CN115082504B - 一种太阳能光伏板光斑识别方法 - Google Patents
一种太阳能光伏板光斑识别方法 Download PDFInfo
- Publication number
- CN115082504B CN115082504B CN202211009802.XA CN202211009802A CN115082504B CN 115082504 B CN115082504 B CN 115082504B CN 202211009802 A CN202211009802 A CN 202211009802A CN 115082504 B CN115082504 B CN 115082504B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- points
- photovoltaic panel
- 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.)
- Active
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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- 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
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种太阳能光伏板光斑识别方法,包括:获取非背景像素点的检测阈值;获取横纵边框线在霍夫空间中对应的所有周期性点,对每个周期性点进行聚类得到对应的聚簇,获取每个聚簇中非周期性点到聚簇中心的欧式距离,并绘制欧式距离的柱状图;获取该柱状图中最高柱与其它柱最高点连线的斜率,设置斜率阈值,根据斜率与斜率阈值得到霍夫空间中非光斑点,将霍夫空间中非光斑点进行遮蔽得到遮蔽后的霍夫空间点,将遮蔽后的霍夫空间点映射到灰度图中得到遮蔽后的灰度图,利用每个非背景像素点的检测阈值分别对遮蔽后的灰度图进行检测得到遮蔽后的灰度图中光斑所在位置。本发明提高了光伏板光斑检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种太阳能光伏板光斑识别方法。
背景技术
当前我国太阳能装机容量居世界前列,太阳能电站的光伏板通常安装在地域开阔、阳光充足的地带,在长期使用会落有飞鸟、尘土、落叶等遮挡物遮挡光伏板,导致光伏板无法产生能量,所以会消耗光伏板上其它正常光照区域所产生的能量,导致被遮挡处形成光斑,从而降低太阳能板的输出功率,甚至永久性破坏太阳能光伏板、烧毁光伏板。
现有的检测光斑采用无人机巡检的方法,该方法主要是采用无人机上配备的高精度热成像红外相机及高清可视相机采集光伏板热成像图像,并在光伏板热成像图像中利用阈值分割识别光斑,首先,由于受遮挡物大小、日光照射角度的影响,太阳能光伏板上不同光照区域的光斑的亮度会有所不同,因此单阈值分割无法结合每个光照区域中光斑的亮度;其次,由于光伏板横纵边框线上存在高亮点和高亮焊点,使用阈值分割往往会将光伏板横纵边框线上存在的高亮点和高亮焊点误认为光斑,因此,使用阈值分割时会产生识别不准确的问题。
发明内容
本发明提供一种太阳能光伏板光斑识别方法,以解决现有的阈值分割造成的光斑识别不准确的问题。
本发明的一种太阳能光伏板光斑识别方法,采用如下技术方案:
S1:获取太阳能光伏板的热成像图像的灰度图像,去除灰度图像中光伏板的横纵边框线得到多个灰度局部图,将所有灰度局部图进行拼接得到重构灰度图像;
S2:利用重构灰度图像中每个像素点与其邻域像素点的灰度值对重构灰度图像进行超像素分割得到重构灰度图像中的不同灰度区域,将每个灰度区域的最大灰度值作为该灰度区域非背景像素点的检测阈值;
S3:获取灰度图像中光伏板的横纵边框线在霍夫空间中对应的所有周期性点,以每个周期性点为聚类中心进行聚类得到对应的聚簇,获取每个聚簇中所有非周期性点到聚簇中心的欧式距离,并绘制所有欧式距离的柱状图;
S4:获取该柱状图中最高柱与其它柱的最高点之间连线的斜率,根据斜率与斜率阈值得到聚簇中的非光斑点,将非光斑点和周期性点进行遮蔽得到遮蔽后的霍夫空间,将遮蔽后的霍夫空间映射到灰度图中得到遮蔽后的灰度图,利用每个非背景像素点的检测阈值分别对遮蔽后的灰度图的进行检测得到遮蔽后的灰度图中光斑所在位置。
进一步的,所述得到多个灰度局部图的方法是:
获取光伏板横纵边框线的模板图;
利用光伏板横纵边框线的模板图对灰度图像进行模板匹配得到无横纵边框线的多个局部灰度图。
进一步的,所述得到重构灰度图像中的不同灰度区域的方法是:
利用重构灰度图像中每个像素点与其8邻域每个像素点的灰度值得到每个像素点与其8邻域每个像素点间的梯度,对每个像素点与其8邻域每个像素点间的梯度进行求导,对求导结果进行累加得到每个像素点8邻域的灰度变化趋势;
