种光伏组件的状态检测方法,以解决人为观测光伏组件的检测方式,需耗费大量人力资源和时间的问题。
本发明实施例还提供了一种光伏组件的状态检测装置,用以保证上述方法实际中的实现及应用。
为实现上述目的,本发明实施例提供如下技术方案:
一种光伏组件的状态检测方法,包括:
当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
上述的方法,可选的,所述目标检测模型的构建过程,包括:
确定训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括该训练样本对应的可见光图像数据和红外图像数据;
确定验证样本集合和测试样本集合;
依据所述训练样本集合、所述验证样本集合和所述测试样本集合,对预构建的初始检测模型进行训练,将完成训练的初始检测模型作为所述目标检测模型。
上述的方法,可选的,所述确定训练样本集合,包括:
确定初始图像集合,所述初始图像集合包括多个异常组件的初始图像组,每个所述异常组件的初始图像组包括该异常组件的可见光图像和红外图像;
对所述初始图像集合进行数据增广处理,获得所述初始图像集合对应的增广图像集合;
对所述增广图像集合进行数据预处理,将经过数据预处理的增广图像集合作为所述训练样本集合。
上述的方法,可选的,所述依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态,包括:
获取所述输出结果中包含的输出状态标识;
判断所述输出状态标识与预设的异常状态标识是否相同;
若所述输出状态标识与所述预设的异常状态标识相同,则确定所述光伏组件处于存在遮挡的异常状态。
上述的方法,可选的,所述确定所述光伏组件对应的遮挡物类型,包括:
获取所述输出结果中包含的遮挡物类型标识;
在多个预设遮挡物类型中,确定所述遮挡物类型标识对应的目标预设遮挡物类型,将所述目标预设遮挡物类型作为所述光伏组件对应的遮挡物类型。
上述的方法,可选的,所述确定所述光伏组件对应的遮挡位置,包括:
获取所述输出结果中包含的异常定位数据;
确定所述异常定位数据对应的定位位置,并将所述定位位置确定为所述光伏组件对应的遮挡位置。
上述的方法,可选的,还包括:
生成所述光伏组件的异常状态检测结果所对应的报警信息;
将所述报警信息发送给所述光伏组件的管理人员,以提示所述光伏组件的管理人员对所述光伏组件进行维护。
一种光伏组件的状态检测装置,包括:
获取单元,用于当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
检测单元,用于将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
判断单元,用于依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
第一确定单元,用于若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
生成单元,用于依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的光伏组件的状态检测方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如上述的光伏组件的状态检测方法。
基于上述本发明实施例提供的一种光伏组件的状态检测方法,包括:当接收到对光伏组件进行检测的指令时,获取该光伏组件对应的实时图像集合,所述实时图像集合包括该光伏组件的可见光图像和红外图像;将该实时图像集合输入已构建的目标检测模型,经目标检测模型处理后,获得目标检测模型的输出结果;依据输出结果,判断光伏组件是否处于存在遮挡的异常状态;若光伏组件处于存在遮挡的异常状态,则确定光伏组件对应的遮挡物类型和遮挡位置;依据该遮挡物类型和遮挡位置,生成光伏组件的异常状态检测结果。应用本发明实施例提供的方法,可以通过光伏组件的实时图像集合对光伏组件进行状态检测,以确定光伏组件是否处于存在遮挡的异常状态,当确定光伏组件处于异常状态时,可进一步确定遮挡物类型和遮挡位置,工作人员可以根据检测反馈的信息对光伏组件的状态进行实时监控和及时维护。无需工作人员实地人为观测光伏组件来判断光伏组件的状态,可节省大量的人力资源和检测时间,降低运维成本。其次,可避免经验差异导致检测误差,提高检测结果的准确性。
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,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种光伏组件的状态检测方法的方法流程图;
图2为本发明实施例提供的一种光伏组件的状态检测过程的示例图;
图3为本发明实施例提供的一种光伏组件的状态检测过程的又一示例图;
