CN114648708A - 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
- CN114648708A CN114648708A CN202210309814.8A CN202210309814A CN114648708A CN 114648708 A CN114648708 A CN 114648708A CN 202210309814 A CN202210309814 A CN 202210309814A CN 114648708 A CN114648708 A CN 114648708A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- target detection
- detection model
- data set
- shielding
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (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,获取光伏组件对应的实时图像;将实时图像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;目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;依据该输出结果,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和光伏组件的实时图像,对光伏组件的状态进行检测,无需人工实地进行观测,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
随着新能源技术的发展,太阳能已成为了广泛应用的清洁能源之一,光伏发电系统则是太阳能应用的主流方式之一。而光伏发电系统中的光伏组件需暴露在自然环境中接收太阳的辐射能,因此光伏组件的发电工作也常常受到自然界的影响。
在实际的应用场景下,各种遮挡物是影响光伏组件发电的主要因素之一,例如树叶遮挡、鸟粪遮挡以及各种不可预测的遮挡物。这些被遮挡的部分将影响光伏组件的发电效率,同时也会影响光伏发电系统的安全运行,影响系统的经济效益,造成经济损失。所以在光伏发电系统的运行过程中,通常需要对光伏组件的状态进行检测,以确定是否存在遮挡。
现有的光伏组件的状态检测方式,最普遍的就是由光伏电站的现场运维人员通过实地观测,人为对光伏组件的状态进行判断,这样需要耗费大量的人力资源和时间。其次,基于人为经验判断所得到的检测结果的准确性较差。
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,以解决现有通过人为观测对光伏组件状态进行检测的方式,需耗费大量人力资源的问题。
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;
将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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,所述实时图像为巡检无人机在按照预定巡检航线对光伏电站进行巡检的过程中,到达所述预定巡检航线上所述光伏组件对应的航拍点时,通过所述巡检无人机携带的摄像机对所述光伏组件进行实时拍摄所得到的光伏组件图像。
上述的方法,可选的,所述目标检测模型的构建过程,包括:
获取采样数据集合,所述采样数据集合包括多个异常组件的组件图像;所述采样数据集合中的各个组件图像为,采样无人机按照预定采样航线进行数据采样过程中,通过所述采样无人机携带的摄像机,对所述预定采样航线上的各个光伏组件进行拍摄所得到的光伏组件图像;
对所述采样数据集合进行数据处理,获得所述采样数据集合对应的样本数据集合,所述样本数据集合中包括多个样本图像;
将所述样本数据集合划分为训练样本集合、验证样本集合以及测试样本集合;
依据所述训练样本集合、所述验证样本集合以及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,所述对所述采样数据集合进行数据处理,包括:
基于所述采样数据集合中的各个组件图像进行数据增广,获得所述采样数据集合对应的增广数据集合;
对所述增广数据集合中的每个组件图像进行数据预处理,以完成所述采样数据集合的数据处理过程。
上述的方法,可选的,所述目标检测模型的模型结构,包括:
主干网络结构、特征金字塔网络结构以及检测头部,所述主干网络结构为密集连接的卷积神经网络结构;
所述主干网络结构、所述特征金字塔网络结构以及所述检测头部为串联关系。
上述的方法,可选的,所述特征金字塔网络结构,包括:
多个卷积结构组,每个所述卷积结构组包括至少一个卷积块、多个卷积层以及至少一个上采样层;
各个所述卷积结构组为串联关系,每个所述卷积结构组中的卷积块、卷积层以及上采样层为串联关系。
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,以使所述光伏组件的管理人员基于所述光伏组件的异常状态检测结果,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;
