CN114743115A - 一种光伏电子设备的遮挡物识别方法及故障预警系统 - Google Patents
一种光伏电子设备的遮挡物识别方法及故障预警系统 Download PDFInfo
- Publication number
- CN114743115A CN114743115A CN202210345098.9A CN202210345098A CN114743115A CN 114743115 A CN114743115 A CN 114743115A CN 202210345098 A CN202210345098 A CN 202210345098A CN 114743115 A CN114743115 A CN 114743115A
- Authority
- CN
- China
- Prior art keywords
- region
- primitive
- pointing
- image
- pixel point
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明基于光伏系统监测技术领域,具体涉及一种光伏电子设备的遮挡物识别方法及故障预警系统,通过获取光伏电池板灰度图像,通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;根据栅线将光伏电池板灰度图像均匀分割为多个区域,获取每个区域内像素点的基元,将每个区域内的每个像素点的指向基元和该区域横向相邻区域内对应位置的像素点的基元组成基元对,根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;根据每个区域的颜色共生矩阵中基元之间的差异计算出该区域的纹理相似度;根据每个区域的多尺度下采样图像得到该区域的标准纹理相似度;根据每个区域的标准纹理相似度判断该区域的遮挡情况,方法智能而精准。
Description
技术领域
本申请涉及光伏系统监测技术领域,具体涉及一种光伏电子设备的遮挡物识别方法及故障预警系统。
背景技术
光伏电池板是一种应用在通信等多个领域的发电的电子设备。光伏电池板是通过吸收太阳光,将太阳辐射能通过光电效应或者光化学效应直接或间接转换成电能的装置。许多大型光伏发电站设备,通常安装在地域开阔、阳光充足的地带,通过大面积的光伏电池板来将太阳能转化为电能。
光伏电池板在长期使用中难免会落上灰尘、树叶、鸟粪等遮挡物,而这些遮挡物会对电站发电量造成一定的影响,当光伏电池板组件中的一片或一组电池存在遮挡物时,该电池片的发电量受影响,电流会低于其周围正常发电的电池。当组件的工作电流超过了该电池的短路电流时,被遮挡的电池就会从发电变为耗能,导致组件局部温度升高,产生热斑,严重破坏光伏电池板,影响通信等。
为了减少遮挡物对光伏电池板造成的影响,就需要在实际使用过程中,对光伏电池板进行检测,判断其表面是否存在遮挡,以便及时对存在遮挡情况的光伏电池进行清理和维护。目前,常见检测识别遮挡物的方式为人工巡检或者将各类传感器作为检测装置,但是人工巡检效率低下,漏检率高,传感器检测成本较高且受环境影响较大,准确率难以保证。因此,本实施例提出一种光伏电子设备的遮挡物识别方法及故障预警系统,可以对光伏电子设备是否存在遮挡情况进行识别检测,方法精准而高效。
发明内容
本发明提供一种光伏电子设备的遮挡物识别方法及故障预警系统,解决光伏电池板驾检测存在的低效率和准确度不高的问题,采用如下技术方案:
获取光伏电池板灰度图像;
通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;
根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;
将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;
根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
根据每个区域的标准纹理相似度对该区域是否遮挡进行判断。
所述将光伏电池板灰度图像均匀分割为多个区域的方法为:
计算平行的相邻栅线之间的距离,若相邻栅线之间的距离均相等,则根据栅线个数将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n;
若所有相邻栅线之间的距离并非都相等,则将相邻栅线距离小的为主栅线,根据所有主栅线将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n。
所述每个像素点的指向基元的获取方法为:
(x,y)为光伏电池板灰度图像中第x行第y列的像素点,以(x,y)为开始像素点,记为P1;
分别计算像素点(x+1,y)、(x,y+1)、(x+1,y+1)与像素点(x,y)的灰度差异;
获取其中与像素点(x,y)灰度差异最小的像素点,记为P2,再计算剩余两个像素点与P2的灰度差异,获取其中与P2灰度差异最小的像素点,记为P3,剩余一个像素点记为P4;
将P1到P4的指向顺序称为该像素点的指向基元。
所述基元对的获取方法为:
对每个区域内的每个像素点的指向基元按照指向顺序进行排序编号,每种指向顺序对应一个序号;
将每个区域内的每个像素点的指向基元的序号u与其横向距离为n的像素点的指向基元的序号v组成基元对(u,v),即每个像素点的指向基元u与其相邻区域内对应位置的像素点的指向基元v组成基元对(u,v);
