CN114998371A - 光伏组件脱落的判断方法，装置，存储介质及电子设备 - Google Patents

光伏组件脱落的判断方法，装置，存储介质及电子设备 Download PDF

Info

Publication number
CN114998371A
CN114998371A CN202210669629.XA CN202210669629A CN114998371A CN 114998371 A CN114998371 A CN 114998371A CN 202210669629 A CN202210669629 A CN 202210669629A CN 114998371 A CN114998371 A CN 114998371A
Authority
CN
China
Prior art keywords
target
photovoltaic module
area
elevation
sub
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
Application number
CN202210669629.XA
Other languages
English (en)
Inventor
唐红强
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.)
Sungrow Power Supply Co Ltd
Original Assignee
Sungrow Power Supply 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 Sungrow Power Supply Co Ltd filed Critical Sungrow Power Supply Co Ltd
Priority to CN202210669629.XA priority Critical patent/CN114998371A/zh
Publication of CN114998371A publication Critical patent/CN114998371A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06T2207/30181—Earth observation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请公开了一种光伏组件脱落的判断方法，装置，存储介质及电子设备。其中，该方法包括：获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；从历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息；根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息；根据目标高程信息确定各个光伏组件是否存在脱落现象。本申请解决了相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。

Description

光伏组件脱落的判断方法，装置，存储介质及电子设备
技术领域
本申请涉及光伏应用领域，具体而言，涉及一种光伏组件脱落的判断方法，装置，存储介质及电子设备。
背景技术
国内光伏电站一般建设在大型山坡、戈壁、平原、沼泽、水域、厂房顶部、居民屋顶等，不同的光伏电站规模、形式、分布等均具有较大的差别，导致在后期的运维巡检过程中存在很多不便。特别是光伏发电项目规模越大，电站巡检工作的复杂性越强，在对此种类型电站项目进行巡检工作时，一方面常规的人工巡检方式不仅需要耗费大量的人工及时间成本，导致电站设备巡检不及时，影响电厂的经济效益；另一方面巡检人员工作也存在一定的危险性。
目前可以通过无人机携带的摄像装置对光伏组件进行巡检，基于图像分析检测的方法，利用机器学习等相关算法实现故障组件的检测任务，组件故障一般包括热斑、杂草遮挡、组件脱落等。但通过机器学习等算法对光伏组件的故障进行识别，需要获取大量的样本数据进行模型训练，数据处理过程较为复杂，耗时较长，且往往由于样本数据量较小存在识别结果与实际情况偏差较大，识别结果准确性较差的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种光伏组件脱落的判断方法，装置，存储介质及电子设备，以至少解决相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。
根据本申请实施例的一个方面，提供了一种光伏组件脱落的判断方法，包括：获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息；根据目标高程信息确定各个光伏组件是否存在脱落现象。