检测单元,用于将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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;
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,获取光伏组件对应的实时图像,将该实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;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,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,可以通过已构建的目标检测模型和光伏组件的实时图像,对光伏组件是否处于存在遮挡的状态进行检测,并可进一步确定遮挡物类型和遮挡位置。工作人员可根据检测结果进行实时监控和及时维护,无需实地观测光伏组件来判断其状态,可节省大量的人力资源和检测时间,可降低运维成本。其次,可避免人为检测所导致的检测误差,提高检测准确性。另外,目标检测模型结合目标检测算法与特征金字塔网络构建得到,可对遮挡物这类小目标进行准确识别,可进一步提高检测准确性。
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主干网络结构的网络结构示意图;
图3为本发明实施例提供的一种目标检测模型的模型结构示意图;
图4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5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6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7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,目前通常是由工作人员实地对光伏组件进行观测,判断是否存在对光伏组件造成遮挡的污染物,以实现对光伏组件的状态检测。需要耗费大量的人力资源以及检测时间,且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,可节省大量人力资源和检测时间。
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;
本发明实施例提供的方法中,可以通过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,将该实时图像通过无线传输的方式上传至云端服务器,云端服务器可基于该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。具体的拍摄方式,可以通过无人机搭载摄像机对光伏组件进行拍摄,也可以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。
当状态检测系统接收到对光伏组件进行检测的指令时,可获取光伏组件的实时图像。
S102:将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
本发明实施例提供的方法中,状态检测系统中预先配置有基于目标检测算法以及特征金字塔网络构建的目标检测模型。目标检测算法可以为YOLO算法等现有的目标检测算法。特征金字塔网络(featurepyramidnetworks,FPN)是基于特征金字塔概念设计的特征提取器,是可用于检测不同尺度对象的一种网络,本发明实施例提供的方法中,在常规目标检测算法的基础上,结合特征金字塔网络构建得到目标检测模型,使目标检测模型可对遮挡物这种小目标具有良好的检测能力。
本发明实施例提供的方法中,将光伏组件的实时图像作为目标检测模型的输入,加载至目标检测模型的输入层,由目标检测模型对该实时图像进行遮挡物目标检测的处理,当处理完成后,目标检测模型会输出检测的结果,可从目标检测模型的输出层获取输出结果。
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,可基于目标检测模型的输出结果,确定光伏组件是否处于存在遮挡的异常状态。输出结果中包含实时图像中是否检测到遮挡物目标的检测结果标识,也就是光伏组件是否存在遮挡的检测结果标识,可判断输出结果中的检测结果标识是否与预设的异常标识相同,以确定光伏组件是否处于存在遮挡的异常状态,预设的异常标识为表征存在遮挡物的标识。若输出结果中的检测结果标识与预设的异常标识不同,也就是表征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,若输出结果表征光伏组件当前处于存在遮挡的异常状态,则进一步依据输出结果确定该光伏组件对应的遮挡物类型和遮挡位置。目标检测模型在检测到实时图像中存在遮挡物的情况下,可进一步对图像中的遮挡物的类别进行识别以及对遮挡物的位置进行识别。目标检测模型的输出结果中包含对遮挡物进行识别所得到的遮挡物类型标识,以及对遮挡物进行定位所得到的异常定位数据。
本发明实施例提供的方法中,可以从输出结果中获取遮挡物类型标识和异常定位数据。在多个预设的遮挡物类型中,确定该遮挡物类型标识对应的目标遮挡物类型,将目标遮挡物类型作为光伏组件对应的遮挡物类型,预设的遮挡物类型例如树叶遮挡、鸟粪遮挡、阴影遮挡和灰尘遮挡等等。基于输出结果中包含的异常定位数据、摄像机拍摄的角度、高度和摄像参数等数据,在光伏组件确定与该异常定位数据相对应的定位位置,作为遮挡位置,即出现遮挡物的位置。
