CN114881956A - 基于霍夫变换的电池板栅线自适应提取方法及系统 - Google Patents

基于霍夫变换的电池板栅线自适应提取方法及系统 Download PDF

Info

Publication number
CN114881956A
CN114881956A CN202210462414.0A CN202210462414A CN114881956A CN 114881956 A CN114881956 A CN 114881956A CN 202210462414 A CN202210462414 A CN 202210462414A CN 114881956 A CN114881956 A CN 114881956A
Authority
CN
China
Prior art keywords
threshold
loss
value
intersection points
calculating
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.)
Granted
Application number
CN202210462414.0A
Other languages
English (en)
Other versions
CN114881956B (zh
Inventor
高荣军
黄桥勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shoufu Lithium Battery Technology Jiangsu Co ltd
Original Assignee
Shoufu Lithium Battery Technology Jiangsu Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shoufu Lithium Battery Technology Jiangsu Co ltd filed Critical Shoufu Lithium Battery Technology Jiangsu Co ltd
Priority to CN202210462414.0A priority Critical patent/CN114881956B/zh
Publication of CN114881956A publication Critical patent/CN114881956A/zh
Application granted granted Critical
Publication of CN114881956B publication Critical patent/CN114881956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种基于霍夫变换的电池板栅线自适应提取方法及系统。获取太阳能电池板栅线边缘图像；利用霍夫变换进行直线检测得到多个交点，获取交点的累加值；设定阈值范围对交点进行多次筛选，获取每次筛选得到的交点的极坐标；根据交点不同的极坐标角度数量计算阈值的角度损失；根据交点极坐标的极径方差计算阈值的偏离值损失；根据交点的累加值计算阈值的累加损失；计算该阈值的综合损失指标，将最小值对应的阈值作为最优阈值；根据最优阈值筛选出的交点个数得到栅线数量。本发明通过自适应调整霍夫变换的阈值，从而使不同型号的太阳能电池板检测出的栅线都具有较高的准确度，同时保证了对栅线的检测效率。