若该区域为横向最后一个区域,该区域内的每个像素点的指向基元与横向第一个区域中对应位置像素点的指向基元组成基元对。
所述每个区域的纹理相似度的计算方法为:
式中,si为第i个区域的纹理相似度,u为第i个区域像素点的指向基元的序号,v为第i个区域的相邻区域中像素点的指向基元的序号,(u,v)为基元对,d(u,v)为基元u与基元v之间的差异,pi(uv)为第i个区域中基元对(u,v)出现的概率。
所述基元之间的差异的计算方法为:
d(u,v)=f(u,v)×α+g(u,v)×β
式中,f(u,v)为指向基元u和指向基元v中存在不同指向的个数,α为指向差异参数,g(u,v)为指向基元u与指向基元v不重合的像素点个数,β为像素点差异参数。
所述每个区域的多尺度下采样图像的获取方法为:
对光伏电池板灰度图像进行高斯滤波并进行下采样,得到新的灰度图像A2,对A2进行高斯滤波并进行下采样,得到图像A3;
将图像A2、A3按照所述均匀分割方法分割为多个区域,得到每个区域的多尺度下采样图像。
所述对每个区域是否遮挡进行判断的方法为:
若该区域的纹理相似度大于阈值,则该区域无遮挡;
若该区域的纹理相似度小于等于阈值,并且该区域前一个区域的纹理相似度小于等于阈值,则该区域存在遮挡。
本技术方案还提供一种光伏电子设备的故障预警系统,其特征在于,包括图像采集模块、数据预处理模块、遮挡检测模块以及报警模块:
所述图像采集模块,通过无人机拍摄光伏电池板的图像,将图像传输至数据预处理模块;
所述数据预处理模块:
识别图像中光伏电池板区域,并将图像转换为灰度图,通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;
根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;
将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;
根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
将每个区域的标准纹理相似度传输至遮挡检测模块;
所述遮挡检测模块根据每个区域的纹理相似度对图像中的区域是否遮挡进行识别,将识别出存在遮挡的区域传输至报警模块;
所述报警模块产生报警信息至集中监控系统并发送至维护人员的客户端,提醒维护人员及时对存在遮挡的电池片上的遮挡物进行清理。
本发明的有益效果是:
提供检测识别光伏电子设备表面遮挡物和故障预警系统,通过获取光伏电池板灰度图像,进行边缘检测和霍夫直线检测得到栅线,根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域,根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点的指向基元计算每个区域内任意两个像素点的基元组成的基元对在该区域内所有基元对中出现的概率并构建每个区域的颜色共生矩阵,根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度根据相似度判断该区域的遮挡情况,使用图像识别和分析对电子设备表面进行智能检测,方法高效且准确度高。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种光伏电子设备的遮挡物识别方法的流程示意图;
图2是本发明的一种光伏电子设备的遮挡物识别方法的像素点基元示意图;
图3是本发明的一种光伏电子设备的故障预警系统的结构框图。
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。
本发明的一种光伏电子设备的遮挡物识别方法的实施例,如图1所示,包括:
步骤一:获取光伏电池板灰度图像;
该步骤的目的是,拍摄光伏电池板的图像,并进行语义分割处理识别图像中的信息,得到图像信息数据作为后续分析的基础。
由于光伏电池板在安装在地域开阔、阳光充足的地带,本实施例通过无人机拍摄光伏电池板的图像。
其中,获取光伏电池板灰度图像的方法为:
(1)通过无人机拍摄光伏电池板的图像;
(2)采用DNN语义分割的方式来识别分割图像中的目标:DNN网络使用的数据集为无人机拍摄的光伏电池板图像数据集;需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于光伏电池板的标注为1;网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
(3)获得图像中光伏电池板连通域信息,为便于分析,将光伏电池板连通域图像转换为灰度图,得到光伏电池板的灰度图像。
步骤二:通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
该步骤的目的是对光伏电池板进行区域分割,因为光伏电池板表面存在相互垂直的栅线,包含主栅线与细栅线,可通过主栅线将光伏电池板分割成大小相等的区域。
其中,将光伏电池板灰度图像均匀分割为多个区域的方法为:
(1)利用Canny算子对光伏电池板进行边缘检测;
(2)对检测到的边缘在0°、90°方向上进行霍夫变换直线检测,则检测到的直线即为光伏电池板的栅线。
(3)计算平行的相邻栅线之间的距离:
若相邻栅线之间的距离均相等,则根据栅线个数将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n;