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,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,其中包含状态异常的检测结论、遮挡物类型和遮挡位置等信息,以完成光伏组件的本次状态检测过程。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,基于光伏组件的实时图像和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,并在光伏组件处于异常状态时,确定遮挡物类型和遮挡位置,生成异常状态检测结果,完成状态检测过程。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系统反馈的检测结果,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对光伏组件进行观测,以确定光伏组件的状态,可以节省大量的人力资源和检测时间,可降低运维成本。检测过程方便快捷,可提高检测效率。其次,通过目标检测模型进行检测,可避免人工经验差异导致的检测误差,提高检测结果的准确性。另外,目标检测模型结合目标检测算法与特征金字塔网络构建得到,识别精度较高,有利于对遮挡物这类小目标进行准确识别,可进一步提高检测准确性。
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S101中获取的实时图像,为巡检无人机在按照预定巡检航线对光伏电站进行巡检的过程中,到达所述预定巡检航线上所述光伏组件对应的航拍点时,通过所述巡检无人机携带的摄像机对所述光伏组件进行实时拍摄所得到的光伏组件图像。
本发明实施例提供的方法中,可以安排搭载摄像机的巡检无人机按照预定巡检航线对光伏电站中的各个光伏组件进行巡检,预定巡检航线上包括多个航拍点,各个航拍点与光伏电站中的各个光伏组件一一对应。当巡检无人机到达当前光伏组件对应的航拍点时,可通过摄像机对当前的光伏组件进行实时拍摄,得到当前光伏组件的实时图像,将该实时图像上传至云端服务器,以触发对当前光伏组件进行状态检测的过程。
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:
获取采样数据集合,所述采样数据集合包括多个异常组件的组件图像;所述采样数据集合中的各个组件图像为,采样无人机按照预定采样航线进行数据采样过程中,通过所述采样无人机携带的摄像机,对所述预定采样航线上的各个光伏组件进行拍摄所得到的光伏组件图像;
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,通过携带摄像机的采样无人机,根据预定的采样航线对光伏电站的各个光伏组件进行图像采集。图像与现场具体位置相对应,采样无人机采集到图像后,可将采集到的图像数据集通过无线传输系统上传给指定的云平台或上位机。采样无人机拍摄的组件图像包括遭到遮挡的光伏组件的组件图像,也可以包括处于正常状态下的光伏组件的组件图像。
可以获取采样无人机进行图像采集所获得的采样数据集合,即采样无人机拍摄的各个光伏组件的组件图像。
对所述采样数据集合进行数据处理,获得所述采样数据集合对应的样本数据集合,所述样本数据集合中包括多个样本图像;
本发明实施例提供的方法中,可对采样数据集合进行数据扩增等等数据处理操作,将处理后得到的各个样本图像组成样本数据集合。具体的,样本数据集合中的各个样本图像,可以包括存在树叶、鸟粪、阴影、灰尘等遮挡物的光伏组件的图像。每个样本图像的标签为遮挡物的类型名称。
将所述样本数据集合划分为训练样本集合、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,可以将样本数据集合中的各个样本图像按照预定比例进行划分,将样本数据集合划分为训练样本集合、验证样本集合和测试样本集合,每类样本集合中包含多个样本图像。各类样本集合中的样本图像不重复。例如,样本数据集合中有1000张样本图像,将样本数据集合按8:1:1比例随机划分为训练集、验证集和测试集,即训练集的图像有800张,验证集和测试集的图像分别有100张。
依据所述训练样本集合、所述验证样本集合以及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,可以基于YOLO目标检测算法结合特征金字塔网络,构建初始检测模型,本发明实施例提供的方法中,初始检测模型及目标检测模型的模型算法称为SW-YOLO目标检测算法。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样本图像训练初始检测模型的权重,通过验证样本集合中的各个样本图像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样本图像对经过验证的初始检测模型进行测试,当通过测试后,完成训练过程,将完成训练的初始检测模型作为目标检测模型。
可选的,训练过程具体可以包括:
在Paddlepaddle框架下,将目标检测算法SW-YOLO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。
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]。
