CN115019099A - 一种热斑类别识别方法、装置、电子设备、介质及产品 - Google Patents

一种热斑类别识别方法、装置、电子设备、介质及产品 Download PDF

Info

Publication number
CN115019099A
CN115019099A CN202210674318.2A CN202210674318A CN115019099A CN 115019099 A CN115019099 A CN 115019099A CN 202210674318 A CN202210674318 A CN 202210674318A CN 115019099 A CN115019099 A CN 115019099A
Authority
CN
China
Prior art keywords
hot spot
picture
visible light
component
position coordinate
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
CN202210674318.2A
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 CN202210674318.2A priority Critical patent/CN115019099A/zh
Publication of CN115019099A publication Critical patent/CN115019099A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/753—Transform-based matching, e.g. Hough transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种热斑类别识别方法、装置、电子设备、介质及产品。所述方法包括：获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；从所述红外图片中检测出热斑组件所在的第一位置坐标；将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。该方法通过将热斑组件所在的位置定位到可见光图片中，能够从可见光图片中识别热斑组件的类别便于运维人员根据热斑组件的类别对故障组件进行维护。

Description

一种热斑类别识别方法、装置、电子设备、介质及产品
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种热斑类别识别方法、装置、电子设备、介质及产品。
背景技术
太阳能光伏发电站在运作的过程中，太阳能电池组件上容易形成热斑，运维人员需要根据热斑产生的原因对光伏组件进行维护。
现有技术的方案只能根据光伏组件的图像对热斑进行检测，但是无法确定热斑类别，进而无法对光伏组件进行有效维护。
因此，如何识别热斑类别是当前亟待解决的技术问题。
发明内容
本发明实施例提供了一种热斑类别识别方法、装置、电子设备、介质及产品，以解决现有技术只能识别出热斑组件，无法识别出热斑类别的问题。
根据本发明的一方面，提供了一种热斑类别识别方法，包括：
获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；
从所述红外图片中检测出热斑组件所在的第一位置坐标；
将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；
对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
根据本发明的另一方面，提供了一种热斑类别识别装置，包括：
获取模块，用于获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；
检测模块，用于从所述红外图片中检测出热斑组件所在的第一位置坐标；
确定模块，用于将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；
识别模块，用于对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的热斑类别识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的热斑类别识别方法。
根据本发明的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的热斑类别识别方法。
本发明实施例的技术方案，通过将从红外图片中检测出的热斑组件所在的位置准确定位到可见光图片中，并基于可见光图片进行热斑类别识别，解决了现有技术中无法识别热斑类型的缺点，取得准确的识别出热斑组件的热斑类别，便于运维人员根据热斑类别对故障组件进行维护的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例一所提供的一种热斑类别识别方法的流程示意图；
图2为本发明实施例一所提供的一种热斑类别识别方法中的目标分类网络模型的模型训练和模型应用示意图；
图3为本发明实施例一所提供的一种热斑类别识别方法中的目标分类网络模型结构示意图；