根据每个像素点8邻域的灰度变化趋势对重构灰度图像进行超像素分割得到重构灰度图像中的不同灰度区域。
进一步的,所述每个像素点8邻域的梯度的具体表达式如下:
式中:表示对中心像素点与其8邻域像素点梯度的求导结果之和,表示重构灰度图像中第个像素点,表示每个中心像素点的8邻域中第个点,代表每个中心像素点与其8邻域像素点的步长,表示中心像素点的坐标,表示中心像素点的8邻域中其它像素点的坐标,且。
进一步的,所述获取横纵边框线在霍夫空间中对应的所有周期性点的方法是:
根据检测阈值获取灰度图像中的非背景像素点,利用霍夫空间检测对灰度图像中的非背景像素点进行检测得到非背景像素点在霍夫空间中的所有极角;
根据横向边框线的平行特征得到所有极角中横向边框线在霍夫空间中的交点对应的极角;
计算该极角上相邻交点间的距离,根据该极角上相邻交点间的距离得到横向边框线在霍夫空间中对应的所有周期性点,同理得到纵向边框线在霍夫空间中对应的所有周期性点。
进一步的,所述获取该柱状图中最高柱与其它柱最高点连线的斜率的表达式为:
进一步的,所述得到聚簇中的非光斑点的方法是:
若最高柱与其它任意柱最高点连线的斜率大于斜率阈值,将该柱所对应的欧式距离对应到每个聚簇中得到聚簇中的非光斑点。
本发明的有益效果是:本发明中首先获取了不同光照程度的灰度区域中光斑检测阈值,实现了利用阈值分割识别光斑时,不同亮度光斑的自适应识别阈值,其次,本发明利用霍夫空间检测方法遮蔽了光伏板灰度图像中横纵边框线上的像素点和高亮焊点,即排除了横纵边框线上的像素点和高亮焊点对光斑识别的影响,再利用光斑检测阈值对灰度图像进行检测,实现了不同亮度光斑的自适应识别,并提高了光斑识别的准确度。
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为本发明的一种太阳能光伏板光斑识别方法的流程图;
图2为本发明的一种太阳能光伏板光斑识别方法的实施例提供了太阳能光伏板热成像图像的灰度图;
图3为本发明的一种太阳能光伏板光斑识别方法的实施例提供了得到重构灰度图像的具体过程示意图;
图4为本发明的一种太阳能光伏板光斑识别方法的实施例提供了光斑连通域的图像;
图5为本发明的一种太阳能光伏板光斑识别方法的实施例提供了欧式距离的柱状图。
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。
本发明的一种太阳能光伏板光斑识别方法的实施例,如图1所示,包括:
S1:获取太阳能光伏板的热成像图像的灰度图像,去除灰度图像中光伏板的横纵边框线得到多个灰度局部图,将灰度局部图进行拼接得到重构灰度图像。
S2:利用重构灰度图像中每个像素点与其邻域像素点的灰度值对重构灰度图像进行超像素分割得到重构灰度图像中的不同灰度区域,将每个灰度区域的最大灰度值作为该灰度区域非背景像素点的检测阈值。
获取太阳能光伏板的热成像图像的灰度图像的具体步骤是:光伏板光斑需要专用的热成像仪进行检测,通过光伏板表面的温度差来检测、判断光伏板是否存在光斑隐患,所以使用智能光伏运维无人机配备高精度热成像红外相机及高清可视相机,全面、精确的采集太阳能光伏板表面的丰富信息得到太阳能光伏板表面的热成像图像,通过无线传输,将热成像图像传输至服务器,实时检测光伏板上是否存在光斑问题,在巡检过程中自动拍摄太阳能光伏板表面的热成像图像,将太阳能光伏板表面的热成像图像进行灰度化处理得到了热成像图像的灰度图像,如图2 所示,并已标出了光斑所在位置。
光斑的形成是由于光伏板的负载电流大于光伏板被遮挡区域的短路电流,所谓负载电流即光伏板被遮挡区域所消耗的光伏板未被遮挡区域的输出电流,一旦光伏板未被遮挡区域输出的最大电流能够满足负载电流,多余的电荷就会在相应的光伏板两端积累产生光斑。因此,当单组光伏板的发电量越大,则对光伏板被遮挡区域的负载电流就越大,因此光斑越亮;而单组光伏板的发电量越小,则光斑越亮度越低,换言之光照越强的区域光斑亮度较高,光照越弱的区域光斑亮度较低。
光伏板横纵铝合金边缘存在导热性能,长期阳光照射会使光伏板横纵铝合金边缘交汇处存在较高的亮度,在进行光斑识别时,往往会将铝合金边缘交汇处的高亮点识别为光斑,不同光照区域光斑的亮度有所不同,因此,在进行阈值分割识别光斑时也会将光照弱的区域中的光斑遗漏,所以为了使光斑识别结果准确,首先,需要去除光伏板横纵铝合金边缘对光斑检测的影响得到重构灰度图像,其次,需要划分出重构灰度图像中的不同灰度区域,获取不同灰度区域的光斑检测阈值对光斑进行识别,避免进行光斑识别时,发生遗漏。
得到重构灰度图像的具体步骤是:在灰度图像中光伏板横纵铝合金边缘灰度值较高,会对计算灰度图像的局部亮度带来一定干扰,因此,获取光伏板横纵边框线与灰度图像进行模板匹配,具体的是:对灰度图像利用光伏板横纵边框线建立掩模得到无光伏板横纵边框线的灰度局部图,即通过掩膜暂时将灰度图像中的光伏板横纵边框线暂时遮盖得到灰度局部图,将所得灰度局部图按照原本排列位置进行拼接得到重构灰度图像,具体过程示意图如图3所示。