输出光伏组件遮挡物的类型,准确位置并得到训练权重。
将训练后得到的目标检测算法SW-YOLO的训练权重,导入上位机系统。
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,所述对所述采样数据集合进行数据处理的过程,包括:
基于所述采样数据集合中的各个组件图像进行数据增广,获得所述采样数据集合对应的增广数据集合;
本发明实施例提供的方法中,可对采样数据集合中的每个组件图像进行分割,获得排除干扰因数的分割后的组件图像。基于各个分割后的组件图像,进行随机翻转、裁剪、缩放等操作,以进行数据增广,新增组件图像,以扩充数据集数量,将经分割的各个组件图像以及新增的各个组件图像组成增广数据集合。
对所述增广数据集合中的每个组件图像进行数据预处理,以完成所述采样数据集合的数据处理过程。
本发明实施例提供的方法中,可对增广数据集合中的每个组件图像进行平滑处理和640*640归一化处理。采用标注软件“labelme”对每个组件图像进行标注,生成“json”文件。增广数据集合中的每个组件图像完成数据处理后,将完成数据处理的每个组件图像作为样本图像,组成样本数据集合。
在图1所示方法的基础上,本发明实施例提供的方法中,所述目标检测模型的模型结构,包括:
主干网络结构、特征金字塔网络结构以及检测头部,所述主干网络结构为密集连接的卷积神经网络结构;
所述主干网络结构、所述特征金字塔网络结构以及所述检测头部为串联关系。
本发明实施例提供的方法中,目标检测模型的模型结构包括主干网络结构、特征金字塔网络结构以及检测头部,目标检测模型的主干网络结构、特征金字塔网络结构以及检测头部依次串联。
本发明实施例提供的方法中,主干网络结构为密集连接的卷积神经网络结构(Dense Convolutional Network,DenseNet),也称为密接卷积网络,其结构示意图如图2所示,包括多个包含卷积Conv和ReLU激活函数的层级,该结构建立了前面所有层与后面层的密集连接。
需要说明的是,本发明实施例提供的方法中,并未对目标检测模型的所有模型结构组成进行说明,在具体的实现过程中,目标检测模型还包含其他结构层级,例如输入层、输出层等等。
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,所述特征金字塔网络结构,包括:
多个卷积结构组,每个所述卷积结构组包括至少一个卷积块、多个卷积层以及至少一个上采样层;
各个所述卷积结构组为串联关系,每个所述卷积结构组中的卷积块、卷积层以及上采样层为串联关系。
本发明实施例提供的方法中,目标检测模型中的特征金字塔网络结构包括多个卷积结构组,各个卷积结构组依次串联。每个卷积结构组中包含至少一个卷积块、多个卷积层以及至少一个上采样层,卷积结构组中的卷积块、卷积层和上采样层依次串联。可选的,特征金字塔网络结构包括串联的三个卷积块、九层卷积层和三层上采样层,具体的,每个卷积结构组包含一个卷积块、三个卷积层和一个上采样层,按照一个卷积块、三个卷积层和一个上采样层的顺序依次串联,总共串联了三个卷积块、九层卷积层和三层上采样层。
为了更好地说明本发明实施例提供的方法中所提供目标检测模型的模型结构,在上述实施例所提供的目标检测模型的模型结构的基础上,参考图3所示示意图,本发明实施例提供的目标检测模型的模型结构中包含主干网络、特征金字塔、检测头部以及YOLO损失函数。
将输入的图像经过输入层输入,之后传送到主干网络中,该主干网络由DenseNet网络结构构成,DenseNet网络包括Dense Block(稠密块)和Transition层(过渡层),DenseBlock为结构中特有模块,同一个Dense Block中,特征层的宽、高不会发生改变,但是通道数会随着改变。Transition层是将不同Dense Block之间进行连接的模块,结合当前DenseBlock获得的特征,缩小上一个Dense Block的宽高;将Dense Block和Transition层命名为stage,经过各层stage的堆叠,使得特征不断堆叠,从而使得层与层之间的连接更加紧密。
通过FPN(特征金字塔)构建的不同尺度的图像金字塔,对每一种尺度的图像进行特征提取,能够产生多尺度的特征表示,并且所有等级的特征图都具有较强的语义信息,且能够在增加较少计算量的前提下融合低分辨率语义信息较强的特征图和高分辨率语义信息较弱但空间信息丰富的特征图。
采用不同的卷积步长得到不同的特征图,浅层特征图包含图像中的细节信息,对应小目标,深层特征图包含图像的语义信息,对应图像中的较大目标。每一种经过特征提取得到的特征图进行三次卷积,一次上采样之后送到下一层重复操作,将三层不同大小的特征图组传输到网络颈部进行特征融合。
检测头部预测网络颈部输入的特征图中的特征点是否为目标,预测目标的类别,并针对该特征点预设目标的预测框,最终得到目标的类别及目标框位置,并将其反映显示在图片中。
将YOLO损失函数作为模型的损失函数,YOLO损失函数中包括Cross Entropy Loss(交叉熵损失函数)、L1 Loss损失函数以及Objectness Loss损失函数。
需要说明的是,图3所示结构仅是为更好地说明本发明实施例提供的方法所提供的一个具体实施例,并非是对目标检测模型的具体网络结构进行限定,图3中亦未示出目标检测模型的所有具体网络结构。在具体的实现过程中,可以根据实际需求设计目标检测模型的具体层级结构。
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,以使所述光伏组件的管理人员基于所述光伏组件的异常状态检测结果,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、无线传输系统及状态检测系统实现。数据采集系统包括携带摄像头的无人机,用于拍摄光伏组件的图像。无线传输系统指的是数据采集系统采集到的光伏组件图像传输至云平台或者上位机的系统。状态检测系统指的是云平台或上位机对数据采集系统拍摄的组件图像经过SW-YOLO算法模型实时输出遮挡物位置和类型,实现实时分析监控光伏组件遮挡物的系统。
SW-YOLO算法模型的结构包含主干网络,特征金字塔,检测头部,卷积层,采样层。主干网络选用为DenseNet网络结构,且增加了一层卷积层,增加了层间的稠密性,提高了对小目标物体检测的精度。
结合图4所示示例图,本发明实施例提供的光伏组件的状态检测过程,包括:
通过携带摄像机的无人机对光伏电站中的光伏组件进行图像采集,获得光伏组件实时图像。
将采集的实时图像通过无线传输发送到云端服务器。云端服务器与上位机建立通信,将实时图像发送给上位机。上位机将收到的实时图像送入已经训练好的模型进行遮挡物的分类、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处于存在遮挡的异常状态,云端服务器通过监控分析系统向机组管理人员发送报警信号,提示安排清洗或维修。监控分析系统可进一步向运维系统发送光伏组件的异常状态检测结果,以安排工作人员或者机器人处理故障或清洗检修光伏组件,使光伏电站安全高效运维。
工作人员还可以通过移动终端向云端服务器实时查询光伏组件的工作状态,包括遮挡物类型、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5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:
通过携带摄像机的无人机,根据划定航线进行初步图像数据的采集,拍摄得到光伏组件遮挡物图像数据集,上传至云端服务器或上位机。
通过上位机对数据集进行随机翻转、裁剪、缩放等数据增广操作,扩充数据集数量。对扩充后的数据集进行数据预处理等操作,采用图像标注软件LabelImg对数据集中的图像进行标注,标记后的图像信息存储在txt文件夹中,包括类别ID,中心X、Y和BOX宽高比例标注信息和路径信息等等。
使用标注过的数据集对基于SW-YOLO算法构建的模型进行训练,通过SW-YOLO算法识别遮挡物的类别和具体位置,得到SW-YOLO算法的训练权重,即模型权重,得到训练模型。
将基于SW-YOLO算法构建的训练模型导入上位机系统,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。SW-YOLO算法相比于其他目标检测算法对小目标检测效果更好,能更好更准确的识别遮挡物的类型以及位置。可以明显增加运维效率。
在光伏电站的运营过程中,通过携带摄像头的无人机对光伏组件进行巡检,将摄像头拍摄的光伏组件图像实时上传至云服务器,采用无人机实时拍摄的光伏组件图像作为输入,在上位机采用已导入的训练模型对输入的图像进行状态检测,在存在异常状态时,可发出警报并输出遮挡物的类型、具体位置。以实现光伏组件状态的在线实时识别,可在线基于状态检测结果监测遮挡对功率的影响。
本发明实施例提供的方法,通过无人机对光伏电站进行巡检,可以快速实时获取图像数据并进行监控与分析,可快速判断是否存在故障或遮挡物,合理制定清洗策略,更加安全有效。可保障光伏电站运行的安全性,降低运维人力成本,提高巡检效率,大大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,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6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;
检测单元202,用于将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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;
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,基于光伏组件的实时图像和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,并在光伏组件处于异常状态时,确定遮挡物类型和遮挡位置,生成异常状态检测结果,完成状态检测过程。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系统反馈的检测结果,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对光伏组件进行观测,以确定光伏组件的状态,可以节省大量的人力资源和检测时间,可降低运维成本。检测过程方便快捷,可提高检测效率。其次,通过目标检测模型进行检测,可避免人工经验差异导致的检测误差,提高检测结果的准确性。另外,目标检测模型结合目标检测算法与特征金字塔网络构建得到,识别精度较高,有利于对遮挡物这类小目标进行准确识别,可进一步提高检测准确性。
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,所述实时图像为巡检无人机在按照预定巡检航线对光伏电站进行巡检的过程中,到达所述预定巡检航线上所述光伏组件对应的航拍点时,通过所述巡检无人机携带的摄像机对所述光伏组件进行实时拍摄所得到的光伏组件图像。
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:
采样单元,用于获取采样数据集合,所述采样数据集合包括多个异常组件的组件图像;所述采样数据集合中的各个组件图像为,采样无人机按照预定采样航线进行数据采样过程中,通过所述采样无人机携带的摄像机,对所述预定采样航线上的各个光伏组件进行拍摄所得到的光伏组件图像;
数据处理单元,用于对所述采样数据集合进行数据处理,获得所述采样数据集合对应的样本数据集合,所述样本数据集合中包括多个样本图像;
样本划分单元,用于将所述样本数据集合划分为训练样本集合、验证样本集合以及测试样本集合;
训练单元,用于依据所述训练样本集合、所述验证样本集合以及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,所述数据处理单元,包括:
数据增广子单元,用于基于所述采样数据集合中的各个组件图像进行数据增广,获得所述采样数据集合对应的增广数据集合;
预处理子单元,用于对所述增广数据集合中的每个组件图像进行数据预处理,以完成所述采样数据集合的数据处理过程。
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,所述目标检测模型的模型结构,包括:主干网络结构、特征金字塔网络结构以及检测头部,所述主干网络结构为密集连接的卷积神经网络结构;所述主干网络结构、所述特征金字塔网络结构以及所述检测头部为串联关系。
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,所述特征金字塔网络结构,包括:多个卷积结构组,每个所述卷积结构组包括至少一个卷积块、多个卷积层以及至少一个上采样层;
各个所述卷积结构组为串联关系,每个所述卷积结构组中的卷积块、卷积层以及上采样层为串联关系。
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,以使所述光伏组件的管理人员基于所述光伏组件的异常状态检测结果,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7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;
将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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;
将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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,所述实时图像为巡检无人机在按照预定巡检航线对光伏电站进行巡检的过程中,到达所述预定巡检航线上所述光伏组件对应的航拍点时,通过所述巡检无人机携带的摄像机对所述光伏组件进行实时拍摄所得到的光伏组件图像。
3.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:
获取采样数据集合,所述采样数据集合包括多个异常组件的组件图像;所述采样数据集合中的各个组件图像为,采样无人机按照预定采样航线进行数据采样过程中,通过所述采样无人机携带的摄像机,对所述预定采样航线上的各个光伏组件进行拍摄所得到的光伏组件图像;
对所述采样数据集合进行数据处理,获得所述采样数据集合对应的样本数据集合,所述样本数据集合中包括多个样本图像;
将所述样本数据集合划分为训练样本集合、验证样本集合以及测试样本集合;
依据所述训练样本集合、所述验证样本集合以及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。
4.根据权利要求3所述的方法,其特征在于,所述对所述采样数据集合进行数据处理,包括:
基于所述采样数据集合中的各个组件图像进行数据增广,获得所述采样数据集合对应的增广数据集合;
对所述增广数据集合中的每个组件图像进行数据预处理,以完成所述采样数据集合的数据处理过程。
5.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模型结构,包括:
主干网络结构、特征金字塔网络结构以及检测头部,所述主干网络结构为密集连接的卷积神经网络结构;
所述主干网络结构、所述特征金字塔网络结构以及所述检测头部为串联关系。
6.根据权利要求5所述的方法,其特征在于,所述特征金字塔网络结构,包括:
多个卷积结构组,每个所述卷积结构组包括至少一个卷积块、多个卷积层以及至少一个上采样层;
各个所述卷积结构组为串联关系,每个所述卷积结构组中的卷积块、卷积层以及上采样层为串联关系。
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,以使所述光伏组件的管理人员基于所述光伏组件的异常状态检测结果,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;