可选地，根据目标高程信息确定各个光伏组件是否存在脱落现象，包括：根据目标高程信息确定各个子区域的高程平均值；比较高程平均值与各个子区域对应的第一预设阈值的大小，得到第一比较结果，根据第一比较结果确定各个光伏组件是否存在脱落现象。
可选地，根据第一比较结果确定各个光伏组件是否存在脱落现象，包括：在第一比较结果指示高程平均值小于第一预设阈值的情况下，确定高程平均值小于第一预设阈值的子区域为目标子区域；确定目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。
可选地，根据目标高程信息确定各个光伏组件是否存在脱落现象，包括：根据目标高程信息确定各个子区域对应的第一高程值，以及第二高程值，其中，第一高程值为子区域内最高点位置处的高程值，第二高程值为子区域内最低点位置处的高程值；确定第一高程值与第二高程值的差值；比较差值与第二预设阈值的大小，得到第二比较结果，根据第二比较结果确定各个光伏组件是否存在脱落现象。
可选地，根据第二比较结果确定各个光伏组件是否存在脱落现象，包括：在第二比较结果指示差值大于第二预设阈值的情况下，确定差值大于第二预设阈值的子区域为目标子区域；确定目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。
可选地，基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，包括：获取预定区域对应的第二地面高程模型与电子地图，其中，第二地面高程模型用于指示历史时段内预定区域内地表上各个物体的高程信息，电子地图用于指示预定区域的地图信息；根据第二地面高程模型得到预定区域内光伏组件所在的目标区域对应的第二位置信息；根据电子地图得到预定区域对应的地图图像；根据第二位置信息从地图图像中得到目标区域对应的目标图像，根据目标图像确定第一位置信息。
可选地，根据目标图像确定第一位置信息，包括：将目标图像转换为灰度图像，调用边缘检测算法得到灰度图像对应的边缘图像，其中，边缘图像至少包括：边缘线；调用霍夫变换算法搜索边缘图像中的所有直线；根据直线之间的间距得到各个光伏组件对应的四条网格边界线；根据四条网格边界线得到各个子区域；确定四条网格边界线的交点坐标为第一位置信息。
根据本申请实施例还提供了一种光伏组件脱落的判断装置，包括：第一获取模块，用于获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；第二获取模块，用于基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；提取模块，用于根据第一位置信息从第一地面高程模型提取各个子区域对应的目标高程信息；确定模块，用于根据目标高程信息确定各个光伏组件是否存在脱落现象。
根据本申请实施例还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任意一种光伏组件脱落的判断方法。
根据本申请实施例还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现任意一种光伏组件脱落的判断方法。
在本申请实施例中，采用基于光伏组件的高程信息确定各光伏组件是否发生脱落的方式，通过获取目标时段内目标区域的第一地面高程模型，然后再获取历史时段内目标区域内的第二地面高程模型，从第二地面高程模型中获取各个光伏组件对应的各个子区域的第一位置信息，并根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息，达到了基于目标高程信息确定光伏组件是否发生脱落的目的，从而实现了快速准确识别脱落组件的技术效果，进而解决了相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的光伏组件脱落的判断方法的流程示意图；
图2是本申请一种可选的光伏组件脱落的判断方法的流程示意图；
图3是本申请一示例性实施例中电站全景电子地图A的示意图；
图4是本申请一示例性实施例中地面高程模型DSM-A的示意图；
图5是本申请一示例性实施例中通过高程阈值分割得到光伏组件所在预定区域的示意图；
图6是本申请一示例性实施中通过连通域筛选后得到光伏组件所在目标区域的示意图；
图7是本申请一示例性实施例中从电站全景电子地图A上裁剪出该组件区域可见光图片；
图8是本申请一示例性实施例中的组件区域可见光图片分割效果示意图；
图9是本申请一示例性实施例中电站运维期间的地面高程模型的示意图；
图10的左半部分为电站全景电子地图A中组件可见光图片，右半部分为地面高程模型DSM-B中组件目标高程信息；
图11是本申请一示例性实施例中组件脱落的示意图；
图12是根据本申请实施例的一种光伏组件脱落的判断装置的结构示意图；
图13示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于本领域技术人员更好的理解，本申请相关实施例，现对本申请可能涉及的技术术语或者部分名词进行解释：