图4为本发明实施例提供的一种光伏组件的状态检测装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,对光伏组件造成遮挡的污染物是影响光伏组件正常工作的因素之一。影响光伏组件输出功率的主要因素有辐照度和温度等,而对光伏组件造成遮挡的污染物会减少光伏组件接收太阳辐射的面积,继而导致辐照度下降,降低了光伏组件的发电量。所以目前在光伏电站的运维过程中,通常需现场运维人员通过人为观测来判断是否存在对光伏组件造成遮挡的污染物,以对光伏组件的状态进行检测,需要耗费大量的检测时间,效率较低。其次,依靠经验的人为检测方式得到的检测结果的准确性较差。
因此,本发明实施例提供了一种光伏组件的状态检测方法,通过光伏组件的实时图像和已构建的目标检测模型,识别光伏组件是否处于存在遮挡的异常状态,无需运维人员通过现场观测来判断光伏组件的状态,可节省检测时间和大量人力资源。
本发明实施例提供了一种光伏组件的状态检测方法,所述方法可应用于光伏组件的状态检测系统,其执行主体可以为系统的服务器,所述方法的方法流程图如图1所示,包括:
S101:当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
本发明实施例提供的方法中,可以通过携带双光摄像头的摄像机对光伏电站中的光伏组件进行实时拍摄,当拍摄到光伏组件的实时图像后,将光伏组件的实时图像通过无线通讯上传至云端服务器,当云端服务器接收到光伏组件的实时图像时,可基于该光伏组件的实时图像向状态检测系统发送对该光伏组件进行检测的指令。双光摄像头指的是可见光摄像头和红外摄像头,拍摄的实时图像包括光伏组件的可见光图像和红外图像。具体的拍摄方式,可以通过无人机搭载摄像机对光伏电站中的光伏组件进行巡检拍摄,也可以在光伏电站中架设固定的摄像机对光伏组件进行拍摄,具体的拍摄方式可以根据需求设计,不影响本发明实施例提供的方法实现功能。
本发明实施例提供的方法中,当状态检测系统接收到对光伏组件进行检测的指令时,可获取摄像机拍摄的实时图像集合,其中包括该光伏组件的可见光图像和红外图像。
S102:将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
本发明实施例提供的方法中,状态检测系统中配置有基于目标检测算法构建的目标检测模型。可将光伏组件的实时图像集合作为模型的输入,加载至目标检测模型的输入层,通过目标检测模型对实时图像集合中的图像进行遮挡物目标检测,并获取目标检测模型的输出结果。
S103:依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
本发明实施例提供的方法中,基于目标检测模型对实时图像集合中的图像进行遮挡物目标检测的输出结果,确定光伏组件是否处于存在遮挡的异常状态。若输出结果表征该光伏组件不处于存在遮挡的异常状态,则确定该光伏组件当前处于正常状态,结束该光伏组件的本次状态检测过程。
S104:若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
本发明实施例提供的方法中,若经判断该光伏组件处于存在遮挡的异常状态,则进一步依据目标检测模型的输出结果确定该光伏组件对应的遮挡物类型和遮挡位置。
S105:依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
本发明实施例提供的方法中,可基于光伏组件对应的遮挡物类型和遮挡位置,生成光伏组件处于存在遮挡的异常状态的检测结果,完成光伏组件的状态检测过程。可以基于该异常状态检测结果在系统前端向工作人员发出警报提示。
基于本发明实施例提供的方法,基于光伏组件对应的实时图像集合及已构建的目标检测模型,判断光伏组件是否处于存在遮挡的异常状态,并在光伏组件处于存在遮挡的异常状态时,确定该光伏组件对应的遮挡物类型和遮挡位置,生成该光伏组件的异常状态检测结果,完成光伏组件的状态检测过程。应用本发明实施例提供的方法,光伏电站的运维人员可以根据状态检测反馈的检测结果,对光伏组件的状态进行实时监控和及时维护,而无需运维人员实地人为观测光伏组件,以确定光伏组件的状态,可节省大量的人力资源和检测时间,降低运维成本。检测过程较为方便快捷,可提高检测效率。其次,采用目标检测模型进行检测,可避免人工经验差异导致检测误差,可提高检测结果的准确性。
在图1所示方法的基础上,本发明实施例提供的方法中,步骤S102中提及的目标检测模型的构建过程,包括:
确定训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括该训练样本对应的可见光图像数据和红外图像数据;
确定验证样本集合和测试样本集合;
本发明实施例提供的方法中,可在各个光伏电站预先进行样本数据的采集,使携带摄像机的无人机根据规定航线对光伏电站的各个光伏组件进行图像采集,拍摄得到光伏组件的可见光图像数据和红外图像数据,图像与现场地理位置相对应,并把采集到的可见光图像数据集和红外图像数据集通过无线传输系统上传给云端服务器,通过云端服务器发送给上位机。拍摄得到的光伏组件的图像数据集包括光伏组件遭到异常遮挡的可见光图像和红外图像,也可以包括正常状态下的光伏组件的可见光图像和红外图像。