检测单元,用于将所述实时图像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;所述目标检测模型为基于预设的目标检测算法与特征金字塔网络所构建的模型;
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;
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 |
---|---|---|---|
CN202210309814.8A CN114648708A (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 |
---|---|---|---|
CN202210309814.8A CN114648708A (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 |
---|---|
CN114648708A true CN114648708A (zh) | 2022-06-21 |
Family
ID=81995850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210309814.8A Pending CN114648708A (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) | CN114648708A (zh) |
Cited By (3)
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 |
CN115639840A (zh) * | 2022-11-09 | 2023-01-24 | 海南斯兰低碳研究中心有限公司 | 一种基于光伏电站运维分析的无人机巡检方法 |
CN117408676A (zh) * | 2023-11-10 | 2024-01-16 | 山东沐春新能源科技有限公司 | 光伏电站的运维管理方法、装置及存储介质 |
-
2022
- 2022-03-28 CN CN202210309814.8A patent/CN114648708A/zh active Pending
Cited By (3)
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 |
CN115639840A (zh) * | 2022-11-09 | 2023-01-24 | 海南斯兰低碳研究中心有限公司 | 一种基于光伏电站运维分析的无人机巡检方法 |
CN117408676A (zh) * | 2023-11-10 | 2024-01-16 | 山东沐春新能源科技有限公司 | 光伏电站的运维管理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN111537515A (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN112906620B (zh) | 无人机辅助的绝缘子故障检测方法、装置和电子设备 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN113252701A (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN112455676A (zh) | 一种光伏板健康状态智能监测分析系统及方法 | |
CN114358242A (zh) | 一种异质结电池生产监控系统及方法 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN114155468A (zh) | 一种变压器渗漏油检测方法、装置、设备及介质 | |
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 | |
WO2020239088A1 (zh) | 一种保险理赔处理方法及装置 | |
CN117574317A (zh) | 一种基于星空地多模态数据融合的山火监测方法和装置 | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN114531700B (zh) | 一种非人工的基站天线工参采集系统及方法 | |
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 | |
CN115100592A (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
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 | |
CN111967419A (zh) | 一种坝岸险情预测方法、装置、计算机设备及存储介质 | |
CN113586360B (zh) | 风机的检测方法、检测装置、检测系统以及可读存储介质 | |
CN113763588B (zh) | 一种电力巡检系统和方法 | |
CN115937514A (zh) | 一种基于特征推理的变电设备红外图像实例分割方法 |
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 |