数字地表模型(Digital Surface Model，缩写DSM)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。
连通区域(Connected Component)是指图像中相邻并有相同像素值的图像区域。连通区域分析(Connected Component Analysis,Connected Component Labeling)是指将图像中的各个连通区域找出并标记。
灰度图像：在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。
高程是指某一点相对于基准面的高度，目前常用的高程系统共有正高、正常高、力高和大地高程4种，而高程基准各国均有不同定义。
光伏组件，单体太阳电池不能直接做电源使用。作电源必须将若干单体电池串、并联连接和严密封装成组件。太阳能电池组件(也叫太阳能电池板)是太阳能发电系统中的核心部分，也是太阳能发电系统中最重要的部分。其作用是将太阳能转化为电能，或送往蓄电池中存储起来，或推动负载工作。
Canny边缘检测算子是一种多级检测算法。1986年由John F.Canny提出，同时提出了边缘检测的三大准则：1.低错误率的边缘检测：检测算法应该精确地找到图像中的尽可能多的边缘，尽可能的减少漏检和误检。2.最优定位：检测的边缘点应该精确地定位于边缘的中心。3.图像中的任意边缘应该只被标记一次，同时图像噪声不应产生伪边缘。为了满足这些要求，Canny使用了变分法。Canny检测器中的最优函数使用四个指数项的和来描述，它可以由高斯函数的一阶导数来近似。在目前常用的边缘检测方法中，Canny边缘检测算法是具有严格定义的，可以提供良好可靠检测的方法之一。由于它具有满足边缘检测的三个标准和实现过程简单的优势，成为边缘检测最流行的算法之一。
根据本申请实施例，提供了一种光伏组件脱落的判断方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的光伏组件脱落的判断方法，如图1所示，该方法包括如下步骤：
S102，获取目标时段内目标区域对应的第一地面高程模型，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；
在本申请步骤S102的技术方案中，通过获取目标时段内目标区域对应的第一地面高程模型，可实时确定目标时段内各个光伏组件的高程信息。
可选地，上述目标时段可以为电站运维期间，通过获取电站运维期间的地面高程模型，便可确定电站运维期间各个光伏组件的高程信息。
S104，基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，历史时段内目标区域中的各个光伏组件均未发生脱落现象；
通过本申请步骤S104的技术方案，可获取历史时段内上述目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，可以理解的，历史时段的结束时刻早于目标时段的起点时刻。
可选地，上述历史时段内目标区域对应的第二地面高程模型可以为电站建设完成时的地面高程模型。可以理解的，通过步骤S102至步骤S104可以获取两个不同阶段，即电站建设完成阶段以及电站运维期间任意时刻的地面高程模型。
S106，根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息；
通过本申请步骤S106的技术方案，可基于历史时段对应的第二地面高程模型确定的第一位置信息，从目标时段内对应的第一地面高程模型中提取到各个子区域的目标高程信息。
可以理解的是，在电站建设完成后由于人为或者自然因素，电站中光伏组件的位置、形状等可能会发生变化，因此，通过将两个阶段的地面高程模型结合起来，可以便于快速确定位置、形状等发生变化的光伏组件。
S108，根据目标高程信息确定各个光伏组件是否存在脱落现象。
需要说明的是，如果某一光伏组件中的部分组件发生了脱落，则该光伏组件的高程信息和原本未发生脱落时的高程信息相比较，则会发生变化，因此，通过各个光伏组件对应的目标高程信息则可以确定发生脱落的光伏组件。
在本申请步骤S102至步骤S108的技术方案中，采用基于光伏组件的高程信息确定各光伏组件是否发生脱落的方式，通过获取目标时段内目标区域的第一地面高程模型，然后再获取历史时段内目标区域内的第二地面高程模型，从第二地面高程模型中获取各个光伏组件对应的各个子区域的第一位置信息，并根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息，达到了基于目标高程信息确定光伏组件是否发生脱落的目的，从而实现了快速准确识别脱落组件的技术效果，进而解决了相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。