由于光照程度的变化在灰度图像中是一个整体区域的灰度渐变过程,一个像素点在不同方向上既有递增变化,也有递减变化,而两者中某一方的变化程度相对较大时,其就是该像素点的灰度变化方向。因此,我们以重构灰度图中每个像素点为中心像素点,计算所有中心像素点与其8邻域像素点之间的梯度,并进行求导,对求导的结果进行累加可得每个中心像素点与其8邻域像素点梯度的求导结果之和,根据每个中心像素点与其8邻域像素点梯度的求导结果之和得到每个中心像素点8邻域的灰度变化趋势,若求导结果之和结果为正数,则代表该8邻域的灰度变化趋势为向光照更强的区域递增,反之,则代表该8邻域的灰度变化趋势为向光照更弱的区域递减。因此,获取每个中心像素点8邻域的灰度变化趋势的具体表达式为:
式中:表示对中心像素点与其8邻域像素点梯度的求导结果之和,表示重构灰度图像中第个像素点,表示每个中心像素点的8邻域中第个点,代表每个中心像素点与其8邻域像素点的步长,表示中心像素点的坐标,表示中心像素点的8邻域中其它像素点的坐标,且。
其中,由于光照程度的变化在灰度图像中是一个整体区域的灰度渐变过程,个像素点在不同方向上既有递增变化,也有递减变化,而两者中某一方的变化程度相对较大时,其就是该像素点的灰度变化方向。因此,我们把求导结果累加起来,若为正数,则代表该8邻域的灰度变化趋势为向着更高程度的日照区域递增;若为负数,则代表该8邻域的灰度变化趋势向着更低的日照区域递减。
根据每个中心像素点8邻域的灰度变化趋势可将重构灰度图像分割为不同的灰度区域,具体步骤为:超像素分割算法是根据像素点之间的某些相似性将同类、相似的像素点划分为一个空间上连接的超像素块。本发明以灰度值相似性与求导结果之和的正负性为划分依据,对重构灰度图像进行超像素分割,灰度值相似性即相邻像素点灰度值之间的差异极小,而的正负代表了每个像素点8邻域的灰度变化趋势,以灰度值相似性和每个像素点8邻域的灰度变化趋势为超像素的分割依据,可以使分割结果更加准确,分割结果得到不同光照的区域,即重构灰度图像中的不同灰度区域。
其中,由于我们进行超像素分割的依据为灰度相似性和灰度变化方向一致性,但是光斑内部几乎不存在灰度梯度,因此即使某个光照区域内部存在光斑,也不会与该区域一同分割,而是呈现一个被包围的连通域,如图4所示。因此分割后的不同灰度区域,仅包含光伏板背景。
至此,得到了不同灰度区域。
因为,无论是铝合金横纵边框的灰度值还是光斑的灰度值都明显高于自身所在灰度区域的光伏板其他位置处的灰度值,因此我们以每个区域的最大灰度值作为非背景像素点的检测阈值,铝合金横纵边框像素点的灰度值与光斑像素点的灰度值接近,横纵边框交界处焊接点的像素点的灰度值与光斑像素点的灰度值接近,因此,非背景像素点包含了光斑像素点、横纵边框线的像素点及高亮焊点像素点。其中,表示第个灰度区域中的最大灰度值。
至此得到了非背景像素点的所有检测阈值。利用上述方法可以获取不同太阳能光伏板非背景像素点的检测阈值,实现了非背景像素点检测时阈值的自适应。分别利用非背景像素点的所有检测阈值对灰度图像进行检测,可得到灰度图像中所有非背景像素点。
S3:获取灰度图像中光伏板的横纵边框线在霍夫空间中对应的所有周期性点,以每个周期性点为聚类中心进行聚类得到对应的聚簇,获取每个聚簇中所有非周期性点到聚簇中心的欧式距离,并绘制所有欧式距离的柱状图。
S4:获取该柱状图中最高柱与其它柱最高点连线的斜率,设置斜率阈值,根据斜率与斜率阈值得到霍夫空间中所有非光斑点,将霍夫空间中所有非光斑点进行遮蔽得到遮蔽后的霍夫空间点,将遮蔽后的霍夫空间点映射到灰度图中得到遮蔽后的灰度图,利用每个非背景像素点的检测阈值分别对遮蔽后的灰度图进行检测得到遮蔽后的灰度图中光斑所在位置,进而得到太阳能光伏板中光斑所在位置。
由于太阳能光伏板的边框为平行或垂直的直线,利用霍夫空间检测对灰度图像中所有非背景像素点进行检测。霍夫空间检测是把每个点所能形成的直线都用参数坐标表示出来,具体表达式如下:
利用霍夫空间检测对灰度图像中所有非背景像素点进行检测,得到了所有非背景像素点在霍夫空间中的极角和极径,由于,横纵边框线在灰度图像中分布具有相互平行的规律,因此,所有横向边框线上的像素点在霍夫空间中的交点对应同一个极角,所有纵向边框线上的像素点在霍夫空间中的交点对应同一个极角。由于非背景像素点中横纵边框线所对应的像素点个数远远大于光斑像素点与焊点像素点个数之和,因此获取霍夫空间中每个极角所对应的交点个数,获取对应交点个数最多的两个极角,即对应交点个数最多的两个极角分别对应每条横向边框线和每条纵向边框。由于光伏板横向边框线平行且相邻边框线间的距离固定相等,同理,光伏板纵向边框线平行且相邻边框线间的距离固定相等,因此,所有横向和纵向边框线上的像素点在霍夫空间中的交点分布存在规律,相邻交点间的距离相等。分别获取对应的每个相邻交点间的距离差,分别获取对应相邻交点间的相同距离差的个数,所对应的最多的相同距离差的交点对应为光伏板横向边框线,所对应的最多的相同距离差的交点对应为光伏板纵向边框线,将每条横向边框线和纵向边框线所对应的交点进行标记,标记后则会呈现周期性,将标记后的交点称为周期性点。