图4为本发明实施例二所提供的一种热斑类别识别方法的流程示意图；
图5为本发明实施例三所提供的一种热斑类别识别方法的示例流程图；
图6为本发明实施例三所提供的红外图片示意图；
图7为本发明实施例三所提供的红外图片分割效果示意图；
图8为本发明实施例三提供的可见光图片分割效果示意图；
图9为本发明实施例三所提供的红外图片中热斑组件中心点与红外图片中心点之间连线的示意图；
图10为本发明实施例三所提供的可见光图片中热斑组件中心点与可见光图片中心点之间连线的示意图；
图11为本发明实施例三所提供的热斑组件图片示意图；
图12为本发明实施例四所提供的一种热斑类别识别装置的结构示意图
图13为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要说明的是，本发明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，以便这里描述的本发明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。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本发明实施例一所提供的一种热斑类别识别方法的流程示意图，该方法可适用于对光伏电站中的热斑组件对应的热斑类别进行识别的情况，该方法可以由热斑类别识别装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：计算机设备。
如图1所示，本发明实施例一提供的一种热斑类别识别方法，包括如下步骤：
S110、获取光伏组件的可见光图片以及所述可见光图片对应的红外图片。
其中，光伏组件可以为光伏电站中的光伏板。
在本实施例中，不限定以何种方式获取光伏组件的可见光图片以及所述可见光图片对应的红外图片，一种可行的方式为通过无人机采集光伏组件的可见光图片和红外图片。其中，无人机采集到的可见光图片的中心点和红外图片的中心点是对齐的。
S120、从所述红外图片中检测出热斑组件所在的第一位置坐标。
由于在红外图片中，光伏板在不同工作状态下的温度分布热成像不同，因此可以在红外图片中检测出热斑组件，并确定出热斑组件所在的第一位置坐标。
其中，第一位置坐标为热斑组件中心点坐标，所述热斑组件中心点坐标根据所述红外图片中热斑组件的检测框坐标确定。
在本实施例中，可以利用预设检测算法对红外图片中产生热斑的光伏组件进行检测，以得到在红外图片中热斑组件的检测框坐标。其中，预设检测算法可以为任意一种目标检测算法，示例性的，预设检测算法可以为深度学习目标检测算法，例如，YOLO系列或SSD系列目标检测算法等。
其中，热斑组件中心点坐标的确定方式可以为根据检测框坐标计算出检测框中心点坐标，将检测框中心点坐标作为热斑组件中心点坐标。
S130、将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标。
其中，第二位置坐标可以理解为热斑组件的中心点在可见光图片中的位置坐标。
在本实施例中，由于在红外图片中仅能检测出存在热斑的组件，但无法准确识别热斑类别，因此需要准确的将红外图片中检测出的热斑组件定位到可见光图片中，才能进一步从可见光图片中对热斑组件对应的热斑类别进行识别。需要说明的是，本实施例中需要识别的热斑类别可以包括遮挡物遮挡导致的热斑以及碎裂组件热斑，其中，遮挡物遮挡导致的热斑可以示例性的理解为由鸟粪遮挡导致的热斑；碎裂组件热斑可以理解为由于光伏组件碎裂导致的热斑。因此需要准确识别出遮挡物以及碎裂组件才能识别出热斑类别，而碎裂组件和遮挡物只有在可见光图片中才能准确识别。
在本实施例中，通过图像处理相关方法可以将在红外图片中检测到的热斑组件定位到可见光图片中，得到第一位置坐标在可见光图片中对应的第二位置坐标。
本实施例不限定通过何种方式将第一位置坐标定位到可见光图片中，可以利用几何知识或光学知识在可见光图片中确定出第二位置坐标。此处对该过程不做详细阐述，一种可行的实施方式可以参考实施例二。
S140、对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
其中，目标热斑组件图片可以为目标分割框内的可见光图片，目标分割框为多个第二分割框中距离第二位置坐标最近的分割框。
在本实施例中，确定出第二位置坐标后需要进一步确定出目标热斑组件图片，目标热斑组件图片的确定方式可以为：将多个第二分割框中距离第二位置坐标最近的分割框作为目标分割框，将目标分割框内的可见光图片作为目标热斑组件图片。
进一步的，所述对所述第二位置坐标处对应的目标热斑组件图片进行识别确定所述热斑组件对应的热斑类别，包括：将所述第二位置坐标处对应的目标热斑组件图片输入到目标分类网络模型中，通过所述目标分类网络模型对所述目标热斑组件图片进行识别，确定所述目标热斑组件图片中的热斑组件对应的热斑类别；其中，所述目标分类网络模型基于多张热斑组件可见光图片进行模型训练后得到。
本实施例确定的热斑类别包括遮挡物热斑以及破碎组件热斑，因此需要对目标热斑组件图片中的热斑类别进行识别。其中，遮挡物热斑可以理解为由于遮挡物导致的热斑；碎裂组件热斑可以理解为由于光伏组件碎裂导致的热斑。其中，可以通过分类网络模型对目标热斑组件图片进行识别，优选的，分类网络模型可以为AlexNet分类网络模型。