Description

基于霍夫变换的电池板栅线自适应提取方法及系统
技术领域
本发明涉及人工智能领域，具体涉及一种基于霍夫变换的电池板栅线自适应提取方法及系统。
背景技术
我国最为能源需求大国，对电力的需求一直在快速增长，太阳能电池板作为获取清洁能源的重要来源一直是国家大力发展的能源项目，硅电池的发电原理，是利用了光生伏特效应，在PN结形成了电势差，建立了内建电场，但是有电压存在，并没有电流行程，需要用导线将这些电导出来，栅线就是承载电流的第一级导线，栅线将电流汇集到汇流带(焊带)上，再与接线盒相连，最终由接线盒的线缆导出。
电池板的栅线对其性能有较大影响，而不同的栅线条数对应不同的价格和性能；由于太阳能电池板的栅线数量较多，目前关于太阳能栅线检测多为人工进行，对于大批量的太阳能电池板栅线检测效率不高，难以满足快速增长的需求，同时在检测不同型号的太阳能电池板栅线时容易出现漏检，从而导致对太阳能板的性能或类型进行误判。
因此，本发明提出了一种基于霍夫变换的电池板栅线自适应提取方法及系统，利用边缘检测和自适应阈值的霍夫变换来检测栅线。
发明内容
本发明提供一种基于霍夫变换的电池板栅线自适应提取方法及系统，以解决现有的问题，包括：获取太阳能电池板栅线边缘图像；利用霍夫变换进行直线检测得到多个交点，获取交点的累加值；设定阈值范围对交点进行多次筛选，获取每次筛选得到的交点的极坐标；根据交点不同的极坐标角度数量计算阈值的角度损失；根据交点极坐标的极径方差计算阈值的偏离值损失；根据交点的累加值计算阈值的累加损失；计算该阈值的综合损失指标，将最小值对应的阈值作为最优阈值；根据最优阈值筛选出的交点个数得到栅线数量。
根据本发明提出的技术手段，通过霍夫变换对太阳能电池板进行直线检测，进一步通过阈值对霍夫变换检测得到的交点进行筛选，对不同阈值筛选后得到的交点特征进行计算，从而对设定的阈值进行自适应调整，使得能够满足对不同型号太阳能电池板的检测需求，并且保证了对太阳能电池板栅线的检测精确度，能够适用于大规模的太阳能电池板栅线检测。
本发明采用如下技术方案，一种基于霍夫变换的电池板栅线自适应提取方法，包括：
采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像。
利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点。
设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值。
根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失。
计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失。
根据每个阈值下所有交点的累加值计算该阈值的累加损失。
根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值。
根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
进一步的，一种基于霍夫变换的电池板栅线自适应提取方法，所述每个交点的累加值为：利用霍夫变换对所述栅线边缘图像进行直线检测后，霍夫空间中每个交点处正弦曲线叠加的次数。
进一步的，一种基于霍夫变换的电池板栅线自适应提取方法，计算每个阈值的角度损失的方法为：
获取每个阈值下所有交点不同的极坐标角度数量，计算所有阈值下交点不同的极坐标角度数量之和，根据每个阈值下交点不同的极坐标角度数量与所有阈值下交点不同的极坐标角度数量之和的比值，得到每个阈值的角度损失。
进一步的，一种基于霍夫变换的电池板栅线自适应提取方法，计算每个阈值偏离值损失的方法为：
获取每个阈值下各个交点极坐标的极径，计算每个阈值下所有交点极径的方差，获取理想霍夫空间中交点的标准极径方差，根据每个阈值下交点极径的方差与标准极径方差的差值得到每个阈值的偏离值；
计算每个阈值的偏离值与所有阈值的偏离值之和的比值，得到每个阈值的偏离值损失。
进一步的，一种基于霍夫变换的电池板栅线自适应提取方法，计算每个阈值累加损失的方法为：
计算每个阈值下所有交点的累加值方差，获取所有阈值的交点累加值方差之和，根据每个阈值下交点的累加值方差与所有阈值的交点累加值方差之和的比值，得到每个阈值的累加损失。
进一步的，一种基于霍夫变换的电池板栅线自适应提取方法，所述每个阈值的综合损失指标为：根据每个阈值的角度损失、偏离值损失以及累加损失之和得到每个阈值的综合损失指标。
进一步的，本发明还提出了一种基于霍夫变换的电池板栅线自适应提取系统包括：图像采集模块、交点获取模块、交点筛选模块、最优阈值确定模块以及栅线提取模块；
图像采集模块，用于采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像；
交点获取模块，用于对图像采集模块中得到的栅线边缘图像利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点；
交点筛选模块，用于设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值；
最优阈值确定模块，用于根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失；
计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失；