若所有相邻栅线之间的距离并非都相等,大部分相邻栅线之间的距离较大,为v1,少部分相邻栅线之间的距离较小,为v2。则到两侧相邻栅线距离都为v2的栅线为主栅线。
根据所有主栅线将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n。
通过本步骤完成了光伏电池板灰度图像的区域分割。
步骤三:根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
该步骤的目的是通过比较每个区域中的像素点及其相邻像素点的灰度差异构建颜色共生矩阵,来反映每个像素点的局部特征得到每个区域的纹理相似度。
需要说明的是,步骤二根据栅线将光伏电池板图像分割成了大小相等的不同的区域。忽略光照影响,若各区域上不存在遮挡,则各区域特征一致。但由于光照复杂,各区域的亮度不一致,因此无法直接比较各区域的差异来获取遮挡,则本实施例将结合颜色共生矩阵的思想比较各区域像素点的局部特征来获取各区域之间的纹理相似度。
其中,每个像素点的指向基元的获取方法为:
(x,y)为光伏电池板灰度图像中第x行第y列的像素点,以(x,y)为开始像素点,记为P1;
分别计算像素点(x+1,y)、(x,y+1)、(x+1,y+1)与像素点(x,y)的灰度差异;获取其中与像素点(x,y)灰度差异最小的像素点,记为P2,再计算剩余两个像素点与P2的灰度差异,获取其中与P2灰度差异最小的像素点,记为P3,剩余一个像素点记为P4;将P1到P4的指向顺序称为该像素点的指向基元。
需要说明的是,基元对的获取方法为:
(1)对每个区域内的每个像素点的指向基元按照指向顺序进行排序编号,每种指向顺序对应一个序号;
如图2所示,有共有7种不同的指向基元,若(x+1,y)、(x,y+1)、(x+1,y+1)与像素点(x,y)的灰度差异均一致,则无指向关系,此时也看作一种基元,如图2中序号为0的基元,基元可以一定程度上反应图像局部范围内像素点灰度的变化关系。
(2)将每个区域内的每个像素点的指向基元的序号u与其横向距离为n的像素点的指向基元的序号v组成基元对(u,v),即每个像素点的指向基元u与其相邻区域内对应位置的像素点的指向基元v组成基元对(u,v);
(3)若该区域为横向最后一个区域,该区域内的每个像素点的指向基元与横向第一个区域中对应位置像素点的指向基元组成基元对。
其中,每个区域的颜色共生矩阵的获取方法为:
(1)获取该区域中像素点(x,y),其指向基元序号为u;
(2)获取(x,y)所在区域的横向相邻区域中对应位置的像素点,即获取与像素点(x,y)横向距离为n的像素点(x+n,y)的指向基元序号v,则将(u,v)作为基元对;
需要说明的是,因为区域的大小为m×n,则(x+n,y)为像素点(x,y)在横向相邻区域中对应位置的像素点;
(3)统计每个基元对(u,v)在该区域的像素点和横向相邻区域内对应像素点组成的所有基元对中出现的频率作为该基元对在该区域出现的概率;
(4)同理获取7×7=49种基元对在该区域出现的概率,形成7×7的矩阵,将其作为该区域的颜色共生矩阵。
步骤四:根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
该步骤的目的是根据基元对的概率和差异计算出每个区域的纹理相似度。
需要说明的是:
(1)步骤三获取了每个区域的颜色共生矩阵,矩阵中的每一个元素为基元对出现的概率。
(2)基元对是根据第i个区域内的像素点与横向距离该像素点为n的像素点的基元确定,每个区域均为m×n大小;
(3)横向距离第i个区域内像素点为n的像素点实际为第i个区域相邻的区域内的像素点。
(4)忽略光照影响,若各区域上不存在遮挡,则各区域特征一致。但在光照的影响下,各区域亮度可能不一致。可以认为局部光照一致,基元为在局部光照下像素点与相邻像素点的关系。第i个区域内的像素点与横向距离该像素点为n的像素点的光照不一致,但在局部光照下,像素点与相邻像素点的关系不变。
其中,每个区域的纹理相似度的计算方法为:
式中,si为第i个区域的纹理相似度,u、v为基元序号,(u,v)为基元对,d(u,v)为基元u与基元v之间的差异,pi(uv)为第i个区域中基元对(u,v)出现的概率。
其中,基元之间的差异的计算方法为:
d(u,v)=f(u,v)×α+g(u,v)×β
式中,f(u,v)为指向基元u和指向基元v中存在不同指向的个数,如图2中指向基元1与指向基元2中箭头指向不同的个数为3,则f(1,2)=3,α为指向差异参数,本实施例中α=0.5,g(u,v)为指向基元u与指向基元v不重合的像素点个数,如图2中指向基元1的像素点顺序为(x,y),(x+1,y),(x,y+1),(x+1,y+1),指向基元2的像素点顺序为(x,y),(x,y+1),(x+1,y),(x+1,y+1),指向基元1与这下ing基元2不重合的个数为2,则g(u,v)=2;β为像素点差异参数,本实施例中β=0.3。
步骤五:获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
该步骤的目的是,对步骤四获取的原始光伏电池板图像各区域的纹理相似度,进一步分析排除干扰因素,得到准确的纹理相似度。
需要说明的是,由于噪声影响,可以导致部分像素点的基元发生变化,导致纹理相似度变小,故需本步骤进行精确处理。
其中,获取每个区域的多尺度下采样图像的方法为:
结合图像金子塔的思想,对光伏电池板灰度图像进行高斯滤波并下采样,得到新的灰度图像,记为图像A2;对A2进行高斯滤波并下采样,得到图像A3。
对图像A2、A3按照步骤二中的均匀分割方法获取各区域的多尺度下采样图像。
进一步的,计算出同一个区域的三个不同尺度下的纹理相似度,计算三个不同尺度下的纹理像素度均值,得到结果即为该区域标准的纹理相似度,则得到所有区域的标准的纹理相似度为S1,S2,…,SN。
本步骤的优点是,通过该方法可以保留图像明显的特征,去除噪声点,得到准确的纹理相似度。
步骤六:根据每个区域的标准纹理相似度判断该区域的遮挡情况。
该步骤的目的是,获取光伏电池板遮挡区域,控制系统对遮挡电池片进行处理。
其中,判断每个区域的遮挡情况的方法为:
(1)若第i个区域的纹理相似度Si>γ,则该区域无遮挡;
(2)若第i个区域的纹理相似度Si≤γ,同时Si-1≤γ,则第i区域存在遮挡;γ由人工设置,经验值为0.35。
当检测到某区域存在遮挡时,获取遮挡区域所在电池片,控制系统进行报警,提示工作人员及时对该光伏电池片上遮挡物进行清理,避免因为长时间遮挡导致产生热斑缺陷破坏光伏发电电子设备。
本技术方案还提供了另一种光伏电子设备的故障预警系统的实施例,如图3所示,包括图像采集模块S101、数据预处理模块S102、遮挡检测模块S103以及报警模块S104,该系统实施例执行步骤如下:
1.图像采集模块S101,通过无人机拍摄光伏电池板的图像,将图像传输至数据预处理模块S102;
2.数据预处理模块S102对图像数据进行如下处理:
(1)识别图像中光伏电池板区域,并将图像转换为灰度图;
(2)通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;
(3)根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
(4)根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;
(5)将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;
(6)根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
(7)根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
(8)获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
(9)将每个区域的标准纹理相似度传输至遮挡检测模块S103;
3.遮挡检测模块S103根据每个区域的纹理相似度对图像中的区域是否遮挡进行识别,将识别出存在遮挡的区域信息传输至报警模块S104;
4.报警模块S104产生报警信息至集中监控系统并发送至维护人员的客户端,提醒维护人员及时对遮挡电池片上的遮挡物进行清理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光伏电子设备的遮挡物识别方法,其特征在于,包括:
获取光伏电池板灰度图像;
通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;
根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;
将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;
根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
根据每个区域的标准纹理相似度对该区域是否遮挡进行判断。
2.根据权利要求1所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述将光伏电池板灰度图像均匀分割为多个区域的方法为:
计算平行的相邻栅线之间的距离,若相邻栅线之间的距离均相等,则根据栅线个数将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n;
若所有相邻栅线之间的距离并非都相等,则将相邻栅线距离小的为主栅线,根据所有主栅线将光伏电池板图像分割成大小相等的区域,区域个数记为N,区域大小记为m×n。
3.根据权利要求1所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述每个像素点的指向基元的获取方法为:
(x,y)为光伏电池板灰度图像中第x行第y列的像素点,以(x,y)为开始像素点,记为P1;
分别计算像素点(x+1,y)、(x,y+1)、(x+1,y+1)与像素点(x,y)的灰度差异;
获取其中与像素点(x,y)灰度差异最小的像素点,记为P2,再计算剩余两个像素点与P2的灰度差异,获取其中与P2灰度差异最小的像素点,记为P3,剩余一个像素点记为P4;
将P1到P4的指向顺序称为该像素点的指向基元。
4.根据权利要求1所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述基元对的获取方法为:
对每个区域内的每个像素点的指向基元按照指向顺序进行排序编号,每种指向顺序对应一个序号;
将每个区域内的每个像素点的指向基元的序号u与其横向距离为n的像素点的指向基元的序号v组成基元对(u,v),即每个像素点的指向基元u与其相邻区域内对应位置的像素点的指向基元v组成基元对(u,v);
若该区域为横向最后一个区域,该区域内的每个像素点的指向基元与横向第一个区域中对应位置像素点的指向基元组成基元对。
6.根据权利要求5所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述基元之间的差异的计算方法为:
d(u,v)=f(u,v)×α+g(u,v)×β
式中,f(u,v)为指向基元u和指向基元v中存在不同指向的个数,α为指向差异参数,g(u,v)为指向基元u与指向基元v不重合的像素点个数,β为像素点差异参数。
7.根据权利要求1所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述每个区域的多尺度下采样图像的获取方法为:
对光伏电池板灰度图像进行高斯滤波并进行下采样,得到新的灰度图像A2,对A2进行高斯滤波并进行下采样,得到图像A3;
将图像A2、A3按照所述均匀分割方法分割为多个区域,得到每个区域的多尺度下采样图像。
8.根据权利要求1所述的一种光伏电子设备的遮挡物识别方法,其特征在于,所述对每个区域是否遮挡进行判断的方法为:
若该区域的纹理相似度大于阈值,则该区域无遮挡;
若该区域的纹理相似度小于等于阈值,并且该区域前一个区域的纹理相似度小于等于阈值,则该区域存在遮挡。
9.一种光伏电子设备的故障预警系统,其特征在于,包括图像采集模块、数据预处理模块、遮挡检测模块以及报警模块:
所述图像采集模块,通过无人机拍摄光伏电池板的图像,将图像传输至数据预处理模块;
所述数据预处理模块:
识别图像中光伏电池板区域,并将图像转换为灰度图,通过边缘检测和直线检测得到光伏电池板灰度图像中的栅线;
根据平行的相邻栅线之间的距离将光伏电池板灰度图像均匀分割为多个区域;
根据每个区域内像素点与其邻域像素点的灰度差异得到每个像素点与邻域像素点差异变化顺序的指向基元;
将每个区域内的每个像素点的指向基元和该区域的相邻区域内对应位置的像素点的指向基元组成基元对;
根据每个基元对在所有基元对中出现的概率构建每个区域的颜色共生矩阵;
根据每个区域的颜色共生矩阵中每个基元对在该区域中出现的概率和每个基元对包含的两个指向基元之间的指向差异与像素点差异计算出该区域的纹理相似度;
获取每个区域的多尺度下采样图像并计算出该区域的多尺度下采样图像的纹理相似度,将多尺度下采样图像的纹理相似度均值作为该区域的标准纹理相似度;
将每个区域的标准纹理相似度传输至遮挡检测模块;
所述遮挡检测模块根据每个区域的纹理相似度对图像中的区域是否遮挡进行识别,将识别出存在遮挡的区域传输至报警模块;
所述报警模块产生报警信息至集中监控系统并发送至维护人员的客户端,提醒维护人员及时对存在遮挡的电池片上的遮挡物进行清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345098.9A CN114743115A (zh) | 2022-03-31 | 2022-03-31 | 一种光伏电子设备的遮挡物识别方法及故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345098.9A CN114743115A (zh) | 2022-03-31 | 2022-03-31 | 一种光伏电子设备的遮挡物识别方法及故障预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114743115A true CN114743115A (zh) | 2022-07-12 |
Family
ID=82278286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210345098.9A Withdrawn CN114743115A (zh) | 2022-03-31 | 2022-03-31 | 一种光伏电子设备的遮挡物识别方法及故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743115A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115311295A (zh) * | 2022-10-12 | 2022-11-08 | 罗博特科智能科技南通有限公司 | 基于傅里叶变换的光伏电池板缺陷检测方法 |
CN115954291A (zh) * | 2023-03-04 | 2023-04-11 | 天合光能(宿迁)光电有限公司 | 一种TOPCon结构光伏电池板的裂纹监测系统 |
CN116309577A (zh) * | 2023-05-19 | 2023-06-23 | 山东晨光胶带有限公司 | 一种高强传送带物料智能检测方法及系统 |
CN117456519A (zh) * | 2023-12-22 | 2024-01-26 | 江西科益高新技术有限公司 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
-
2022
- 2022-03-31 CN CN202210345098.9A patent/CN114743115A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115115643B (zh) * | 2022-08-30 | 2022-11-15 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115311295A (zh) * | 2022-10-12 | 2022-11-08 | 罗博特科智能科技南通有限公司 | 基于傅里叶变换的光伏电池板缺陷检测方法 |
CN115954291A (zh) * | 2023-03-04 | 2023-04-11 | 天合光能(宿迁)光电有限公司 | 一种TOPCon结构光伏电池板的裂纹监测系统 |
CN115954291B (zh) * | 2023-03-04 | 2023-11-14 | 天合光能(宿迁)光电有限公司 | 一种TOPCon结构光伏电池板的裂纹监测系统 |
CN116309577A (zh) * | 2023-05-19 | 2023-06-23 | 山东晨光胶带有限公司 | 一种高强传送带物料智能检测方法及系统 |
CN116309577B (zh) * | 2023-05-19 | 2023-08-04 | 山东晨光胶带有限公司 | 一种高强传送带物料智能检测方法及系统 |
CN117456519A (zh) * | 2023-12-22 | 2024-01-26 | 江西科益高新技术有限公司 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
CN117456519B (zh) * | 2023-12-22 | 2024-03-12 | 江西科益高新技术有限公司 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114743115A (zh) | 一种光伏电子设备的遮挡物识别方法及故障预警系统 | |
Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
CN107742171B (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
Li et al. | Intelligent fault pattern recognition of aerial photovoltaic module images based on deep learning technique | |
CN108121996A (zh) | 一种基于机器视觉的电力屏柜硬压板状态识别方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
Haidari et al. | Deep learning-based model for fault classification in solar modules using infrared images | |
CN115115634B (zh) | 基于红外图像的光伏阵列热斑检测方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
Golovko et al. | Development of solar panels detector | |
CN116690613B (zh) | 一种光伏智能清扫机器人的控制方法及系统 | |
CN111740699A (zh) | 一种光伏板故障检测识别方法、装置和无人机 | |
Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
Patel et al. | Defect detection in PV arrays using image processing | |
CN112446863A (zh) | 基于图像处理的光伏阵列热斑检测方法和检测系统 | |
CN112179693A (zh) | 一种基于人工智能的光伏跟踪支架故障检测方法和装置 | |
Sohail et al. | Fault detection and computation of power in PV cells under faulty conditions using deep-learning | |
Guerriero et al. | Automatic edge identification for accurate analysis of thermographic images of solar panels | |
CN110188624A (zh) | 一种基于深度学习的变电站风漂物识别方法及系统 | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理系统 | |
CN112053322A (zh) | 光伏电池板表面遮挡的分割与检测方法 | |
Wei et al. | Stain detection method of solar panel based on spot elimination | |
CN116307220A (zh) | 一种屋顶光伏功率的预测方法、装置及电子设备 | |
Li et al. | Insulator infrared image segmentation algorithm based on dynamic mask and box annotation | |
CN113160236B (zh) | 一种光伏电池阴影遮挡的图像识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220712 |
|
WW01 | Invention patent application withdrawn after publication |