作为一种可选的实施方式，根据目标高程信息确定各个光伏组件是否存在脱落现象，包括：根据目标高程信息确定各个子区域的高程平均值；比较高程平均值与各个子区域对应的第一预设阈值的大小，得到第一比较结果，根据第一比较结果确定各个光伏组件是否存在脱落现象。
可以理解的，如果某一光伏组件中的部件发生脱落，则该光伏组件的高程平均值会减小，因此，可通过上述比较高程平均值与第一预设阈值的大小关系，确定光伏组件是否发生脱落。
需要说明的是，上述第一预设阈值可以为根据历史时段的第二地面高程模型，确定的各个光伏组件子区域在历史时段内的高程平均值，举例而言，该第一预设阈值可以为电站建设完成时所有光伏组件的高程平均值，需要说明的是，本申请相关实施例中，第一预设阈值也可为高程平均值与预设系数的乘积，本申请对第一预设阈值的取值不作限定。
具体而言，根据第一比较结果确定各个光伏组件是否存在脱落现象，包括：在第一比较结果指示高程平均值小于第一预设阈值的情况下，确定高程平均值小于第一预设阈值的子区域为目标子区域；确定目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。
容易注意到的是，假如某一光伏组件中的部件发生脱落，则会造成该光伏组件中最高位置与最低位置之间的相对距离变大，例如，当某一光伏组件中的部件发生脱落掉落至地面，则该光伏组件最高位置与最低位置之间的相对距离会变大，因此，作为另一种可选的实施方式，根据目标高程信息确定各个光伏组件是否存在脱落现象，可通过如下方式实现：
根据目标高程信息确定各个子区域对应的第一高程值，以及第二高程值，其中，第一高程值为子区域内最高点位置处的高程值，第二高程值为子区域内最低点位置处的高程值；确定第一高程值与第二高程值的差值；比较差值与第二预设阈值的大小，得到第二比较结果，根据第二比较结果确定各个光伏组件是否存在脱落现象。
具体的，根据第二比较结果确定各个光伏组件是否存在脱落现象，包括：在第二比较结果指示差值大于第二预设阈值的情况下，确定差值大于第二预设阈值的子区域为目标子区域；确定目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。可以理解的，如果光伏组件发生脱落，在光伏组件最高点位置处的高程值(即第一高程值)与光伏组件最低点位置处的高程值(第二高程值)的差值会变大，因此，可通过两者的差值确定光伏组件是否发生了脱落。需要说明的是，上述第二预设阈值可以根据光伏组件本身的结构特性灵活设置。
本申请一些实施例中，从历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，可以通过如下方式实现：获取预定区域对应的第二地面高程模型与电子地图，其中，第二地面高程模型用于指示历史时段内预定区域内地表上各个物体的高程信息，电子地图用于指示预定区域的地图信息；根据第二地面高程模型得到预定区域内光伏组件所在的目标区域对应的第二位置信息；根据电子地图得到预定区域对应的地图图像；根据第二位置信息从地图图像中得到目标区域对应的目标图像，根据目标图像确定第一位置信息。
具体的，根据目标图像确定第一位置信息，可以通过如下步骤实现：将目标图像转换为灰度图像，调用边缘检测算法得到灰度图像对应的边缘图像，其中，边缘图像至少包括：边缘线；调用霍夫变换算法搜索边缘图像中的所有直线；根据直线之间的间距得到各个光伏组件对应的四条网格边界线；根据四条网格边界线得到各个子区域；确定四条网格边界线的交点坐标为第一位置信息。
下面对该实施例的上述技术方案进行进一步地介绍。
图2是本申请一种可选的光伏组件脱落的判断方法的流程示意图，如图2所示，该方法可在第一阶段建立电站全景电子地图A和地面高程模型DSM-A，通过地面高程模型DSM-A将组件所在区域分割出来，消除组件之外区域中出现的错误检测目标，根据组件所在区域GPS坐标，通过图像处理等相关算法将电站全景电子地图A中各个组件区域进行组件分割。在第二阶段进行无人机巡检电站后建立地面高程模型DSM-B，根据电站全景电子地图A中分割出来的组件矩形框GPS坐标，从地面高程模型DSM-B中提取该矩形区域内的高程信息用于组件脱落判别，从而实现对光伏电站中组件脱落的判别。具体的：
1)第一阶段：电站建设完成后，可根据采集的组件可见光图片利用pix4dMapper等软件生成电站全景电子地图A(即电子地图)和地面高程模型DSM-A(即历史时段的第二地面高程模型)。
(2)通过地面高程模型DSM-A将组件所在区域分割出来，消除组件之外区域中出现的错误检测目标，得到所有光伏组件所在的目标区域的GPS坐标(即第二位置信息)，即通过获取预定区域对应的第二地面高程模型与电子地图，根据第二地面高程模型得到预定区域内光伏组件所在的目标区域对应的第二位置信息，需要说明的是上述第二位置信息包括但不限于：上述GPS坐标，也以为矩形框坐标等。
(3)根据组件所在区域GPS坐标，通过图像处理等相关算法将电站全景电子地图A中各个组件区域进行组件分割，得到各个光伏组件对应的矩形框GPS坐标(即第一位置信息)，即可根据电子地图得到预定区域对应的地图图像，根据第二位置信息从地图图像中得到目标区域对应的目标图像，根据目标图像确定第一位置信息。
(4)第二阶段：电站运维期间，无人机巡检电站后建立地面高程模型DSM-B(即目标时段的第一地面高程模型)。
(5)根据电站全景电子地图A中分割出来的各个光伏组件对应的矩形框GPS坐标(即第一位置信息)，从地面高程模型DSM-B中提取该矩形区域内的高程信息用于组件脱落判别，即可根据第一位置信息从第一地面高程模型提取各个子区域对应的目标高程信息，然后根据目标高程信息确定各个光伏组件是否存在脱落现象。
下面结合一应用场景对上述步骤进行详细说明。
1、无人机采集可见光图片，通过无人机根据规划路径进行光伏组件巡检，采集可见光图片，并记录下采集点所处位置的GPS地理坐标，对应于可见光图片中心点处的GPS坐标。
2、第一阶段：电站建设完成后，根据采集的组件可见光图片，可利用pix4dMapper等相关软件生成电站全景电子地图A(电子地图)和地面高程模型DSM-A(第二地面高程模型)，如图所示，图3是电站全景电子地图A的示意图，图4是地面高程模型DSM-A的示意图。
3、通过地面高程模型DSM-A将组件所在区域分割出来，消除组件之外区域中出现的错误检测目标，得到所有光伏组件(即光伏阵列)所在区域GPS坐标(第二位置信息)。
(1)根据地面高程模型DSM-A中的高程信息，设置高程阈值，根据该高程阈值将DSM-A图中光伏阵列所在区域分割出来，图5是通过高程阈值分割得到所有光伏组件(即光伏阵列)所在大致区域(即预定区域)的示意图。
(2)结合图像处理将组件所在区域分割出来。
根据分割出来的所有连续区域，分析各个连续区域的特征，将符合矩形特征的区域保留下来，周边不符合矩形特征的不规则区域删除，得到电站中光伏组件所在的目标区域，图6是通过连通域筛选后得到光伏组件所在目标区域的示意图。此外，可计算出组件所在区域内部所有组件平均高度High。
4、根据光伏阵列所在目标区域的GPS坐标(第二位置信息)，通过图像处理算法将电站全景电子地图A中各个组件区域进行组件分割，得到各个光伏组件对应的矩形框GPS坐标(第一位置信息)，即，可根据第二地面高程模型得到预定区域内光伏组件所在的目标区域对应的第二位置信息，并根据电子地图得到预定区域对应的地图图像，然后根据第二位置信息从地图图像中得到目标区域对应的目标图像，并根据目标图像确定第一位置信息。
(1)根据光伏阵列所在目标区域的GPS坐标，可从电站全景电子地图A上裁剪出该组件区域可见光图片，如图7所示。
(2)利用图像处理算法将组件区域可见光图片内部各个组件进行分割，具体步骤如下：
(a)对组件区域可见光图片进行灰度化处理，再进行Canny边缘化处理，得到边缘图像。
(b)在边缘图像中通过HoughLines霍夫线变换搜索所有可能的直线。
(c)寻找到所有可能的直线之后，确定组件区域可见光图片中各个组件网格边界线。
(d)根据直线之间的间距，确定每个组件的四条网格边界线。
(e)将每个组件的四条网格边界线相交的四个交点坐标计算出来，从而达到对组件区域可见光图片中所有组件分割。图8是组件区域可见光图片分割效果示意图，其中粗直线表示分割线，如图8所示，通过每个组件的四条网格边界线相交的四个交点坐标，实现了对组件区域可见光图片中所有组件的分割。
5、第二阶段：电站运维期间，无人机巡检电站后，根据采集的组件可见光图片，利用pix4dMapper等软件生成地面高程模型DSM-B(即目标时段的第一地面高程模型)，图9是电站运维期间的地面高程模型DSM-B，如图9所示，圆圈标识的部位表示出现了组件脱落。
6、根据电站全景电子地图A中分割出来的各个光伏组件对应的矩形框GPS坐标(简称组件矩形框GPS坐标)，从地面高程模型DSM-B中提取该矩形区域内的高程信息用于组件脱落判别。
(1)可依次取出电站全景电子地图A中分割出来的组件矩形框GPS坐标。
(2)根据组件矩形框GPS坐标，从地面高程模型DSM-B中提取该矩形区域内高程，可得到该组件高程图，图10的左半部分为电站全景电子地图A中组件可见光图片，右半部分为地面高程模型DSM-B中组件高程图。
(3)根据该组件高程图，计算高程图中预定坐标点位置处的高程之和，再求均值。
Figure BDA0003694341630000101
其中，Avg表示该组件高程图中的高程平均值，M，N表示组件高程图的高度和宽度，Hi，j表示组件高程图中(i，j)坐标点位置处的高程。
(4)根据该组件高程图中的高程平均值Avg，以及组件所在区域内部所有组件平均高度High进行组件脱落判别，假如第一预设阈值为0.7×High，如果Avg＜0.7×High，表示该组件出现了脱落。图11是该实施例中组件脱落的示意图，如图11所示，圆圈内标识的部位表示出现了组件脱落。
(5)显而易见的，通过重复以上步骤，根据电站全景电子地图A中分割出来的组件矩形框GPS坐标，以及从地面高程模型DSM-B中提取该矩形区域内的高程信息可实现对目标区域所有光伏组件的脱落判别。
容易注意到的是，通过上述方法可在第一阶段建立电站全景电子地图A和地面高程模型DSM-A，然后，通过地面高程模型DSM-A将组件所在区域分割出来，消除组件之外区域中出现的错误检测目标，并可根据组件所在区域GPS坐标，通过图像处理相关方法将电站全景电子地图A中各个组件区域进行组件分割。在第二阶段进行无人机巡检电站后建立地面高程模型DSM-B，根据电站全景电子地图A中分割出来的组件矩形框GPS坐标，从地面高程模型DSM-B中提取该矩形区域内的高程信息用于组件脱落判别，从而实现光伏电站中组件脱落的判别。可以理解的是，根据地面高程模型DSM将组件所在区域分割出来，可以彻底避免将组件所在区域之外的一些目标错误检测为组件，从而提高了组件分割的准确性。
需要说明的是，上述图像处理算法包括但不限于：YOLOv4目标检测算法、YOLOv5目标检测算法、Faster RCNN目标检测算法、SSD目标检测算法等。
图12是根据本申请实施例的一种光伏组件脱落的判断装置，如图12所示，该装置包括：
第一获取模块40，用于获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；
第二获取模块42，用于从历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；
提取模块44，用于根据第一位置信息从第一地面高程模型提取各个子区域对应的目标高程信息；
确定模块46，用于根据目标高程信息确定各个光伏组件是否存在脱落现象。
该光伏组件脱落的判断装置中，第一获取模块，用于获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；第二获取模块，用于从历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；提取模块，用于根据第一位置信息从第一地面高程模型提取各个子区域对应的目标高程信息；确定模块，用于根据目标高程信息确定各个光伏组件是否存在脱落现象，达到了基于目标高程信息确定光伏组件是否发生脱落的目的，从而实现了快速准确识别脱落组件的技术效果，进而解决了相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。
根据本申请实施例还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任意一种光伏组件脱落的判断方法。
具体地，上述存储介质用于存储以下功能的程序指令，实现以下功能：
获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息；根据目标高程信息确定各个光伏组件是否存在脱落现象。
可选地，在本实施例中，上述存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。上述存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
在本申请一示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任一项的光伏组件脱落的判断方法。
可选地，该计算机程序在被处理器执行时可实现如下步骤：
获取目标时段内目标区域对应的第一地面高程模型，其中，其中，第一地面高程模型至少用于指示目标时段内目标区域中各个光伏组件的高程信息；基于历史时段内目标区域对应的第二地面高程模型获取各个光伏组件对应的各个子区域的第一位置信息，其中，历史时段内目标区域中的各个光伏组件均未发生脱落现象；根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息；根据目标高程信息确定各个光伏组件是否存在脱落现象。
根据本申请的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的光伏组件脱落的判断方法。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入设备输出设备和上述处理器连接。
图13示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图13所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如光伏组件脱落的判断方法。例如，在一些实施例中，光伏组件脱落的判断方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的光伏组件脱落的判断方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行光伏组件脱落的判断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