根据每个阈值下所有交点的累加值计算该阈值的累加损失；
根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值；
栅线提取模块，用于根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
本发明的有益效果是：根据本发明提出的技术手段，通过霍夫变换对太阳能电池板进行直线检测，进一步通过阈值对霍夫变换检测得到的交点进行筛选，对不同阈值筛选后得到的交点特征进行计算，从而对设定的阈值进行自适应调整，使得能够满足对不同型号太阳能电池板的检测需求，并且保证了对太阳能电池板栅线的检测精确度，能够适用于大规模的太阳能电池板栅线检测。
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为本发明实施例的一种基于霍夫变换的电池板栅线自适应提取方法结构示意图；
图2为本发明实施例的一种基于霍夫变换的电池板栅线自适应提取系统流程示意图。
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。
如图1所示，给出了本发明实施例的一种基于霍夫变换的电池板栅线自适应提取方法，包括：
101.采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像。
本发明所针对的情景为：相机随意角度拍摄下的太阳能电池板，栅线的表现形式不同，在不同阈值的情况下，满足该阈值的霍夫空间中的交点的组合有不同的表现，通过对交点的统计，反馈调节阈值，实现阈值的自适应变化。
相机获得图像数据后直接传入终端利用canny算子进行边缘检测，利用canny算子进行边缘检测的步骤为：
应用高斯滤波来平滑图像，目的是去除噪声，找寻图像的强度梯度，应用非最大抑制技术来消除边误检，应用双阈值的方法来决定可能的(潜在的)边界，利用滞后技术跟踪边界
102.利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点。
边缘检测得到的图像为包含栅线的图像，栅线上包含绝大多数的像素点，坐标空间转换到霍夫空间的原理为：坐标空间的一个点在霍夫空间中是一个正弦曲线。
y＝kx+b
r＝xcosθ+ysinθ
若存在多点共线，则这些点在霍夫空间中相交于一个点，表现为交点，由于边缘检测得到的栅线含有绝大部分的像素点，所以这些像素点组成最多的直线，即在霍夫空间中拥有最多的正弦曲线相交的点所确定的直线即是栅线。
太阳能电池板的栅线在相机俯视角度拍摄下有几个特点：栅线之间相互平行，栅线的长度相同且在边缘检测得到的图像中长度较长，且每条栅线之间的距离为固定值，以上特性在霍夫空间中的表现为：
平行的直线在霍夫空间中具有相同的θ值；
栅线长度相同且长度较长在霍夫空间中表现为具有较高的累加值；
每条栅线之间的距离为固定值表现为霍夫空间坐标的r表现为等差数列。
103.设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值。
所述每个交点的累加值为：利用霍夫变换对所述太阳能电池板灰度图像进行直线检测后，霍夫空间中每个交点处正弦曲线叠加的次数。
假设阈值为i，坐标空间中的一个点在霍夫空间为正弦曲线，坐标空间中共线的点在霍夫空间为正弦曲线的交点(θ,r)，累加器的作用就是每有一个点共线，就有一条正弦图像相交于该点，累加值加一。
为了确定最佳的阈值，需要对不同阈值下交点集合K的特性进行分析，设定阈值的遍历范围为i∈[x,y]。
在霍夫空间中存在许多这样的交点，多条正弦图像相交在霍夫空间中表现为不同的亮点，最终得到交点的累加值组成的集合和对应霍夫空间亮点坐标集合，阈值的作用是当集合中对应交点的累加值k≥i，判定该交点处存在直线。
其中交点的累加值组成的集合为Ki＝{k1,k2…kn}，表示在第i个阈值下筛选得到的所有交点的累加值。
对应霍夫空间亮点坐标集合为：Hi＝{(θ1,r1),(θ2,r2)…(θn,rn)}，表示在第i个阈值下筛选得到的所有交点的霍夫空间极坐标。
对应的，得到第i个阈值下每个交点霍夫空间极坐标的角度集合
Figure BDA0003620826220000061
以及极径集合
Figure BDA0003620826220000062
104.根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失。
由于栅线相互平行，所以栅线所确定的霍夫空间点的θi坐标相同，理想状态下，霍夫空间中θi的值只有一个，即集合
Figure BDA0003620826220000063
仅含有一个元素，因此根据每个阈值下交点霍夫空间极坐标的角度集合中不同的角度数量计算每个阈值的角度损失。
计算每个阈值的角度损失的方法为：
获取每个阈值下所有交点不同的极坐标角度数量，计算所有阈值下交点不同的极坐标角度数量之和，根据每个阈值下交点不同的极坐标角度数量与所有阈值下交点不同的极坐标角度数量之和的比值，得到每个阈值的角度损失。
即集合
Figure BDA0003620826220000064
中元素个数为m，在不同的阈值i下会有不同的m，对阈值范围内的i∈[x,y]的阈值i遍历，得到不同阈值下交点霍夫空间极坐标的角度集合M，引入归一化操作，对集合M归一化得到每个阈值下的损失集合。
Figure BDA0003620826220000065