在一个实施例中，若识别结果为所述目标热斑组件图片中的热斑组件为碎裂组件，则确定所述热斑组件对应的热斑类别为碎裂组件热斑。
在一个实施例中，若识别结果为所述目标热斑组件图片中的热斑组件上存在遮挡物，则确定所述热斑组件对应的热斑类别为遮挡物热斑。
图2为本发明实施例一所提供的一种热斑类别识别方法中的目标分类网络模型的模型训练和模型应用示意图，如图2所示，模型训练过程可以包括如下过程：收集热斑组件图片；对热斑组件图片进行分类得到测试集和训练集；构建分类网络模型，调整模型参数，在训练集上对分类网络模型进行模型训练，直到模型收敛得到训练好的模型；在测试集上对训练好的模型进行效果评估，输出目标分类网络模型；将目标热斑组件图片输入目标分类网络模型进行识别，输出识别出的热斑组件的热斑类别。
示例性的，图3为本发明实施例一所提供的一种热斑类别识别方法中的目标分类网络模型结构示意图，如图3所示，目标分类网络模型主要由5个卷积层、5个池化层以及两个全连接层构成。其中，第一个卷积层使用224*224*3的图像作为输入，使用96个11*11*3的卷积核，步长为4；第二个卷积层使用第一个卷积层的输出作为输入，使用256个5*5*48的卷积核；第三个卷积层使用第二个卷积层的输出作为输入，使用384个3*3*256的卷积核；第四卷积层和第五卷积层分别使用384个3*3*192、256个3*3*192的卷积核；每个全连接层包含4096个神经元。
需要说明的是，本实施例通过将目标热斑组件图片输入到目标分类网络模型中进行识别，相比于现有的深度学习网络模型所需的样本量大大减少，只需要100多张目标热斑组件图片即可完成模型训练。此外，由于目标热斑组件图片是只包括热斑组件，因此在进行识别时，相比于对整张图片范围的识别，目标热斑组件图片的识别范围小，可以减小识别难度，提高识别速度。
本发明实施例一提供的一种热斑类别识别方法，首先获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；然后从所述红外图片中检测出热斑组件所在的第一位置坐标；之后将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；最终对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。上述方法通过将热斑组件所在的位置定位到可见光图片中，能够从可见光图片中识别热斑组件的类别，该方法能够准确的识别出碎裂组件等类别的热斑组件，便于运维人员根据热斑类别对故障组件进行相应维护。
实施例二
图4为本发明实施例二所提供的一种热斑类别识别方法的流程示意图，本实施例二在上述各实施例的基础上进行优化。本实施例提供了将第一位置坐标定位到可见光图片中的具体过程。在本实施例中，可以确定在红外图片中所有组件的长度和宽度的第一平均值以及在可见光图片中所有组件的长度和宽度的第二平均值；基于第一位置坐标、第一平均值和第二平均值再利用几何知识可以确定出第二位置坐标。本实施例尚未详尽的内容请参考实施例一。
如图4所示，本发明实施例二提供的一种热斑类别识别方法，包括如下步骤：
S210、获取光伏组件的可见光图片以及所述可见光图片对应的红外图片。
S220、从所述红外图片中检测出热斑组件所在的第一位置坐标。
S230、分别将所述红外图片和所述可见光图片中的光伏组件部分进行分割对应得到多个第一分割框和多个第二分割框。
在本实施例中，可以利用图像分割方法将红外图片和可见光图片内部的各个光伏组件进行分割。具体分割步骤如下：
步骤1、对图片进行灰度化处理，再进行Canny边缘化处理，得到边缘图像；
步骤2、在边缘图像中通过HoughLines霍夫线变换搜索图像中的直线；
步骤3、根据光伏组件区域内部的网格大小特征，确定光伏组件区域网格边界线；
步骤4、将每个光伏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图片中所有光伏组件分割的目标。
其中，第一分割框可以理解为对红外图片中的光伏组件进行分割后得到的分割框，第二分割光可以理解为对可见光图片中的光伏组件进行分割后得到的分割框。
S240、基于所述多个第一分割框确定所述红外图片中所有组件的第一长度和第一宽度，并将所述第一长度和所述第一宽度的平均值作为第一平均值。
其中，第一长度可以理解为红外图片中所有组件的长度，第一宽度可以理解为红外图片中所有组件的宽度，第一平均值可以理解为红外图片中所有组件长度和宽度的平均值。
在本实施例中，确定所有组件的第一长度和第一宽度的过程可以为：计算多个第一分割框的平均长度作为所有组件的第一长度，计算多个第一分割框的平均宽度作为所有组件的第一宽度；其中，一个第一分割框的长度为该第一分割框的上边框和下边框的纵坐标之差，一个第一分割框的宽度为该第一分割框的右边框和左边框的横坐标之差。
S250、基于所述多个第二分割框确定所述可见光图片中所有组件的第二长度和第二宽度，并将所述第一长度和第二宽度的平均值作为第二平均值。
需要说明的是，S240和S250的执行不分先后顺序，也可以同时执行。
其中，第二长度可以理解为可见光图片中所有组件的长度，第二宽度可以理解为可见光图片中所有组件的宽度，第二平均值可以理解为可见光图片中所有组件长度和宽度的平均值。
在本实施例中，确定所有组件的第二长度的确定过程可以为：计算多个第二分割框的平均长度作为所有组件的第二长度。一个第二分割框的长度为该第二分割框的上边框和下边框的纵坐标之差，一个第二分割框的宽度为该第二分割框的右边框和左边框的横坐标之差。
S260、基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标。
在本实施例中，由于采集到的可见光图片以及红外光图像的中心点是对齐的，因此可以基于第一平均值、第二平均值、第一位置坐标、红外图片中心点坐标以及可见光图片中心点坐标，结合几何知识确定出热斑组件在可见光图片中的位置坐标。
具体的，所述基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标，包括：根据所述第一位置坐标和红外图片中心点坐标确定出第一距离，所述第一距离为热斑组件中心点与所述红外图片中心点之间连线的距离；确定出所述连线与水平方向轴线的夹角；将所述第一距离与所述第一平均值的比值作为比例系数；将所述比例系数与所述第二平均值的乘积作为第二距离，所述第二距离为所述可见光图片中的热斑组件中心点与所述可见光图片中心点之间连线的距离；根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标。
其中，利用几何知识在红外光图片中计算出比例系数，根据该比例系数和第二平均值计算得到可见光图片中的热斑组件中心点与可见光图片中心点之间的距离，再利用几何知识基于该距离确定出热斑组件再可见光图片中的位置坐标。
进一步的，所述根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标，包括：根据所述可见光图片中心点坐标确定可见光图片中心点；从所述可见光图片中心点出发，沿着所述夹角方向做延长线，所述延长线的长度为所述第二距离；将所述延长线的终点坐标作为所述热斑组件在所述可见光图片中的第二位置坐标。
S270、对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
本发明实施例二提供的一种热斑类别识别方法，具体化了将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标的过程。该方法利用可见光图片便于进行图像分类识别的特性，在可见光图片中确定出热斑组件对应的第二位置坐标，从而能够基于可见光图片准确的识别出热斑组件的类别。
实施例三
本发明实施例在上述各实施例的技术方案的基础上，提供了一种具体的实施方式。图5为本发明实施例三所提供的一种热斑类别识别方法的示例流程图，如图5所示，热斑类别识别方法可以包括如下步骤：
步骤110、检测出红外图片中故障组件位置；
其中，故障组件即热斑组件，故障组件位置即第一位置。
在本步骤中，无人机根据规划路径进行光伏组件巡检，采集可见光图片和红外图片；利用深度学习目标检测算法模型对红外图片中产生热斑的光伏组件进行检测，得到热斑组件检测框坐标。
其中，可以利用深度学习领域中目标检测识别的各种算法模型来实现该功能，比如YOLO系列或SSD系列目标检测识别算法模型。利用目标检测识别算法模型检测识别出红外图片中产生热斑的热斑组件位置，并给出热斑组件矩形框即检测框像素坐标。图6为本发明实施例三所提供的红外图片示意图，图6示出了热斑组件矩形框。
步骤120、通过图像处理相关方法将红外图片中检测到的热斑组件定位到可见光图片中。
在本步骤中，利用图像分割方法将红外图片和可见光图片中的光伏组件进行分割。图7为本发明实施例三所提供的红外图片分割效果示意图，图8为本发明实施例三提供的可见光图片分割效果示意图。
根据红外图片和可见光图片中分割得到的矩形框坐标即第一分割框和第二分割框，计算红外图片和可见光图片中光伏组件的长度和宽度的平均值即第一平均值和第二平均值，计算公式如下：
Figure BDA0003694240190000141
Figure BDA0003694240190000142
Figure BDA0003694240190000143
其中，wi表示第i个矩形框的宽度，hi表示第i个矩形框的长度，N表示矩形框的数量，Avg表示热斑组件长度和宽度的平均值。
通过上述公式可以分别计算出红外图片中所有组件长度和宽度的平均值Avg1即第一平均值，以及计算出可见光图片中所有组件长度和宽度的平均值Avg2即第二平均值。
从红外图片中计算热斑组件中心点与红外图片中心点连线的距离Dis1，并计算该连线与水平轴的夹角α。图9为本发明实施例三所提供的红外图片中热斑组件中心点与红外图片中心点之间连线的示意图。
计算Dis1与Avg1的比例系数r，计算公式如下：
Figure BDA0003694240190000151
从可见光图片中心点开始与水平轴夹角α方向出发，在可见光图片中画一条长度为Dis2的连接线，该连接线的终点即为热斑组件中心点在可见光图片中的坐标位置即第二位置坐标。其中，Dis2的计算公式为：Dis2＝r*Avg2。图10为本发明实施例三所提供的可见光图片中热斑组件中心点与可见光图片中心点之间连线的示意图。
步骤130、从可见光图片对应位置处裁剪出热斑组件图片，通过将热斑组件图片输入AlexNet分类网络模型进行热斑类别的识别。
根据热斑组件中心点在可见光图片中的坐标位置即第二位置坐标，从可见光图片分割得到的矩形框坐标集合中找到与热斑组件中心点距离最近的矩形框，根据此矩形框坐标，从可见光图片对应位置处裁剪出热斑组件图片即目标热斑组件图片。图11为本发明实施例三所提供的热斑组件图片示意图。
本发明实施例三提供的一种热斑类别识别方法，该方法通过图像处理相关方法将红外图片中检测到的热斑组件定位到可见光图片中，从可见光图片对应位置处裁剪出热斑组件图片，通过将热斑组件图片输入AlexNet分类网络模型进行热斑类别的识别，从而确定热斑的类别。
实施例四
图12为本发明实施例四所提供的一种热斑类别识别装置的结构示意图，该装置可适用于对光伏电站中的热斑组件对应的热斑类别进行识别的情况，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。
如图12所示，该装置包括：获取模块110、检测模块120、确定模块130以及识别模块140。
获取模块110，用于获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；
检测模块120，用于从所述红外图片中检测出热斑组件所在的第一位置坐标；
确定模块130，用于将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；
识别模块140，用于对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
在本实施例中，该装置首先通过获取模块110获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；然后通过检测模块120从所述红外图片中检测出热斑组件所在的第一位置坐标；之后通过确定模块130将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；最后通过识别模块140对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
本实施例提供了一种热斑类别识别装置，通过将热斑组件所在的位置定位到可见光图片中，能够从可见光图片中识别热斑组件的类别，该方法能够准确的识别出碎裂组件等类别的热斑组件，便于运维人员对故障组件进行维护。
进一步的，所述第一位置坐标为所述热斑组件中心点坐标，所述热斑组件中心点坐标根据所述红外图片中热斑组件的检测框坐标确定。
进一步的，确定模块130具体用于：分别将所述红外图片和所述可见光图片中的光伏组件部分进行分割对应得到多个第一分割框和多个第二分割框；基于所述多个第一分割框确定所述红外图片中所有组件的第一长度和第一宽度，并将所述第一长度和所述第一宽度的平均值作为第一平均值；基于所述多个第二分割框确定所述可见光图片中所有组件的第二长度和第二宽度，并将所述第一长度和第二宽度的平均值作为第二平均值；基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标。
基于上述技术方案，所述基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标，包括：根据所述第一位置坐标和红外图片中心点坐标确定出第一距离，所述第一距离为热斑组件中心点与所述红外图片中心点之间连线的距离；确定出所述连线与水平方向轴线的夹角；将所述第一距离与所述第一平均值的比值作为比例系数；将所述比例系数与所述第二平均值的乘积作为第二距离，所述第二距离为所述可见光图片中的热斑组件中心点与所述可见光图片中心点之间连线的距离；根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标。
进一步的，所述根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标，包括：根据所述可见光图片中心点坐标确定可见光图片中心点；从所述可见光图片中心点出发，沿着所述夹角方向做延长线，所述延长线的长度为所述第二距离；将所述延长线的终点坐标作为所述热斑组件在所述可见光图片中的第二位置坐标。
其中，所述目标热斑组件图片为目标分割框内的可见光图片，所述目标分割框为所述多个第二分割框中距离所述第二位置坐标最近的分割框。
进一步的，识别模块140具体用于：将所述第二位置坐标处对应的目标热斑组件图片输入到目标分类网络模型中，通过所述目标分类网络模型对所述目标热斑组件图片进行识别，确定所述目标热斑组件图片中的热斑组件对应的热斑类别；其中，所述目标分类网络模型基于多张热斑组件可见光图片进行模型训练后得到。
进一步的，若识别结果为所述目标热斑组件图片中的热斑组件为碎裂组件，则确定所述热斑组件对应的热斑类别为碎裂组件热斑。
上述热斑类别识别装置可执行本发明任意实施例所提供的热斑类别识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图13示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图13所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如热斑类别识别方法。
在一些实施例中，热斑类别识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的热斑类别识别方法中的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行热斑类别识别方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种热斑类别识别方法，其特征在于，所述方法包括：
获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；
从所述红外图片中检测出热斑组件所在的第一位置坐标；
将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；
对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
2.根据权利要求1所述的方法，其特征在于，所述第一位置坐标为所述热斑组件中心点坐标，所述热斑组件中心点坐标根据所述红外图片中热斑组件的检测框坐标确定。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标，包括：
分别将所述红外图片和所述可见光图片中的光伏组件部分进行分割对应得到多个第一分割框和多个第二分割框；
基于所述多个第一分割框确定所述红外图片中所有组件的第一长度和第一宽度，并将所述第一长度和所述第一宽度的平均值作为第一平均值；
基于所述多个第二分割框确定所述可见光图片中所有组件的第二长度和第二宽度，并将所述第一长度和第二宽度的平均值作为第二平均值；
基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一平均值、所述第二平均值、所述第一位置坐标、红外图片中心点坐标以及所述可见光图片中心点坐标，确定出所述热斑组件在所述可见光图片中的第二位置坐标，包括：
根据所述第一位置坐标和红外图片中心点坐标确定出第一距离，所述第一距离为热斑组件中心点与所述红外图片中心点之间连线的距离；
确定出所述连线与水平方向轴线的夹角；
将所述第一距离与所述第一平均值的比值作为比例系数；
将所述比例系数与所述第二平均值的乘积作为第二距离，所述第二距离为所述可见光图片中的热斑组件中心点与所述可见光图片中心点之间连线的距离；
根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标。
5.根据权利要求4所述的方法，其特征在于，所述根据所述可见光图片中心点坐标、所述夹角以及所述第二距离确定所述热斑组件在所述可见光图片中的第二位置坐标，包括：
根据所述可见光图片中心点坐标确定可见光图片中心点；
从所述可见光图片中心点出发，沿着所述夹角方向做延长线，所述延长线的长度为所述第二距离；
将所述延长线的终点坐标作为所述热斑组件在所述可见光图片中的第二位置坐标。
6.根据权利要求3所述的方法，其特征在于，所述目标热斑组件图片为目标分割框内的可见光图片，所述目标分割框为所述多个第二分割框中距离所述第二位置坐标最近的分割框。
7.根据权利要求1所述的方法，其特征在于，所述对所述第二位置坐标处对应的热斑组件图片进行识别，确定所述热斑组件对应的热斑类别，包括：
将所述第二位置坐标处对应的目标热斑组件图片输入到目标分类网络模型中，通过所述目标分类网络模型对所述目标热斑组件图片进行识别，确定所述目标热斑组件图片中的热斑组件对应的热斑类别；
其中，所述目标分类网络模型基于多张热斑组件可见光图片进行模型训练后得到。
8.根据权利要求7所述的方法，其特征在于，若识别结果为所述目标热斑组件图片中的热斑组件为碎裂组件，则确定所述热斑组件对应的热斑类别为碎裂组件热斑。
9.一种热斑类别识别装置，其特征在于，所述装置包括：
获取模块，用于获取光伏组件的可见光图片以及所述可见光图片对应的红外图片；
检测模块，用于从所述红外图片中检测出热斑组件所在的第一位置坐标；
确定模块，用于将所述第一位置坐标定位到可见光图片中，确定出所述第一位置坐标在所述可见光图片中的第二位置坐标；
识别模块，用于对所述第二位置坐标处对应的目标热斑组件图片进行识别，确定所述热斑组件对应的热斑类别。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于执行权利要求1-8任一项所述的热斑类别识别方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一项所述的热斑类别识别方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的热斑类别识别方法。
CN202210674318.2A 2022-06-14 2022-06-14 一种热斑类别识别方法、装置、电子设备、介质及产品 Pending CN115019099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210674318.2A CN115019099A (zh) 2022-06-14 2022-06-14 一种热斑类别识别方法、装置、电子设备、介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210674318.2A CN115019099A (zh) 2022-06-14 2022-06-14 一种热斑类别识别方法、装置、电子设备、介质及产品

Publications (1)

Publication Number Publication Date
CN115019099A true CN115019099A (zh) 2022-09-06

Family

ID=83074225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210674318.2A Pending CN115019099A (zh) 2022-06-14 2022-06-14 一种热斑类别识别方法、装置、电子设备、介质及产品

Country Status (1)

Country Link
CN (1) CN115019099A (zh)

Similar Documents

Publication Publication Date Title
CN112801164A (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN112560862B (zh) 文本识别方法、装置及电子设备
CN112784732B (zh) 地物类型变化的识别、模型训练方法、装置、设备及介质
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN116698874A (zh) 一种电缆的缺陷检测方法、装置、设备及存储介质
CN115019099A (zh) 一种热斑类别识别方法、装置、电子设备、介质及产品
CN115100296A (zh) 一种光伏组件故障定位方法、装置、设备及存储介质
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN117853789A (zh) 一种图像检测方法和装置
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN117392631B (zh) 一种道路边界提取方法、装置、电子设备及存储介质
CN117576077A (zh) 一种缺陷检测方法、装置、设备和存储介质
US20230142243A1 (en) Device environment identification method and apparatus, electronic device, and autonomous vehicle
CN114998284A (zh) 一种全景地图拉花检测方法、装置、设备及存储介质
CN118014971A (zh) 光伏组件的表面缺陷检测方法、装置、设备及存储介质
CN118212275A (zh) 一种电力图像的局部配准方法、装置、设备及介质
CN115615337A (zh) 站台检测方法、装置、设备及介质
CN116659578A (zh) 一种配电线路飘挂物的检测方法、装置、设备及介质
CN118072078A (zh) 目标检测方法、装置、设备及存储介质
CN118334644A (zh) 一种基于深度学习的小麦穗轴表型参数确定方法、装置、设备及介质
CN117911891A (zh) 一种设备识别方法、装置、电子设备及存储介质
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
CN118096684A (zh) 一种输电线路缺陷检测方法、装置、设备及存储介质
CN115375648A (zh) 电流致热型缺陷识别方法、装置、设备及存储介质
CN115773821A (zh) 一种干式空心电抗器热故障检测方法、装置、设备和介质

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