在本申请相关实施例中，采用基于光伏组件的高程信息确定各光伏组件是否发生脱落的方式，通过获取目标时段内目标区域的第一地面高程模型，然后再获取历史时段内目标区域内的第二地面高程模型，从第二地面高程模型中获取各个光伏组件对应的各个子区域的第一位置信息，并根据第一位置信息从第一地面高程模型中提取各个子区域对应的目标高程信息，达到了基于目标高程信息确定光伏组件是否发生脱落的目的，从而实现了快速准确识别脱落组件的技术效果，进而解决了相关技术中基于机器学习等算法对光伏组件的脱落现象进行识别存在数据处理量较大，耗时较长以及识别结果不准确的技术问题。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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例方案的目的。
另外，在本申请各个实施例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。
所述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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种光伏组件脱落的判断方法，其特征在于，包括：
获取目标时段内目标区域对应的第一地面高程模型，其中，所述第一地面高程模型至少用于指示所述目标时段内所述目标区域中各个光伏组件的高程信息；
基于历史时段内目标区域对应的第二地面高程模型获取所述各个光伏组件对应的各个子区域的第一位置信息，其中，所述历史时段内所述目标区域中的各个光伏组件均未发生脱落现象；
根据所述第一位置信息从所述第一地面高程模型中提取所述各个子区域对应的目标高程信息；
根据所述目标高程信息确定所述各个光伏组件是否存在脱落现象。
2.根据权利要求1所述的方法，其特征在于，根据所述目标高程信息确定所述各个光伏组件是否存在脱落现象，包括：
根据所述目标高程信息确定所述各个子区域的高程平均值；
比较所述高程平均值与所述各个子区域对应的第一预设阈值的大小，得到第一比较结果，根据所述第一比较结果确定所述各个光伏组件是否存在脱落现象。
3.根据权利要求2所述的方法，其特征在于，根据所述第一比较结果确定所述各个光伏组件是否存在脱落现象，包括：
在所述第一比较结果指示所述高程平均值小于所述第一预设阈值的情况下，确定所述高程平均值小于所述第一预设阈值的子区域为目标子区域；
确定所述目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。
4.根据权利要求1所述的方法，其特征在于，根据所述目标高程信息确定所述各个光伏组件是否存在脱落现象，包括：
根据所述目标高程信息确定所述各个子区域对应的第一高程值，以及第二高程值，其中，所述第一高程值为所述子区域内最高点位置处的高程值，所述第二高程值为所述子区域内最低点位置处的高程值；
确定所述第一高程值与所述第二高程值的差值；
比较所述差值与第二预设阈值的大小，得到第二比较结果，根据所述第二比较结果确定所述各个光伏组件是否存在脱落现象。
5.根据权利要求4所述的方法，其特征在于，根据所述第二比较结果确定所述各个光伏组件是否存在脱落现象，包括：
在所述第二比较结果指示所述差值大于所述第二预设阈值的情况下，确定所述差值大于所述第二预设阈值的子区域为目标子区域；
确定所述目标子区域对应的光伏组件为发生脱落现象的目标光伏组件。
6.根据权利要求1所述的方法，其特征在于，基于历史时段内目标区域对应的第二地面高程模型获取所述各个光伏组件对应的各个子区域的第一位置信息，包括：
获取预定区域对应的第二地面高程模型与电子地图，其中，所述第二地面高程模型用于指示历史时段内所述预定区域内地表上各个物体的高程信息，所述电子地图用于指示所述预定区域的地图信息；
根据所述第二地面高程模型得到所述预定区域内光伏组件所在的所述目标区域对应的第二位置信息；
根据所述电子地图得到所述预定区域对应的地图图像；
根据所述第二位置信息从所述地图图像中得到所述目标区域对应的目标图像，根据所述目标图像确定所述第一位置信息。
7.根据权利要求6所述的方法，其特征在于，根据所述目标图像确定所述第一位置信息，包括：
将所述目标图像转换为灰度图像，调用边缘检测算法得到所述灰度图像对应的边缘图像，其中，所述边缘图像至少包括：边缘线；
调用霍夫变换算法搜索所述边缘图像中的所有直线；
根据所述直线之间的间距得到所述各个光伏组件对应的四条网格边界线；
根据所述四条网格边界线得到所述各个子区域；确定所述四条网格边界线的交点坐标为所述第一位置信息。
8.一种光伏组件脱落的判断装置，其特征在于，包括：
第一获取模块，用于获取目标时段内目标区域对应的第一地面高程模型，其中，所述第一地面高程模型至少用于指示所述目标时段内所述目标区域中各个光伏组件的高程信息；