105.计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失。
由于栅线之间的距离是等间距的，因此理想阈值状态下，霍夫空间中的ri坐标呈现等差数列，且每幅图像的栅线为固定值，因此理想阈值状态下，
Figure BDA0003620826220000071
集合方差为固定值；但是不同的阈值下集合
Figure BDA0003620826220000072
会出现等差排列之外的元素，此时集合的方差会发生变化，因此根据不同阈值下交点霍夫空间的极径方差值计算每个阈值的偏离值损失。
计算每个阈值偏离值损失的方法为：
获取每个阈值下各个交点的极径，计算每个阈值下所有交点极径的方差，计算每个阈值下交点极径的方差与标准方差的差值，得到每个阈值的偏离值；
计算每个阈值的偏离值与所有阈值的偏离值之和的比值，得到每个阈值的偏离值损失。
即设
Figure BDA0003620826220000073
组成的集合的方差为
Figure BDA0003620826220000074
理想状态下的方差初始值为σ，计算得到偏离值为δi。
Figure BDA0003620826220000075
得到所有阈值的偏离值集合Δ＝{δ1，δ2，…，δI}，对该集合进行归一化，得到每个阈值的偏离值损失：
Figure BDA0003620826220000076
当偏离值δi越小，当前阈值的偏离值损失越小。
106.根据每个阈值下所有交点的累加值计算该阈值的累加损失。
由于栅线的长度接近，且在边缘检测图像中栅线长度较长，因此在霍夫空间中的累加值较大,且累加值接近，所有理想状态下，集合K中的方差为最小的且接近于0，所以通过每个阈值下交点的累加值计算每个阈值的累加损失。
计算每个阈值累加损失的方法为：
计算每个阈值下所有交点的累加值方差，获取所有阈值的交点累加值方差之和，根据每个阈值下交点的累加值方差与所有阈值的交点累加值方差之和的比值，得到每个阈值的累加损失。
即设每个阈值下交点的累加值组成的集合Ki的方差为
Figure BDA0003620826220000077
得到所有阈值的累加值集合为
Figure BDA0003620826220000078
同理对该集合采取归一化操作，得到每个阈值的累加损失：
Figure BDA0003620826220000079
当
Figure BDA0003620826220000081
越小，当前阈值的累加损失越小。
107.根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值。
所述每个阈值的综合损失指标为：根据每个阈值的角度损失、偏离值损失以及累加损失之和得到每个阈值的综合损失指标。
即：
Figure BDA0003620826220000082
其中，μi表示第i个阈值的综合损失指标，
Figure BDA0003620826220000083
表示第i个阈值的角度损失，
Figure BDA0003620826220000084
表示第i个阈值的偏离值损失，
Figure BDA0003620826220000085
表示第i个阈值的累加损失。
计算得出每个阈值下的损失值，得到一个损失集合C，C＝{μ|μ＝μi，i∈[x,y]}，选取损失最小的μi所对应的阈值i作为最佳阈值，进行霍夫变换的直线检测。
108.根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
根据确定了霍夫变换中的最佳阈值i对霍夫变换后得到的交点进行筛选，得到对应交点的霍夫空间坐标，将其转换到坐标空间，进而检测出太阳能电池板中的栅线。
如图2所示，给出了本发明实施例的一种基于霍夫变换的电池板栅线自适应提取系统流程示意图，包括：图像采集模块、交点获取模块、交点筛选模块、最优阈值确定模块以及栅线提取模块；
图像采集模块，用于采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像；
交点获取模块，用于对图像采集模块中得到的栅线边缘图像利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点；
交点筛选模块，用于设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值；
最优阈值确定模块，用于根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失；
计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失；
根据每个阈值下所有交点的累加值计算该阈值的累加损失；
根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值；
栅线提取模块，用于根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
根据本发明提出的技术手段，通过霍夫变换对太阳能电池板进行直线检测，进一步通过阈值对霍夫变换检测得到的交点进行筛选，对不同阈值筛选后得到的交点特征进行计算，从而对设定的阈值进行自适应调整，使得能够满足对不同型号太阳能电池板的检测需求，并且保证了对太阳能电池板栅线的检测精确度，能够适用于大规模的太阳能电池板栅线检测。
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 (7)