至此,得到了所有周期性点。
以每个周期性点为中心利用k-means算法进行聚类得到对应的聚簇,计算每个聚簇中非周期点到聚类中心欧式距离,具体表达式如下:
其中,代表极径,对应到灰度图像中r值之间的差值也代表了两条直线之间的距离,代表极角,值之间的差值代表了两条直线的角度相似性,因此欧氏距离可以代表灰度图像中较短、较小直线与铝合金边缘之间距离、角度的关联关系。
根据上式得到了每个聚簇中非周期性点到中心点的欧式距离,由于光照的影响,在光伏板横纵边框线的交界处往往会存在焊点,此时,焊点为高亮像素点,影响光斑的检测,焊点与光伏板横纵边框线非常接近,因此,对应到霍夫空间中,周期点的周围所存在的非周期性的点可能是光伏板横纵边框线交界处附近的焊点,但是不排除是光斑的可能,因此,需要区分周期点的周围所存在的非周期性的点是否属于光斑,由于高亮焊点在光照强度大的区域存在多处,位置固定,具有普遍性,而光斑相较于高亮焊点分布随机,所以根据每个聚簇内非周期性点到中心点的欧式距离判断高亮焊点与光斑,绘制欧式距离的柱状图,如图5所示,最高柱代表该欧式距离的个数最多,即认为该欧式距离代表高亮焊点,计算最高柱与其它每一个柱最高点连线的斜率,具体的最高柱与其它任意柱最高点连线的斜率的具体表达式如下:
设置斜率阈值0.3,若所得最高柱与其它任意柱最高点连线的斜率大于斜率阈值,则该柱代表高亮焊点,若所得最高柱与其它任意柱最高点连线的斜率小于斜率阈值,则该柱代表光斑。依此得到所有高亮焊点对应的欧式距离。
将所有高亮焊点对应的欧式距离对应到每个聚簇中得到所有高亮焊点对应的非周期性点,将霍夫空间中所有高亮焊点对应的非周期性点和所有周期性点进行遮蔽得到遮蔽后的霍夫空间,将遮蔽后的霍夫空间点映射到灰度图中得到遮蔽后的灰度图,利用每个非背景像素点的检测阈值分别对遮蔽后的灰度图进行检测得到遮蔽后的灰度图中的光斑。将遮蔽后的灰度图中的光斑位置对应到太阳能光伏板表面,得到太阳能光伏板表面光斑所在位置。
本发明的有益效果是:本发明中首先获取了不同光照程度的灰度区域中光斑检测阈值,实现了利用阈值分割识别光斑时,不同亮度光斑的自适应识别阈值,其次,本发明利用霍夫空间检测方法遮蔽了光伏板灰度图像中横纵边框线上的像素点和高亮焊点,即排除了横纵边框线上的像素点和高亮焊点对光斑识别的影响,再利用光斑检测阈值对灰度图像进行检测,实现了不同亮度光斑的自适应识别,并提高了光斑识别的准确度。
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 (6)
1.一种太阳能光伏板光斑识别方法,其特征在于,包括:
S1:获取太阳能光伏板的热成像图像的灰度图像,去除灰度图像中光伏板的横纵边框线得到多个灰度局部图,将所有灰度局部图进行拼接得到重构灰度图像;
S2:利用重构灰度图像中每个像素点与其邻域像素点的灰度值对重构灰度图像进行超像素分割得到重构灰度图像中的不同灰度区域,将每个灰度区域的最大灰度值作为该灰度区域非背景像素点的检测阈值;
S3:获取灰度图像中光伏板的横纵边框线在霍夫空间中对应的所有周期性点,以每个周期性点为聚类中心进行聚类得到对应的聚簇,获取每个聚簇中所有非周期性点到聚簇中心的欧式距离,并绘制所有欧式距离的柱状图;
所述获取灰度图像中光伏板的横纵边框线在霍夫空间中对应的所有周期性点的方法是:
根据检测阈值获取灰度图像中的非背景像素点,利用霍夫空间检测对灰度图像中的非背景像素点进行检测得到非背景像素点在霍夫空间中的所有极角;
根据横向边框线的平行特征得到所有极角中横向边框线在霍夫空间中的交点对应的极角;
计算该极角上相邻交点间的距离,根据该极角上相邻交点间的距离得到横向边框线在霍夫空间中对应的所有周期性点,同理得到纵向边框线在霍夫空间中对应的所有周期性点;
S4:获取该柱状图中最高柱与其它柱的最高点之间连线的斜率,根据斜率与斜率阈值得到聚簇中的非光斑点,将非光斑点和周期性点进行遮蔽得到遮蔽后的霍夫空间,将遮蔽后的霍夫空间映射到灰度图中得到遮蔽后的灰度图,利用每个非背景像素点的检测阈值分别对遮蔽后的灰度图的进行检测得到遮蔽后的灰度图中光斑所在位置。
2.根据权利要求1所述的一种太阳能光伏板光斑识别方法,其特征在于,所述得到多个灰度局部图的方法是:
获取光伏板横纵边框线的模板图;
利用光伏板横纵边框线的模板图对灰度图像进行模板匹配得到无横纵边框线的多个局部灰度图。
3.根据权利要求1所述的一种太阳能光伏板光斑识别方法,其特征在于,所述得到重构灰度图像中的不同灰度区域的方法是:
利用重构灰度图像中每个像素点与其8邻域每个像素点的灰度值得到每个像素点与其8邻域每个像素点间的梯度,对每个像素点与其8邻域每个像素点间的梯度进行求导,对求导结果进行累加得到每个像素点8邻域的灰度变化趋势;
根据每个像素点8邻域的灰度变化趋势对重构灰度图像进行超像素分割得到重构灰度图像中的不同灰度区域。
6.根据权利要求1所述的一种太阳能光伏板光斑识别方法,其特征在于,所述得到聚簇中的非光斑点的方法是:
若最高柱与其它任意柱最高点连线的斜率大于斜率阈值,将该柱所对应的欧式距离对应到每个聚簇中得到聚簇中的非光斑点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009802.XA CN115082504B (zh) | 2022-08-23 | 2022-08-23 | 一种太阳能光伏板光斑识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009802.XA CN115082504B (zh) | 2022-08-23 | 2022-08-23 | 一种太阳能光伏板光斑识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082504A CN115082504A (zh) | 2022-09-20 |
CN115082504B true CN115082504B (zh) | 2022-11-11 |
Family
ID=83244135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009802.XA Active CN115082504B (zh) | 2022-08-23 | 2022-08-23 | 一种太阳能光伏板光斑识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409833B (zh) * | 2022-10-28 | 2023-01-31 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及系统 |
CN108108736A (zh) * | 2017-12-22 | 2018-06-01 | 晶科电力科技股份有限公司 | 一种太阳能光伏板光斑识别方法 |
CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
CN109670248A (zh) * | 2018-12-21 | 2019-04-23 | 浙江大学 | 塔式太阳能热发电中光斑的辐射能密度分布的模拟方法 |
CN110533601A (zh) * | 2019-07-15 | 2019-12-03 | 江苏大学 | 一种激光光斑中心位置及轮廓获取方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN114758017A (zh) * | 2022-04-24 | 2022-07-15 | 启东市恒通橡胶制品厂(普通合伙) | 用于橡胶密封圈异常检测的压缩传输方法 |
CN114881915A (zh) * | 2022-02-11 | 2022-08-09 | 西安电子科技大学 | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7031543B2 (en) * | 2002-01-02 | 2006-04-18 | Xerox Corporation | Grayscale image de-speckle algorithm |
US20160271167A1 (en) * | 2015-03-20 | 2016-09-22 | Shui Yin Lo | Method for detection treatment and prevention of neurological development disorders |
CN106683075B (zh) * | 2016-11-22 | 2020-02-21 | 广东工业大学 | 一种输电线杆塔横担处螺栓缺陷检测方法 |
CN114120197B (zh) * | 2021-11-27 | 2024-03-29 | 中国传媒大学 | 2si模式传输的超高清视频异态信号检测方法 |
CN114881956A (zh) * | 2022-04-28 | 2022-08-09 | 首辅锂电科技江苏有限公司 | 基于霍夫变换的电池板栅线自适应提取方法及系统 |
-
2022
- 2022-08-23 CN CN202211009802.XA patent/CN115082504B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及系统 |