可以将采集到的红外图像统一根据温度信息转换为灰度图像,并对拍摄得到的可见光图像数据集和红外图像数据集进行图像分割和数据集扩充等处理。从处理后的数据集中人工选择存在遮挡污染物(即遮挡物)的可见光图像和对应的红外图像,得到样本集,并将样本集划分为训练集、验证集和测试集,以得到训练样本集合、验证样本集合以及测试样本集合。例如从扩充的数据集中人工总共选择存在遮挡污染物的可见光图像和红外图像各1000份图像作为数据集,按8:1:1比例随机划分为训练集、验证集和测试集,即训练集中的可见光图像和红外图像各800份,验证集和测试集中的可见光图像和红外图像各100份。也可以直接将拍摄得到的可见光图像数据及和红外图像数据集划分为初始训练集、初始验证集和初始测试集,再分别进行图像分割和数据集扩充等处理,最终得到训练样本集合、验证样本集合以及测试样本集合。
本发明实施例提供的方法中,训练样本集合中包括多个训练样本,每个训练样本包含一组光伏组件的图像,即该光伏组件处在某个状态下的可见光图像和对应的红外图像。验证样本集合中亦包含多个验证样本,每个验证样本也包含光伏组件处在某个状态下的可见光图像和对应的红外图像。测试样本集合包含多个测试样本,每个测试样本包含光伏组件处在某个状态下的可见光图像和对应的红外图像。
依据所述训练样本集合、所述验证样本集合和所述测试样本集合,对预构建的初始检测模型进行训练,将完成训练的初始检测模型作为所述目标检测模型。
本发明实施例提供的方法中,可以通过训练样本集合、验证样本集合以及测试样本集合对预构建的初始检测模型进行训练,主要是通过训练样本集合中的各个训练样本训练初始检测模型的权重,通过验证样本集合中的各个验证样本对训练后的初始检测模型进行验证,最后通过测试样本集合中的各个测试样本对经过验证的初始检测模型进行测试,最终通过测试后完成初始检测模型的训练过程,得到目标检测模型。
本发明实施例提供的方法中,基于目标检测算法构建初始检测模型,具体的,可以采用YOLOv5目标检测算法构建初始的检测模型。在模型的训练过程中,采用目标检测算法对光伏组件的红外图像进行目标检测产生的热斑图像,进行数据增强,卷积,池化等操作确定光伏组件发热(红外辐射异常)的位置、发生故障的位置范围并输出训练得到的模型权重。采用目标检测算法对光伏组件的可见光图像进行目标检测,进行数据增强,卷积,池化等操作确定光伏组件存在的遮挡污染物的类型、遮挡污染物的准确位置,并输出训练得到的模型权重。将训练得到目标检测算法的模型权重导入上位机,基于模型权重构建得到目标检测模型。
可选的,训练过程具体可以包括:
在Pytorch框架下,将目标检测算法YOLOv5在自建的遮挡污染物数据集上进行训练、测试。
在训练过程中,采用Mosaic数据增强,将四张图片进行随机裁剪,再拼接到一张图上来作为训练数据。
卷积层通过卷积运算对输入数据的特征信息进行提取与降维。卷积运算过程首先是输入特征图与卷积核对应的权重值进行相乘,然后再与对应偏差值进行相加后将结果通过激活函数实现非线性计算,得到最终的输出结果。
池化层通过最大池化操作对输入数据进行压缩处理,可以减少参数量并达到降维的效果,从而可以增大卷积核在提取深层特征图特征时的感受野范围。
对数据集中的图片使用k-means聚类算法进行聚类,得到k个先验框,选出最优anchor框尺寸为:[23,28],[26,40],[31,31],[32,19],[36,25],[38,36],[44,19],[51,26],[63,44]。
输出光伏组件遮挡污染物的类型,准确位置并得到训练权重。
将训练后得到目标检测算法YOLOv5的训练权重,导入上位机系统。
本发明实施例提供的方法中,结合红外图像进行目标检测,因为对光伏组件造成遮挡的污染物会影响光伏组件散热,造成局部升温发热,导致光伏组件产生热斑效应,不同类型遮挡污染物的导热系数不同,导热系数的不同对光伏组件产生的热平衡也不相同,从而使得有不同污染物的状态下,较清洁的光伏组件的温度存在明显差异,组件表面温度的不同,使其区域红外辐射亦会产生变化。因此结合光伏组件的红外图像和可见光图像进行目标检测,可以提高检测的准确度,准确地确定光伏组件是否存在遮挡物目标,以及遮挡物目标的所在位置。
进一步的,在上述实施例提供的方法的基础上,本发明实施例提供的方法中,确定训练样本集合的过程,包括:
确定初始图像集合,所述初始图像集合包括多个异常组件的初始图像组,每个所述异常组件的初始图像组包括该异常组件的可见光图像和红外图像;
本发明实施例提供的方法中,可以在双光摄像机拍摄得到的样本数据中,选取一定数量的可见光图像和其对应的红外图像组成初始图像集合。初始图像集合中包括多个存在遮挡的光伏组件(异常组件)的可见光图像和对应的红外图像。也可以包含正常状态下的光伏组件的可见光图像和红外图像。
对所述初始图像集合进行数据增广处理,获得所述初始图像集合对应的增广图像集合;
本发明实施例提供的方法中,对初始图像集合中的可见光图像和红外图像,进行随机翻转、裁剪、缩放等操作进行数据增广,新增可见光图像和其对应的红外图像,以扩充数据集数量。
对所述增广图像集合进行数据预处理,将经过数据预处理的增广图像集合作为所述训练样本集合。
本发明实施例提供的方法中,可基于模型的训练需求,对增广图像集合中的每个图像进行数据预处理,将经过数据预处理的增广图像集合作为训练样本集合。具体的,可基于目标检测算法的检测需求,对增广图像集合中的红外图像中的光伏组件图像进行分割,获得光伏组件分割后的红外图像,并对这些红外图像统一根据温度信息转换为灰度图像。对可见光图像中的光伏组件图像进行分割,获得光伏组件分割后的可见光图像。对每个图像进行平滑处理和640*640归一化处理。采用图像标注软件LabelImg对图像进行标注,标记后的图片信息存储在txt文件夹中,包括类别ID,中心X、Y和BOX宽高比例标注信息,路径信息等等。
在图1所示方法的基础上,本发明实施例提供的方法中,步骤S103中提及的,依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态的过程,包括:
获取所述输出结果中包含的输出状态标识;
判断所述输出状态标识与预设的异常状态标识是否相同;
若所述输出状态标识与所述预设的异常状态标识相同,则确定所述光伏组件处于存在遮挡的异常状态。
本发明实施例提供的方法中,目标检测模型可以对输入的实时图像集合中的图像进行遮挡物的目标检测,以确定图像中所示的光伏组件是否处于存在遮挡的异常状态,在目标检测模型的输出结果中,包含表征光伏组件所处状态的输出状态标识。可从当前的输出结果中获取输出状态标识,并将该输出状态标识与预设的异常状态标识进行比对,若该输出状态标识与预设的异常状态标识相同,则确定当前检测的光伏组件处于存在遮挡的异常状态。预设的异常状态标识为表征光伏组件处于存在遮挡的异常状态的标识。
在图1所示方法的基础上,本发明实施例提供的方法中,步骤S104中提及的,确定所述光伏组件对应的遮挡物类型的过程,包括:
获取所述输出结果中包含的遮挡物类型标识;
在多个预设遮挡物类型中,确定所述遮挡物类型标识对应的目标预设遮挡物类型,将所述目标预设遮挡物类型作为所述光伏组件对应的遮挡物类型。
本发明实施例提供的方法中,可以根据实际的检测需求预先设置需要识别的遮挡物类型,例如树叶遮挡物、鸟类粪便遮挡物等等。在构建目标检测模型时,使目标检测模型能够对预设遮挡物类型的遮挡物进行识别。
本发明实施例提供的方法中,当目标检测模型确定实时图像集合中图像所示光伏组件存在遮挡时,可进一步对图像中的遮挡物的类别进行识别,其输出结果中包含,对光伏组件的遮挡物进行识别得到的遮挡物类型标识。可从目标检测模型的输出结果中获取遮挡物类型标识。
本发明实施例提供的方法中,在状态检测系统中可预先设置每个预设遮挡物类型的标识。通过标识的匹配,可在多个预设遮挡物类型中确定目标预设遮挡物类型,目标预设遮挡物类型对应的标识与输出结果中包含的遮挡物类型标识相同。将目标预设遮挡物类型作为光伏组件对应的遮挡物类型,即当前对光伏组件造成遮挡的污染物的类型。
在图1所示方法的基础上,本发明实施例提供的方法中,步骤S104中提及的,确定所述光伏组件对应的遮挡位置的过程,包括:
获取所述输出结果中包含的异常定位数据;
确定所述异常定位数据对应的定位位置,并将所述定位位置确定为所述光伏组件对应的遮挡位置。
本发明实施例提供的方法中,当目标检测模型确定实时图像集合中图像所示光伏组件存在遮挡时,可进一步对图像中的遮挡物的位置进行识别,其输出结果中包含,对图像中的遮挡物进行定位所得到的异常定位数据。可从目标检测模型的输出结果中获取异常定位数据。可以根据摄像机拍摄的角度、高度和摄像参数等数据,结合图像中遮挡物相对应的异常定位数据,在光伏组件上确定对应的定位位置,即出现遮挡物的位置。
在图1所示方法的基础上,本发明实施例提供的方法中,还包括:
生成所述光伏组件的异常状态检测结果所对应的报警信息;
将所述报警信息发送给所述光伏组件的管理人员,以提示所述光伏组件的管理人员对所述光伏组件进行维护。
本发明实施例提供的方法中,可基于光伏组件的异常状态检测结果,生成对应的报警信息,包括当前光伏组件处于存在遮挡的异常状态的检测结果,遮挡物类型以及遮挡位置,可以通过手机短信、邮件或是客户端消息等方式,将报警信息发送给该光伏组件的管理人员,提示管理人员对光伏组件进行核查与清洗等维护工作。管理人员也可以通过移动终端实时查看光伏组件的工作状态,包括遮挡物类型和位置。
为了更好地说明本发明实施例提供的方法,接下来对本发明实施例提供的方法的具体实现进行举例说明。
本发明实施例提供的光伏组件的状态检测过程,具体可由数据采集系统、无线通讯系统以及状态检测系统实现。数据采集系统包括携带双光摄像头的摄像机,双光摄像头包括可见光摄像头和红外热成像摄像头,用于拍摄光伏组件的可见光图像和光伏组件的红外图像。无线通讯系统指的是将数据采集系统获取到的光伏组件图像传输给云端服务器,再上传至上位机的传输系统。状态检测系统指的是上位机中接收云端服务器上传的光伏组件图像,经过目标检测算法实时输出遮挡污染物位置、类别再上传至云端服务器,实现实时在线监测光伏组件状态的系统。
结合图2所示架构,本发明实施例提供的光伏组件的状态检测过程,包括:
采用携带双光摄像头的摄像机的无人机,对光伏电站中的光伏组件进行图像采集,无人机按照预定路线对光伏电站中的各个光伏组件进行拍摄。
将摄像机当前拍摄的光伏组件的可见光图像和红外图像,通过无线通讯发送到云端服务器。云端服务器与上位机建立通信,将接收到的光伏组件的可见光图像和红外图像,发送给上位机。上位机将收到的图像信号送入已预先训练生成的目标检测模型中,进行遮挡污染物的分类、定位。上位机将分类和定位结果上传至云端服务器,若分类结果显示光伏组件存在异常状态,云端服务器则向机组管理人员发送报警信号并提示安排合理清洗或维修。同时,工作人员的移动终端可与云端服务器进行数据通信,可通过移动终端实时查看光伏组件的工作状态,包括遮挡污染物类型、位置。
进一步的,为了更好地说明本发明实施例提供的过程,结合图3所示过程示例图,本发明实施例提供的目标检测模型的构建过程和光伏组件的状态检测过程,具体包括:
通过搭载携带双光摄像头摄像机的无人机,根据规定航线对光伏电站的光伏组件进行图像采集,拍摄同角度同高度的可见光图像和红外图像。通过图像采集获得光伏组件存在异常遮挡的可见光图像和红外图像数据集,图像与现场地理位置相对应,并把采集到的数据集通过无线传输系统上传给指定的上位机。
通过上位机对采集到的数据集进行数据扩增的处理,并对扩充后的数据集中的可见光图像和红外图像,使用LabelImg图像标注工具进行标注。
使用标注过的数据集对基于YOLOv5算法构建的模型进行训练,通过YOLOv5算法识别遮挡污染物的类别和具体位置,得到YOLOv5算法的训练权重,即模型权重。
将YOLOv5算法的训练权重导入上位机系统,得到完成训练的目标检测模型,结束目标检测模型的构建过程。
在光伏电站的运营过程中,可通过携带双光摄像头的无人机对光伏电站的光伏组件进行巡检,在线拍摄光伏组件图像,通过无线通讯系统上传至云端服务器存储。
将存储在云端服务器的光伏电站的现场图像,即光伏组件的可见光图像和红外图像,上传至上位机,经过已导入的YOLOv5算法的训练权重构建的目标检测模型,对实时拍摄的图像进行目标检测。当检测到光伏组件处于存在遮挡的异常状态时,可获得遮挡污染物的类别和位置,可发出警报,以实现在线识别光伏组件状态。
检测到光伏组件处于异常状态后,可将检测结果实时上传至云端服务器,工作人员可在移动终端实时查看光伏发电系统的光伏组件运行状态。
最后安排工作人员或者机器人处理故障或清洗检修光伏组件,使光伏电站高效智能运维。
本发明实施例提供的方法,通过无人机搭载热红外摄像头可以检测光伏组件表面的高温区域,然后利用热成像技术检测出光伏组件的诸多缺陷,可判断存在异物遮挡或其他故障,再通过可见光图像可以准确识别遮挡物类型和位置。
本发明实施例提供的方法,利用搭载摄像机的无人机对光伏电站进行巡检,对光伏电站内的光伏组件进行实时信息采集、监控与智能分析,得到故障发生的具体光伏单元及相应的故障类型,便于合理安排清洗及检修。
本发明实施例提供的方法有利于保障光伏电站高效安全地运行,降低运维成本,提高巡检效率,降低光伏电站运维人员发生安全事故的概率。
深度学习算法在目标检测领域应用时无需人工提取特征值,图像预处理要求简单,可实现准确、快速、有效的光伏发电系统异常状态判别。
与图1所示的一种光伏组件的状态检测方法相对应的,本发明实施例还提供了一种光伏组件的状态检测装置,用于对图1中所示方法的具体实现,其结构示意图如图4所示,包括:
获取单元201,用于当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
检测单元202,用于将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
判断单元203,用于依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
第一确定单元204,用于若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
生成单元205,用于依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
基于本发明实施例提供的装置,基于光伏组件对应的实时图像集合及已构建的目标检测模型,判断光伏组件是否处于存在遮挡的异常状态,并在光伏组件处于存在遮挡的异常状态时,确定该光伏组件对应的遮挡物类型和遮挡位置,生成该光伏组件的异常状态检测结果,完成光伏组件的状态检测过程。应用本发明实施例提供的装置,光伏电站的运维人员可以根据状态检测反馈的检测结果,对光伏组件的状态进行实时监控和及时维护,而无需运维人员实地人为观测光伏组件,以确定光伏组件的状态,可节省大量的人力资源和检测时间,降低运维成本。检测过程较为方便快捷,可提高检测效率。其次,采用目标检测模型进行检测,可避免人工经验差异导致检测误差,可提高检测结果的准确性。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,还包括,包括:
第二确定单元,用于确定训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括该训练样本对应的可见光图像数据和红外图像数据;
第三确定单元,用于确定验证样本集合和测试样本集合;
训练单元,用于依据所述训练样本集合、所述验证样本集合和所述测试样本集合,对预构建的初始检测模型进行训练,将完成训练的初始检测模型作为所述目标检测模型。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第二确定单元,包括:
第一确定子单元,用于确定初始图像集合,所述初始图像集合包括多个异常组件的初始图像组,每个所述异常组件的初始图像组包括该异常组件的可见光图像和红外图像;
数据增广子单元,用于对所述初始图像集合进行数据增广处理,获得所述初始图像集合对应的增广图像集合;
数据处理子单元,用于对所述增广图像集合进行数据预处理,将经过数据预处理的增广图像集合作为所述训练样本集合。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述判断单元203,包括:
第一获取子单元,用于获取所述输出结果中包含的输出状态标识;
第一判断子单元,用于判断所述输出状态标识与预设的异常状态标识是否相同;
第二确定子单元,用于若所述输出状态标识与所述预设的异常状态标识相同,则确定所述光伏组件处于存在遮挡的异常状态。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第一确定单元204,包括:
第二获取子单元,用于获取所述输出结果中包含的遮挡物类型标识;
第三确定子单元,用于在多个预设遮挡物类型中,确定所述遮挡物类型标识对应的目标预设遮挡物类型,将所述目标预设遮挡物类型作为所述光伏组件对应的遮挡物类型。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第一确定单元204,包括:
第三获取子单元,用于获取所述输出结果中包含的异常定位数据;
第四确定子单元,用于确定所述异常定位数据对应的定位位置,并将所述定位位置确定为所述光伏组件对应的遮挡位置。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,还包括:
报警单元,用于生成所述光伏组件的异常状态检测结果所对应的报警信息;
发送单元,用于将所述报警信息发送给所述光伏组件的管理人员,以提示所述光伏组件的管理人员对所述光伏组件进行维护。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的光伏组件的状态检测方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器301,以及一个或者一个以上的指令302,其中一个或者一个以上指令302存储于存储器301中,且经配置以由一个或者一个以上处理器303执行所述一个或者一个以上指令302进行以下操作:
当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
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。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光伏组件的状态检测方法,其特征在于,包括:
当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
2.根据权利要求1所述的方法,其特征在于,所述目标检测模型的构建过程,包括:
确定训练样本集合,所述训练样本集合包括多个训练样本,每个所述训练样本包括该训练样本对应的可见光图像数据和红外图像数据;
确定验证样本集合和测试样本集合;
依据所述训练样本集合、所述验证样本集合和所述测试样本集合,对预构建的初始检测模型进行训练,将完成训练的初始检测模型作为所述目标检测模型。
3.根据权利要求2所述的方法,其特征在于,所述确定训练样本集合,包括:
确定初始图像集合,所述初始图像集合包括多个异常组件的初始图像组,每个所述异常组件的初始图像组包括该异常组件的可见光图像和红外图像;
对所述初始图像集合进行数据增广处理,获得所述初始图像集合对应的增广图像集合;
对所述增广图像集合进行数据预处理,将经过数据预处理的增广图像集合作为所述训练样本集合。
4.根据权利要求1所述的方法,其特征在于,所述依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态,包括:
获取所述输出结果中包含的输出状态标识;
判断所述输出状态标识与预设的异常状态标识是否相同;