1.一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，包括：
采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像；
利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点；
设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值；
根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失；
计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失；
根据每个阈值下所有交点的累加值计算该阈值的累加损失；
根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值；
根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
2.根据权利要求1所述的一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，所述每个交点的累加值为：利用霍夫变换对所述栅线边缘图像进行直线检测后，霍夫空间中每个交点处正弦曲线叠加的次数。
3.根据权利要求1所述的一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，计算每个阈值的角度损失的方法为：
获取每个阈值下所有交点不同的极坐标角度数量，计算所有阈值下交点不同的极坐标角度数量之和，根据每个阈值下交点不同的极坐标角度数量与所有阈值下交点不同的极坐标角度数量之和的比值，得到每个阈值的角度损失。
4.根据权利要求1所述的一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，计算每个阈值偏离值损失的方法为：
获取每个阈值下各个交点极坐标的极径，计算每个阈值下所有交点极径的方差，获取理想霍夫空间中交点的标准极径方差，根据每个阈值下交点极径的方差与标准极径方差的差值得到每个阈值的偏离值；
计算每个阈值的偏离值与所有阈值的偏离值之和的比值，得到每个阈值的偏离值损失。
5.根据权利要求1所述的一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，计算每个阈值累加损失的方法为：
计算每个阈值下所有交点的累加值方差，获取所有阈值的交点累加值方差之和，根据每个阈值下交点的累加值方差与所有阈值的交点累加值方差之和的比值，得到每个阈值的累加损失。
6.根据权利要求1所述的一种基于霍夫变换的电池板栅线自适应提取方法，其特征在于，所述每个阈值的综合损失指标为：根据每个阈值的角度损失、偏离值损失以及累加损失之和得到每个阈值的综合损失指标。
7.一种基于霍夫变换的电池板栅线自适应提取系统，其特征在于，包括：图像采集模块、交点获取模块、交点筛选模块、最优阈值确定模块以及栅线提取模块；
图像采集模块，用于采集太阳能电池板灰度图像并进行边缘检测，得到栅线边缘图像；
交点获取模块，用于对图像采集模块中得到的栅线边缘图像利用霍夫变换将所述栅线边缘图像转换至霍夫空间，得到霍夫空间中多个正弦曲线的交点；
交点筛选模块，用于设定阈值范围，以阈值范围中的每个阈值分别对所有交点进行筛选，获取通过每个阈值筛选得到的所有交点极坐标，获取通过每个交点的曲线个数作为该交点的累加值；
最优阈值确定模块，用于根据每个阈值下所有交点极坐标的不同角度个数计算该阈值的角度损失；
计算每个阈值下所有交点极坐标的极径方差，根据不同阈值下所有交点极坐标的极径方差计算该阈值的偏离值损失；
根据每个阈值下所有交点的累加值计算该阈值的累加损失；
根据所述角度损失、偏离值损失以及累加损失计算每个阈值的综合损失指标，将阈值范围内所述综合损失指标最小值对应的阈值作为最优阈值；
栅线提取模块，用于根据最优阈值筛选霍夫空间中的所有交点，将所有交点转化至坐标空间得到太阳能电池板的所有栅线。
CN202210462414.0A 2022-04-28 2022-04-28 基于霍夫变换的电池板栅线自适应提取方法及系统 Active CN114881956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462414.0A CN114881956B (zh) 2022-04-28 2022-04-28 基于霍夫变换的电池板栅线自适应提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462414.0A CN114881956B (zh) 2022-04-28 2022-04-28 基于霍夫变换的电池板栅线自适应提取方法及系统