第二获取模块，用于基于历史时段内目标区域对应的第二地面高程模型获取所述各个光伏组件对应的各个子区域的第一位置信息，其中，所述历史时段内所述目标区域中的各个光伏组件均未发生脱落现象；
提取模块，用于根据所述第一位置信息从所述第一地面高程模型中提取所述各个子区域对应的目标高程信息；
确定模块，用于根据所述目标高程信息确定所述各个光伏组件是否存在脱落现象。
9.一种非易失性存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述光伏组件脱落的判断方法。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的光伏组件脱落的判断方法。
CN202210669629.XA 2022-06-14 2022-06-14 光伏组件脱落的判断方法，装置，存储介质及电子设备 Pending CN114998371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210669629.XA CN114998371A (zh) 2022-06-14 2022-06-14 光伏组件脱落的判断方法，装置，存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210669629.XA CN114998371A (zh) 2022-06-14 2022-06-14 光伏组件脱落的判断方法，装置，存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114998371A true CN114998371A (zh) 2022-09-02

Family

ID=83034601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210669629.XA Pending CN114998371A (zh) 2022-06-14 2022-06-14 光伏组件脱落的判断方法，装置，存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114998371A (zh)

Similar Documents

Publication Publication Date Title
CN110119680A (zh) 一种基于图像识别的电气柜接线自动查错系统
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN111460967A (zh) 一种违法建筑识别方法、装置、设备及存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN109196553B (zh) 一种光伏板识别方法、地面站、控制设备及无人机
CN113205037A (zh) 事件检测的方法、装置、电子设备以及可读存储介质
JP7295213B2 (ja) 信号灯の位置判定方法、装置、記憶媒体、プログラム、路側機器
CN114663672A (zh) 一种输电线路塔钢构件腐蚀检测方法及系统
CN115346171A (zh) 一种输电线路监控方法、装置、设备及存储介质
CN116310903A (zh) 识别光伏组件故障类型的方法、装置及电子设备
CN110807416A (zh) 适用于移动检测装置的数字式仪表智能识别装置及方法
CN112784732A (zh) 地物类型变化的识别、模型训练方法、装置、设备及介质
CN116052097A (zh) 一种地图要素检测方法、装置、电子设备和存储介质
CN114241158A (zh) 基于风机点云数据的部件识别方法、装置、设备及介质
CN118038153A (zh) 配电架空线路的防外破识别方法、装置、设备和介质
CN117765083A (zh) 一种设备定位方法、装置、电子设备及存储介质
CN113554610A (zh) 一种光伏组件运行状态检测方法及其应用装置
CN112113638A (zh) 水表功能自检装置及方法
CN114998371A (zh) 光伏组件脱落的判断方法，装置，存储介质及电子设备
CN116091709A (zh) 建筑物的三维重建方法、装置、电子设备和存储介质
CN102004537B (zh) 系统上下电控制装置和方法
CN112991308B (zh) 一种图像质量的确定方法、装置、电子设备和介质
CN115019099A (zh) 一种热斑类别识别方法、装置、电子设备、介质及产品
CN114998372A (zh) 光伏组件移位的判断方法、装置、存储介质以及电子设备
WO2022096571A1 (en) Solar energy facility monitoring

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