若所述输出状态标识与所述预设的异常状态标识相同,则确定所述光伏组件处于存在遮挡的异常状态。
5.根据权利要求1所述的方法,其特征在于,所述确定所述光伏组件对应的遮挡物类型,包括:
获取所述输出结果中包含的遮挡物类型标识;
在多个预设遮挡物类型中,确定所述遮挡物类型标识对应的目标预设遮挡物类型,将所述目标预设遮挡物类型作为所述光伏组件对应的遮挡物类型。
6.根据权利要求1所述的方法,其特征在于,所述确定所述光伏组件对应的遮挡位置,包括:
获取所述输出结果中包含的异常定位数据;
确定所述异常定位数据对应的定位位置,并将所述定位位置确定为所述光伏组件对应的遮挡位置。
7.根据权利要求1所述的方法,其特征在于,还包括:
生成所述光伏组件的异常状态检测结果所对应的报警信息;
将所述报警信息发送给所述光伏组件的管理人员,以提示所述光伏组件的管理人员对所述光伏组件进行维护。
8.一种光伏组件的状态检测装置,其特征在于,包括:
获取单元,用于当接收到对光伏组件进行检测的指令时,获取所述光伏组件对应的实时图像集合,所述实时图像集合包括所述光伏组件的可见光图像和红外图像;
检测单元,用于将所述实时图像集合输入已构建的目标检测模型,经所述目标检测模型处理后,获得所述目标检测模型的输出结果;
判断单元,用于依据所述输出结果,判断所述光伏组件是否处于存在遮挡的异常状态;
第一确定单元,用于若所述光伏组件处于存在遮挡的异常状态,则确定所述光伏组件对应的遮挡物类型和所述光伏组件对应的遮挡位置;
生成单元,用于依据所述遮挡物类型和所述遮挡位置,生成所述光伏组件的异常状态检测结果,完成所述光伏组件的状态检测过程。
9.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~7任意一项所述的光伏组件的状态检测方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~7任意一项所述的光伏组件的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310127.8A CN114648510A (zh) | 2022-03-28 | 2022-03-28 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310127.8A CN114648510A (zh) | 2022-03-28 | 2022-03-28 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648510A true CN114648510A (zh) | 2022-06-21 |
Family
ID=81996246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210310127.8A Pending CN114648510A (zh) | 2022-03-28 | 2022-03-28 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311589A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种用于采光建筑的隐患处理方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815838A (zh) * | 2017-01-22 | 2017-06-09 | 晶科电力有限公司 | 一种光伏组件热斑检测的方法以及系统 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
CN113076816A (zh) * | 2021-03-17 | 2021-07-06 | 上海电力大学 | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 |
CN113554610A (zh) * | 2021-07-19 | 2021-10-26 | 合肥阳光智维科技有限公司 | 一种光伏组件运行状态检测方法及其应用装置 |
CN113673418A (zh) * | 2021-08-19 | 2021-11-19 | 合肥阳光智维科技有限公司 | 一种光伏电站智能无人巡检系统及智能巡检终端 |
-
2022
- 2022-03-28 CN CN202210310127.8A patent/CN114648510A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815838A (zh) * | 2017-01-22 | 2017-06-09 | 晶科电力有限公司 | 一种光伏组件热斑检测的方法以及系统 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
CN113076816A (zh) * | 2021-03-17 | 2021-07-06 | 上海电力大学 | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 |
CN113554610A (zh) * | 2021-07-19 | 2021-10-26 | 合肥阳光智维科技有限公司 | 一种光伏组件运行状态检测方法及其应用装置 |
CN113673418A (zh) * | 2021-08-19 | 2021-11-19 | 合肥阳光智维科技有限公司 | 一种光伏电站智能无人巡检系统及智能巡检终端 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311589A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种用于采光建筑的隐患处理方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An unmanned inspection system for multiple defects detection in photovoltaic plants | |
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 | |
CN108898077B (zh) | 电力设备红外热图的识别方法和电力设备红外识别系统 | |
CN110567964B (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
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 | |
KR20210048506A (ko) | 단열재 하부 부식을 탐지하기 위한 배치 상태의 최적화를 위한 기계 학습 시스템 및 데이터 융합 | |
CN109743019A (zh) | 基于气象因素的热斑温度预测及热斑定位的系统和方法 | |
KR20220055082A (ko) | 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법 | |
CN114648510A (zh) | 光伏组件的状态检测方法及装置、存储介质及电子设备 | |
CN112455676A (zh) | 一种光伏板健康状态智能监测分析系统及方法 | |
CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
Zou et al. | Drone-based solar panel inspection with 5G and AI Technologies | |
Cardinale-Villalobos et al. | Experimental comparison of visual inspection and infrared thermography for the detection of soling and partial shading in photovoltaic arrays | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
KR102098263B1 (ko) | 웹기반 풍력발전 블레이드 관리 시스템 | |
CN114882682B (zh) | 一种高压线缆状态监测平台及监测方法 | |
KR20210100239A (ko) | 비행체를 활용한 태양광발전 유지관리 방법 | |
CN114785280A (zh) | 光伏电站太阳能电池组件发电性能缺陷的现场检测方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
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 | |
CN113033446B (zh) | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 | |
Li et al. | Research and application of photovoltaic power station on-line hot spot detection operation and maintenance system based on unmanned aerial vehicle infrared and visible light detection | |
CN114331987A (zh) | 一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法 |
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 |