CN108108736A (zh) * | 2017-12-22 | 2018-06-01 | 晶科电力科技股份有限公司 | 一种太阳能光伏板光斑识别方法 |
CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
CN109670248A (zh) * | 2018-12-21 | 2019-04-23 | 浙江大学 | 塔式太阳能热发电中光斑的辐射能密度分布的模拟方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN110533601A (zh) * | 2019-07-15 | 2019-12-03 | 江苏大学 | 一种激光光斑中心位置及轮廓获取方法 |
WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN112927189A (zh) * | 2021-01-28 | 2021-06-08 | 江苏大学 | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 |
CN114881915A (zh) * | 2022-02-11 | 2022-08-09 | 西安电子科技大学 | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 |
CN114758017A (zh) * | 2022-04-24 | 2022-07-15 | 启东市恒通橡胶制品厂(普通合伙) | 用于橡胶密封圈异常检测的压缩传输方法 |
Non-Patent Citations (5)
Title |
---|
Analysis and characterization of PV module defects by thermographic inspection;Sara Gallardo-Saavedra 等;《Revista Facultad de Ingeniería Universidad de Antioquia》;20190520;第1-27页 * |
Hotspot diagnosis for solar photovoltaic modules using a Naive Bayes classfier;Kamran Ali Khan Niazi 等;《Solar Energy 190》;20190807;第34-43页 * |
TFT-LCD面板缺陷成像、提取、识别和分类方法研究;王宏硕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115;第2020年卷(第01期);第I136-163页 * |
一种光斑图像的阈值分割和光斑中心坐标的计算方法;韩亚荣 等;《现代计算机》;20110930(第09期);第13-16页 * |
基于统计高斯拟合的圆形光斑中心定位方法;石达顺等;《测控技术》;20201231;第39卷(第07期);第51-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082504A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN106952260B (zh) | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 | |
CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN115115634B (zh) | 基于红外图像的光伏阵列热斑检测方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
CN104537650A (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
CN115082504B (zh) | 一种太阳能光伏板光斑识别方法 | |
CN110414308A (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
CN112801947A (zh) | 一种led显示终端坏点的视觉检测方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN117036641A (zh) | 一种基于双目视觉的公路场景三维重建与缺陷检测方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN112399046B (zh) | 物体检测装置及方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |