CN115049648B - 光伏组件热斑缺陷检测方法及装置 - Google Patents

光伏组件热斑缺陷检测方法及装置 Download PDF

Info

Publication number
CN115049648B
CN115049648B CN202210964502.0A CN202210964502A CN115049648B CN 115049648 B CN115049648 B CN 115049648B CN 202210964502 A CN202210964502 A CN 202210964502A CN 115049648 B CN115049648 B CN 115049648B
Authority
CN
China
Prior art keywords
photovoltaic
hot spot
array
infrared image
visible light
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.)
Active
Application number
CN202210964502.0A
Other languages
English (en)
Other versions
CN115049648A (zh
Inventor
李庆光
尹哲
魏东华
张文杰
张弛
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.)
Beijing Zhongtuo Xinyuan Technology Co ltd
Original Assignee
Beijing Zhongtuo Xinyuan Technology 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 Beijing Zhongtuo Xinyuan Technology Co ltd filed Critical Beijing Zhongtuo Xinyuan Technology Co ltd
Priority to CN202210964502.0A priority Critical patent/CN115049648B/zh
Publication of CN115049648A publication Critical patent/CN115049648A/zh
Application granted granted Critical
Publication of CN115049648B publication Critical patent/CN115049648B/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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • 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
    • G06V10/70—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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开一种光伏组件热斑缺陷检测方法及装置。本发明涉及光伏缺陷检测技术领域。该方法通过获取光伏阵列的红外图像；利用语义分割模型对光伏阵列的红外图像进行阵列的边界识别和热斑识别，根据给定的规格和红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；确定热斑缺陷所在的红外图像光伏组件的行和列，读取热斑缺陷所在的红外图像光伏组件的温度；获取光伏阵列的可见光图像；利用语义分割模型对光伏阵列的可见光图像进行阵列的边界识别，将光伏阵列划分为阵列式分布的可见光图像光伏组件，对相应行和列的可见光图像光伏组件进行标记，可以更准确地判定热斑缺陷所在的位置和温度。

Description

光伏组件热斑缺陷检测方法及装置
技术领域
本发明涉及光伏缺陷检测技术领域，尤其涉及一种光伏组件热斑缺陷检测方法及装置。
背景技术
太阳能光伏发电作为可持续发展的清洁能源，对环境、经济的可持续发展有着巨大作用。热斑是太阳能光伏板的发生故障的一般现象，由于光伏板的电路结构故障会造成太阳能光伏板在进行发电时产生局部异常发热，使用红外成像仪可以发现红外热斑。对于小规模的光伏板可以使用便携式红外仪进行观测，检测热斑位置。但是对大规模太阳光伏能发电厂采用便携式红外仪无法迅速检测，人工手持红外热像仪或者是人工手持红外热像仪借助升降台去检测，这两种检测方式中人力和物力以及时间等方面消耗特别大。由于无人机的方便快捷，价格低廉等特性，利用无人机同时搭载可见光相机和红外热像仪对光伏电站进行巡检目前逐渐受到关注，一些无人机应用公司也开始提供解决方案，但目前大多数研究都侧重于红外图像的热斑检测问题，对于所检测的热斑组件在光伏电站中具体位置的确定，即热斑组件定位研究很少。热斑组件的精确定位是对故障组件进行智能维护的必要前提。
现有的对于光伏组件热斑的图像分析方法，通常采用红外成像仪拍摄的红外图像进行分析，使用图像处理技术在红外图像中找到热斑的位置。然而，在实际中，光伏阵列往往由许多阵列式分布的光伏组件组成，现有的方法只能获取光伏热斑在图片中的大致区域，不能具体确定出该热斑属于当前光伏阵列的哪个光伏组件，即存在光伏热斑的光伏组件在光伏阵列的第几行、第几列。
发明内容
本发明的目的在于提供一种光伏组件热斑缺陷检测方法及装置，以解决现有技术中，只能获取光伏热斑在图片中的大致区域，不能具体确定出该热斑属于当前光伏阵列的哪个光伏组件的问题。
第一方面，本发明提供一种光伏组件热斑缺陷检测方法，包括：
获取光伏阵列的红外图像；
利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷；
根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；
根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列；
通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度；
获取光伏阵列的可见光图像；
利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界；
根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件；
根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
进一步地，利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷，包括：
利用MaskRCNN对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，其中，MaskRCNN是一个两阶段的框架，第一个阶段扫描图像并生成提议，第二阶段分类提议并生成边界框和掩码，MaskRCNN模型扩展自Faster R-CNN，Faster R-CNN 是一个目标检测框架，MaskRCNN 将Faster R-CNN扩展为实例分割框架。
进一步地，根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的红外图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到红外图像光伏组件的四条边界。
进一步地，根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列，包括：
使用Python中的Shapely模块进行Skew IOU Computation，阈值设为0.35，IOU大于0.35时，表示当前组件存在热斑，输出当前组件的行和列。
进一步地，通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度，包括：
通过编译大疆提供的源码，生成动态链接库so文件，提取存在热斑的红外图像光伏组件的温度，并计算温度的最大值、最小值、平均值。
进一步地，根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的可见光图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到可见光图像光伏组件的四条边界。
进一步地，根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记，包括：
查找与热斑缺陷所在的红外图像光伏组件的行和列相同的可见光图像光伏组件；
对所述可见光图像光伏组件进行方框标记。
第二方面，本发明提供一种光伏组件热斑缺陷检测装置，包括：
第一获取单元，用于获取光伏阵列的红外图像；
第一识别单元，用于利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷；
第二划分单元，用于根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；
确定单元，用于根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列；
读取单元，用于通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度；
第二获取单元，还用于获取光伏阵列的可见光图像；
第二识别单元，还用于利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界；
第二划分单元，还用于根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件；
标记单元，用于根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
本发明的有益效果如下：本发明提供的一种光伏组件热斑缺陷检测方法及装置，通过获取光伏阵列的红外图像；利用语义分割模型对光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷；根据给定的规格和红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；根据热斑缺陷的坐标和红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列；通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度；获取光伏阵列的可见光图像；利用语义分割模型对光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界；根据给定的规格和可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件；根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记，可以更准确地判定热斑缺陷所在的位置和温度显示。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本发明实施例提供的光伏组件热斑缺陷检测方法流程图；
图2为本发明实施例提供的光伏组件热斑缺陷检测装置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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。以下结合附图，详细说明本发明各实施例提供的技术方案。
请参阅图1，本发明提供一种光伏组件热斑缺陷检测方法，包括：
S101，获取光伏阵列的红外图像。
S102，利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷。
由于热斑的特征不是规则的矩形，故采用语义分割来识别缺陷，这里用到的模型是MaskRCNN。
在本实施例中，利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷，包括：
利用MaskRCNN对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，其中，MaskRCNN是一个两阶段的框架，第一个阶段扫描图像并生成提议，第二阶段分类提议并生成边界框和掩码，MaskRCNN模型扩展自Faster R-CNN，Faster R-CNN 是一个目标检测框架，MaskRCNN 将Faster R-CNN扩展为实例分割框架。
而热斑只有在红外的照片才能显示得更加明显，所以通过对红外图片的推理，输出热斑的识别结果。
S103，根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件。
例如，光伏组件的规格是2*18，那么向MaskRCNN输入规格[2,18]。
在本实施例中，根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的红外图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到红外图像光伏组件的四条边界。
S104，根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列。
由于缺陷目标框是一个矩形框，但划分的组件框是一个不规则的四边形，不适合传统的IOU比较，此时需要用到Skew IOU Computation。
在本实施例中，根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列，包括：
使用Python中的Shapely模块进行Skew IOU Computation，阈值设为0.35，IOU大于0.35时，表示当前组件存在热斑，输出当前光伏组件的行和列。
S105，通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度。
在本实施例中，通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度，包括：
通过编译大疆提供的源码，生成动态链接库so文件，提取存在热斑的红外图像光伏组件的温度，并计算温度的最大值、最小值、平均值。
一般来说，正常光伏组件的温差会控制在10℃左右，而图中的温差达到30℃。由此可见，从视觉来识别的分割模型的结果，能够准确地识别组件热斑。
S106，获取光伏阵列的可见光图像。
由于可见光和红外的拍摄是两个摄像头拍摄的，拍摄角度和距离略有不同，故红外图里的组件划分结果不能直接适配到可见光图片里。需要通过分割模型再次识别其边界。
S107，利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界。
S108，根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件。
在本实施例中，根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的可见光图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到可见光图像光伏组件的四条边界。
S109，根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
例如，上述红外识别的热斑在光伏阵列的位置是2行10列，故直接找到可见光图片里面光伏阵列的2行10列，标注出对应的红框即可。
在本实施例中，根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记，包括：
查找与热斑缺陷所在的红外图像光伏组件的行和列相同的可见光图像光伏组件。
对所述可见光图像光伏组件进行方框标记。
请参阅图2，本发明提供一种光伏组件热斑缺陷检测装置，包括：
第一获取单元21，用于获取光伏阵列的红外图像。
第一识别单元22，用于利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷。
第一划分单元23，用于根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件。
确定单元24，用于根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列。
读取单元25，用于通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度。
第二获取单元26，还用于获取光伏阵列的可见光图像。
第二识别单元27，还用于利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界。
第二划分单元28，还用于根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件。
标记单元29，用于根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
由以上实施例可知，本发明通过语义分割模型来识别光伏阵列上光伏组件的热斑缺陷，然后使用边界拟合的方法，确定光伏阵列的范围，从而进行更好的光伏组件划分。接着使用Skew IOU Computation的方法求不规则四边形之间的IOU，确定存在缺陷光伏组件的位置。相比较现有技术，可以更准确地判定热斑缺陷所在的位置和温度。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的光伏组件热斑缺陷检测方法各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：Read-OnlyMemory，简称：ROM）或随机存储记忆体（英文：RandomAccessMemory，简称：RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于光伏组件热斑缺陷检测装置实施例而言，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中的说明即可。
Figure 266094DEST_PATH_IMAGE001
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (8)

1.一种光伏组件热斑缺陷检测方法，其特征在于，包括：
获取光伏阵列的红外图像；
利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷；
根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；
根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列；
通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度；
获取光伏阵列的可见光图像；
利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界；
根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件；
根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
2.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷，包括：
利用MaskRCNN对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，其中，MaskRCNN是一个两阶段的框架，第一个阶段扫描图像并生成提议，第二阶段分类提议并生成边界框和掩码，MaskRCNN模型扩展自Faster R-CNN，Faster R-CNN 是一个目标检测框架，MaskRCNN 将Faster R-CNN扩展为实例分割框架。
3.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的红外图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到红外图像光伏组件的四条边界。
4.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列，包括：
使用Python中的Shapely模块进行Skew IOU Computation，阈值设为0.35，IOU大于0.35时，表示当前组件存在热斑，输出当前组件的行和列。
5.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度，包括：
通过编译大疆提供的源码，生成动态链接库so文件，提取存在热斑的红外图像光伏组件的温度，并计算温度的最大值、最小值、平均值。
6.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件，包括：
根据光伏组件的规格，以及语义分割模型输出的可见光图像光伏阵列边界中的上、下边界，左、右边界的点拟合得到可见光图像光伏组件的四条边界。
7.如权利要求1所述的光伏组件热斑缺陷检测方法，其特征在于，根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记，包括：
查找与热斑缺陷所在的红外图像光伏组件的行和列相同的可见光图像光伏组件；
对所述可见光图像光伏组件进行方框标记。
8.一种光伏组件热斑缺陷检测装置，其特征在于，包括：
第一获取单元，用于获取光伏阵列的红外图像；
第一识别单元，用于利用语义分割模型对所述光伏阵列的红外图像进行阵列的边界识别和热斑识别，得到红外图像光伏阵列边界和热斑缺陷；
第二划分单元，用于根据给定的规格和所述红外图像光伏阵列边界，将光伏阵列划分为阵列式分布的红外图像光伏组件；
确定单元，用于根据热斑缺陷的坐标和所述红外图像光伏组件的交集，确定热斑缺陷所在的红外图像光伏组件的行和列；
读取单元，用于通过大疆温度sdk读取热斑缺陷所在的红外图像光伏组件的温度；
第二获取单元，还用于获取光伏阵列的可见光图像；
第二识别单元，还用于利用语义分割模型对所述光伏阵列的可见光图像进行阵列的边界识别，得到可见光图像光伏阵列边界；
第二划分单元，还用于根据给定的规格和所述可见光图像光伏阵列边界，将光伏阵列划分为阵列式分布的可见光图像光伏组件；
标记单元，用于根据热斑缺陷所在的红外图像光伏组件的行和列，对相应行和列的可见光图像光伏组件进行标记。
CN202210964502.0A 2022-08-12 2022-08-12 光伏组件热斑缺陷检测方法及装置 Active CN115049648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964502.0A CN115049648B (zh) 2022-08-12 2022-08-12 光伏组件热斑缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964502.0A CN115049648B (zh) 2022-08-12 2022-08-12 光伏组件热斑缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN115049648A CN115049648A (zh) 2022-09-13
CN115049648B true CN115049648B (zh) 2022-11-01

Family

ID=83167530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964502.0A Active CN115049648B (zh) 2022-08-12 2022-08-12 光伏组件热斑缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN115049648B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205892B (zh) * 2023-03-13 2024-04-05 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584222A (zh) * 2018-11-19 2019-04-05 国网江西省电力有限公司电力科学研究院 一种基于无人机的光伏组件图像的故障分类及辨识方法
CN111080691A (zh) * 2019-12-17 2020-04-28 晶科电力科技股份有限公司 一种光伏组件红外热斑检测方法、装置
CN112184711A (zh) * 2020-11-05 2021-01-05 杭州青枭科技有限公司 一种光伏组件缺陷检测和定位方法及系统
CN112862777A (zh) * 2021-02-03 2021-05-28 国家电投集团江西电力有限公司 一种光伏电站组件缺陷巡检系统及其缺陷处理方法
CN113284124A (zh) * 2021-06-07 2021-08-20 南京航空航天大学 一种基于无人机视觉的光伏面板缺陷检测方法
CN113920044A (zh) * 2021-09-30 2022-01-11 杭州电子科技大学 一种基于无人机成像的光伏热斑组件检测后定位方法
CN113989259A (zh) * 2021-11-09 2022-01-28 浙江浙能嘉华发电有限公司 一种基于无人机红外图像畸变校正的光伏板热斑检测方法
CN114612406A (zh) * 2022-03-03 2022-06-10 南京理工大学 一种基于可见光和红外视觉的光伏板缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584222A (zh) * 2018-11-19 2019-04-05 国网江西省电力有限公司电力科学研究院 一种基于无人机的光伏组件图像的故障分类及辨识方法
CN111080691A (zh) * 2019-12-17 2020-04-28 晶科电力科技股份有限公司 一种光伏组件红外热斑检测方法、装置
CN112184711A (zh) * 2020-11-05 2021-01-05 杭州青枭科技有限公司 一种光伏组件缺陷检测和定位方法及系统
CN112862777A (zh) * 2021-02-03 2021-05-28 国家电投集团江西电力有限公司 一种光伏电站组件缺陷巡检系统及其缺陷处理方法
CN113284124A (zh) * 2021-06-07 2021-08-20 南京航空航天大学 一种基于无人机视觉的光伏面板缺陷检测方法
CN113920044A (zh) * 2021-09-30 2022-01-11 杭州电子科技大学 一种基于无人机成像的光伏热斑组件检测后定位方法
CN113989259A (zh) * 2021-11-09 2022-01-28 浙江浙能嘉华发电有限公司 一种基于无人机红外图像畸变校正的光伏板热斑检测方法
CN114612406A (zh) * 2022-03-03 2022-06-10 南京理工大学 一种基于可见光和红外视觉的光伏板缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Anchor Points Based Accurate Fault Locating in Large-Scale Photovoltaic Plants via Aerial Infrared Videos;Yuxiang Ying et al.;《IEEE JOURNAL OF PHOTOVOLTAICS》;20220131;第12卷(第1期);437-443 *
一种基于红外图像识别的光伏组件热斑检测系统的研究与实现;陈文勤;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210315(第2021年第03期);C042-749 *

Also Published As

Publication number Publication date
CN115049648A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN105827200B (zh) 光电系统中电池组串故障的识别方法、装置和设备
West et al. Short-term irradiance forecasting using skycams: Motivation and development
CN107314819B (zh) 一种基于红外图像的光伏电站热斑检测与定位方法
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
CN113284124B (zh) 一种基于无人机视觉的光伏面板缺陷检测方法
CN115049648B (zh) 光伏组件热斑缺陷检测方法及装置
Gao et al. Automatic solar panel recognition and defect detection using infrared imaging
El Jaouhari et al. Dual-axis solar tracker design based on a digital hemispherical imager
Ren et al. Design of photovoltaic hot spot detection system based on deep learning
Guerriero et al. Automatic edge identification for accurate analysis of thermographic images of solar panels
Shou et al. Defect detection with generative adversarial networks for electroluminescence images of solar cells
Rodríguez-Sánchez et al. Development of a new method to estimate the incident solar flux on central receivers from deteriorated heliostats
WO2024083134A1 (zh) 一种火情判断方法、系统、装置和存储介质
Ying et al. Anchor points based accurate fault locating in large-scale photovoltaic plants via aerial infrared videos
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
Rodriguez et al. Segmentation and error detection of PV modules
Sánchez-González et al. Computation of canting errors in heliostats by flux map fitting: experimental assessment
CN112927222B (zh) 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法
Ramírez et al. IoT platform combined with machine learning techniques for fault detection and diagnosis of large photovoltaic plants
CN115035051A (zh) 光伏电站的组件分割方法、装置、电子设备及存储介质
CN117078743B (zh) 一种基于图像计算电路板银浆线面积的方法及系统
Baig et al. Recognition of faulty modules in a photovoltaic array using image processing techniques
Han et al. Photovoltaic Panel Fault Detection and location System Based on Series Depth Mode
Hao et al. KDBiDet: A bi-branch collaborative training algorithm based on knowledge distillation for photovoltaic hot-spot detection systems
Arosh et al. Composite imagery-based non-uniform illumination sensing for system health monitoring of solar power plants

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