Publications (2)

Publication Number Publication Date
CN114881956A true CN114881956A (zh) 2022-08-09
CN114881956B CN114881956B (zh) 2024-08-20

Family

ID=82670704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462414.0A Active CN114881956B (zh) 2022-04-28 2022-04-28 基于霍夫变换的电池板栅线自适应提取方法及系统

Country Status (1)

Country Link
CN (1) CN114881956B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082504A (zh) * 2022-08-23 2022-09-20 菏泽学院 一种太阳能光伏板光斑识别方法
CN115147425A (zh) * 2022-09-06 2022-10-04 南通市金月亮新材料科技发展有限公司 用于门窗制造的质量检测方法、系统及装置
CN115272306A (zh) * 2022-09-26 2022-11-01 太阳谷再生资源(江苏)有限公司 利用梯度运算的太阳能电池板栅线增强方法
CN115287860A (zh) * 2022-09-26 2022-11-04 江苏祥源纺织科技有限公司 基于自动熨烫设备的纺织物熨烫程度控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100067805A1 (en) * 2006-12-18 2010-03-18 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Device, method and computer program for identifying a traffic sign in an image
WO2021051939A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 一种证件区域定位的方法及装置
CN112561875A (zh) * 2020-12-14 2021-03-26 孙猛猛 一种基于人工智能的光伏电池板粗栅检测方法
CN113487563A (zh) * 2021-07-02 2021-10-08 河海大学常州校区 一种基于el图像的光伏组件隐裂自适应检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100067805A1 (en) * 2006-12-18 2010-03-18 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Device, method and computer program for identifying a traffic sign in an image
WO2021051939A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 一种证件区域定位的方法及装置
CN112561875A (zh) * 2020-12-14 2021-03-26 孙猛猛 一种基于人工智能的光伏电池板粗栅检测方法
CN113487563A (zh) * 2021-07-02 2021-10-08 河海大学常州校区 一种基于el图像的光伏组件隐裂自适应检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王伟等: "太阳能电池片的主栅线提取及缺陷检测方法研究", 西安工业大学学报, 30 April 2015 (2015-04-30) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082504A (zh) * 2022-08-23 2022-09-20 菏泽学院 一种太阳能光伏板光斑识别方法
CN115147425A (zh) * 2022-09-06 2022-10-04 南通市金月亮新材料科技发展有限公司 用于门窗制造的质量检测方法、系统及装置
CN115272306A (zh) * 2022-09-26 2022-11-01 太阳谷再生资源(江苏)有限公司 利用梯度运算的太阳能电池板栅线增强方法
CN115287860A (zh) * 2022-09-26 2022-11-04 江苏祥源纺织科技有限公司 基于自动熨烫设备的纺织物熨烫程度控制方法

Also Published As

Publication number Publication date
CN114881956B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
CN114881956A (zh) 基于霍夫变换的电池板栅线自适应提取方法及系统
CN107314819B (zh) 一种基于红外图像的光伏电站热斑检测与定位方法
CN109359697A (zh) 一种电力设备巡检中使用的图形图像识别方法及巡查系统
CN111563412A (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
CN107292882A (zh) 一种基于Meanshift自适应电气设备故障检测方法
CN112950576B (zh) 基于深度学习的输电线路缺陷智能识别方法及系统
CN108009574B (zh) 一种轨道扣件检测方法
CN114241364A (zh) 一种架空输电线路异物目标快速标定方法
CN110455827A (zh) 一种智能新能源电池板合格检测系统及方法
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
CN107818563A (zh) 一种输电线路分裂导线间距空间测量与定位方法
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN117036825A (zh) 一种太阳能电池板检测方法、介质及系统
CN112330675B (zh) 基于AOD-Net的交通道路图像大气能见度检测方法
CN113256620B (zh) 基于差值卷积神经网络的车身焊接质量信息评判方法
CN108551458A (zh) 一种分布式光伏集群网络攻击检测方法
CN110766675B (zh) 太阳能电池板缺陷检测方法
CN117331017A (zh) 一种三相四线电能表错接线研判方法及系统
CN115082504B (zh) 一种太阳能光伏板光斑识别方法
CN116434258A (zh) 一种表格数据的自动识别方法
CN116363411A (zh) 一种基于事件相机的隔离开关分合闸状态判别的方法及装置
CN113378918B (zh) 一种基于度量学习的绝缘子绑扎线状态检测方法
Hu et al. A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5
CN114359864A (zh) 基于正射影像的路面病害检测方法、系统及可存储介质
CN114638970A (zh) 一种基于机器学习及边缘检测的电力设施规范性判断系统

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
GR01 Patent grant
GR01 Patent grant