CN115202404A - 基于无人机的光伏发电组维护巡检方法 - Google Patents

Abstract

本发明涉及无人机巡检技术领域，具体涉及一种基于无人机的光伏发电组维护巡检方法，该方法包括：将光伏发电组划分为若干个区块，计算各光伏发电组件的异常状况值，根据异常状况值获取各区块的异常指数，得到光伏发电组的异常分布图；将异常分布图输入到神经网络模型中，输出无人机的第一巡检路径；计算各光伏发电组件的灰度分布指标；计算光伏发电组件中各像素点的纹理特征表征值，得到纹理特征分布图，进而得到各光伏发电组件的关注度分布方向图；获取各区块的第一主成分方向，基于第一主成分方向，获取第一巡检路径中对应两区块的最佳巡检路径，得到无人机的最佳巡检路径。本发明提供的最佳巡检路径能够提高巡检效率与精度。

Description

基于无人机的光伏发电组维护巡检方法

技术领域

本发明涉及无人机巡检技术领域，具体涉及一种基于无人机的光伏发电组维护巡检方法。

背景技术

随着光伏产业的不断发展，光伏运维的重要性日益提升，对光伏发电组的光伏阵列进行巡检和维修的任务十分繁重，为了实现远程集控与区域检修运维模式的要求，巡检无人机随着市场需求的推动应运而生；无人机具有操作简单、反应迅速、载荷丰富、任务用途广泛、起飞降落对环境的要求低、自主飞行等优点，在光电领域已经广泛代替人工进行巡检，降低了工人的劳动强度，保证作业人员的人身安全，并极大地降低了生产成本。

现如今，较大规模的太阳能发电站大都列装了无人机巡检设备，大多数无人机均是沿固定的巡检路线进行巡检，对光伏发电组件进行图像采集，获取光伏电池板的缺陷数据，然后进行记录和存储，进而实现对所有光伏发电组件的巡检，但是这种固定巡检路径的巡检方法存在光伏发电组数据提取不完整、遗漏部分光伏发电组、重复巡检以及巡检效率低等问题。同时，固定巡检路径的巡检方法对所有光伏发电板的关注度高度一致，不能精确获取缺陷的光伏电池板。现有技术中还存在基于环境的复杂度对无人机的巡检路线进行规划，但是这种规划方法没有考虑到光伏发电组件自身的纹理信息，得到的规划路线仍然存在检测效率低、检测不准确的问题。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于无人机的光伏发电组维护巡检方法，所采用的技术方案具体如下：

将光伏发电组划分为若干个区块，每个区块中包括多个光伏发电组件，基于各光伏发电组件对应的历史运行数据与检测参数数据，分别得到各光伏发电组件对应的异常风险指标与异常等级；

计算所述异常风险指标与异常等级的乘积，得到各光伏发电组件对应的异常状况值，根据所述异常状况值，计算各区块对应的异常指数，获取光伏发电组的异常分布图；

将所述异常分布图输入到神经网络模型中，输出无人机的第一巡检路径；所述第一巡检路径为一条折线，折线中的每一条线段为对应两区块的初始巡检路经；

获取各个光伏发电组件对应的图像信息并对其进行预处理，得到灰度图像；基于所述灰度图像中像素点的灰度值计算各光伏发电组件对应的灰度分布指标；

对于各灰度图像中的每一个像素点，以任意一像素点为中心，设置k×k的窗口，将所述窗口对应灰度共生矩阵的熵与灰度分布指标的乘积记为该像素点的纹理特征表征值，得到各光伏发电组件对应的纹理特征分布图；其中，k大于等于3；

根据所述纹理特征分布图，获取各像素点对应的位移矢量，将所述位移矢量与对应像素点像素值的乘积作为该像素点的关注度矢量，得到各光伏发电组件对应的关注度分布方向图；

根据所述关注度分布方向图，获取各区块对应的第一主成分方向，基于所述第一主成分方向，获取第一巡检路径中对应两区块的最佳巡检路径，得到无人机的最佳巡检路径。

进一步地，所述检测参数数据包括电流值与电压值。

进一步地，所述异常指数为区块中所有光伏发电组件对应异常状况值的累加和。

进一步地，所述异常分布图由各区块对应的异常指数构成，所述纹理特征分布图由各像素点对应的纹理特征表征值构成。

进一步地，所述灰度分布指标的获取方法为：根据光伏发电组件对应的灰度图像，基于灰度图像中各行各列像素点的灰度值，计算各行各列对应的排列熵，将各行对应排列熵的累加和与各列对应排列熵的累加和相加，得到灰度分布指标。

进一步地，所述位移矢量的获取方法为：位移矢量的方向为光伏发电组件的中心像素点指向对应像素点的方向，位移矢量的大小为对应像素点的纹理特征表征值与光伏发电组件的中心像素点的纹理特征表征值的差值。

进一步地，所述各区块对应的第一主成分方向的获取方法为：根据各区块中所有光伏发电组件对应的关注度分布方向图，利用PCA算法获取各区块第一主成分方向。

进一步地，所述两区块的最佳巡检路径的获取方法为：设定若干条两区块对应的区域路径，获取两区块中前一个区块对应的第一主成分方向，获取各条区域路径上每一点的切线与第一主成分方向的夹角，计算各条区域路径上所有点的切线与所述第一主成分方向的夹角的和，得到各条区域路径对应的判定值，将最小判定值对应的区域路径作为最佳巡检路径。

进一步地，所述神经网络模型为DNN网络。

本发明实施例至少具有如下有益效果：

本发明通过将光伏发电组划分为若干个区块，计算各光伏发电组件的异常状况值，根据异常状况值获取各区块的异常指数，得到光伏发电组的异常分布图；通过异常分布图获取无人机的第一巡检路径；第一巡检路径为无人机的大致巡检路径，确定了无人机在巡检时的大致走向，实现了无人机对异常指数较大的区块增加关注度，对于异常指数较大的区块能够得到更为准确的监测数据，提高了巡检精度；本发明还通过各光伏发电组件的关注度分布方向图获取各区块的第一主成分方向，基于第一主成分方向，获取第一巡检路径中对应两区块的最佳巡检路径，得到无人机的最佳巡检路径。最佳巡检路径是对第一巡检路径的进一步更新，本发明提供的最佳巡检路径能够提高巡检效率与精度，实现基于各光伏发电组件的实际状况对无人机的巡检路线进行规划更新，具有较高的巡检效率，提高对存在异常状况可能性较高的区块进行准确监测，避免了单一固定巡检路线的巡检时间长、效率低下等问题。

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和优点，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的介绍，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它附图。

图1为本发明的一种基于无人机的光伏发电组维护巡检方法实施例的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

请参阅图1，其示出了本发明一个实施例提供的一种基于无人机的光伏发电组维护巡检方法的步骤流程图，该方法包括以下步骤：

步骤1，将光伏发电组划分为若干个区块，每个区块中包括多个光伏发电组件，基于各光伏发电组件对应的历史运行数据与检测参数数据，分别得到各光伏发电组件对应的异常风险指标与异常等级。

具体地，为了提高分析速度，降低分析计算量，首先对光伏发电组（光伏发电组由多个光伏发电组件构成）进行区块划分，得到多个区块，区块的个数大于等于4；每个区块中包括多个光伏发电组件，每一个区块的大小为n×n，即每一个区块中包括n×n个光伏发电组件，其中，n大于等于2，本实施例设置区块的大小为5×5，即区块中一共包括25个光伏发电组件，区块的大小与个数由实施者根据光伏发电组的实际情况进行设置。

然后，本实施例基于各光伏发电组件对应的历史运行数据与检测参数数据，分别得到各光伏发电组件对应的异常风险指标与异常等级；其中历史运行数据包括但不限于光伏发电组件所处的实际环境、位置信息以及在设定时段内发生异常状况的次数；所述位置信息由安装在无人机上的激光雷达获取；本实施例中的设定时段为一个月，实施者可根据实际情况调整设定时段的取值。检测参数数据包括但不限于电流值与电压值，电流值通过电流传感器获取，电压值通过电压传感器获取；即根据各光伏发电组件对应的历史运行数据得到各光伏发电组件对应的异常风险指标，根据各光伏发电组件对应的检测参数数据得到各光伏发电组件对应的异常等级。

所述异常风险指标由相关工作人员根据各光伏发电组件对应的历史运行数据进行设定，异常风险指标的取值范围在区间[1,10]之间，异常风险指标越大，表明对应的光伏发电组件越有可能发生异常状况，且对其邻域光伏发电组件的影响程度越大。本实施例基于各光伏发电组件对应的历史运行数据由相关工作人员为每个光伏组件设置异常风险指标，异常风险指标的设置不仅考虑了光伏发电组件自身的原因，即在设定时段内发生异常状况的次数，还考虑外界因素，即光伏发电组件所处的实际环境与位置信息，使得到的异常风险指标更精确。

所述异常等级的获取方法为：根据各光伏发电组件对应的检测参数数据，得到各光伏发电组件对应的检测参数数据序列，将检测参数数据序列输入到神经网络中，输出光伏发电组件对应的异常等级

，异常等级

共有十个取值，分别为：0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0。异常等级是对各光伏发电组件对应的检测参数数据异常状况的评估，异常等级的取值越大，表明对应光伏发电组件的检测参数数据存在异常的可能性越大，则该光伏发电组件越有可能发生异常状况。其中，神经网络为现有的分类网络，实施者可根据实际情况自行选取，本实施例采用全连接FC分类神经网络，全连接FC分类神经网络在训练时的损失函数为交叉熵损失函数。全连接FC分类神经网络的训练过程为现有技术，不在本发明保护范围内，不再赘述。

步骤2，计算所述异常风险指标与异常等级的乘积，得到各光伏发电组件对应的异常状况值，进而计算各区块对应的异常指数，获取光伏发电组的异常分布图；将所述异常分布图输入到神经网络模型中，输出无人机的第一巡检路径；所述第一巡检路径为一条折线，折线中的每一条线段为对应两区块的初始巡检路线。

所述异常状况值的公式具体为：

，式中，

为光伏发电组件

对应的异常状况值，

为光伏发电组件

对应的异常风险指标，

为光伏发电组件

对应的异常等级。

上述中的异常指数为区块中所有光伏发电组件对应异常状况值的累加和；异常指数越大，表明无人机在巡检时更应该关注对应的区块。进而得到光伏发电组的异常分布图，异常分布图由各区块对应的异常指数构成。

然后将异常分布图输入到神经网络模型中，输出无人机的第一巡检路径，第一巡检路径为一条折线，折线中的每一条线段为对应两区块的初始巡检路线，线段的起点和终点均对应一个区块的中点。本实施例中的神经网络模型为DNN网络，DNN网络在训练过程中对应的损失函数为交叉熵损失函数，其中DNN网络的训练过程为公知技术，不在本发明的保护范围内，不再赘述。

以下对上述中的第一巡检路径进行简要说明，第一巡检路径为一条折线，折线中每一条线段的起点和终点均对应一个区块的中点，区块的中点是指区块的中心点所在位置处，由上述可知，第一巡检路径是基于异常分布图获取的，异常分布图由各区块对应的异常指数构成，异常指数越大，表明无人机在巡检时更应该关注对应的区块，即折线中每一条线段的起点和终点对应的是无人机在巡检时更应该关注的区块的中点；例如，将光伏发电组划分为了9个区块，则异常分布图共三行三列，且每一行每一列均具有三个区块；若第一行第二列对应的区块、第二行第三列对应的区块以及第三行第三列对应的区块的异常指数均较大，因此，基于此张异常分布图得到的无人机的第一巡检路径中存在两条线段，且第一条线段的终点为第二条线段的起点，第一条线段的起点对应第一行第二列对应的区块的中点，第一条线段的终点对应第二行第三列对应的区块的中点，第二条线段的起点对应第二行第三列对应的区块的中点，第二条线段的终点对应第三行第三列对应的区块的中点。

需要说明的是，通过异常分布图获取无人机的第一巡检路径，第一巡检路径中每一条线段的起点和终点对应的均为异常指数较高的区块的中点，异常指数高，表明该区块在巡检时更应该被关注，因此无人机处于该区块中点的正上方能够更加清晰的获取该区块中各个光伏发电组件的数据，为后续步骤提供更为精确的分析数据。

步骤3，获取各个光伏发电组件对应的图像信息并对其进行预处理，得到各个光伏发电组件对应的灰度图像；基于灰度图像中像素点的灰度值计算各光伏发电组件对应的灰度分布指标。

具体地，利用无人机携带的RGB摄像机获取各张包含光伏发电组件的图像信息的图像数据，无人机在对光伏发电组进行巡检的过程中，RGB摄像机可进行视角转换，以保证获取光伏发电组中所有光伏发电组件对应的图像数据；同时，当无人机处于一个固定的位置时，可以通过改变RGB摄像机的视角以及RGB摄像机的焦距，获取各个光伏发电组件的图像数据，以便为后续对各个光伏发电组件的分析提供准确的图像数据。

然后利用边缘检测算法获取图像数据中光伏发电组件的边缘信息，得到边缘图像；基于边缘图像将图像数据中的光伏发电组件的图像信息分割出来，得到光伏发电组件的图像信息，考虑到光伏发电组件的表面存在很多细小的栅线，为避免细小的栅线会对光伏发电组件的分割带来不良影响，本实施例将对边缘图像进行形态学闭运算，消除光伏发电组件上的细小的栅线带来的影响，以便获取更为准确的光伏发电组件的图像信息，图像信息能够准确表征每个光伏发电组件的表面状况。其中边缘检测算法具有多种，实施者可自行选择其中一种，边缘检测与形态学闭运算均为公知技术，不再赘述。

上述中灰度分布指标的获取方法为：根据光伏发电组件对应的灰度图像，基于灰度图像中各行各列像素点的灰度值，计算各行各列对应的排列熵，将各行对应排列熵的累加和与各列对应排列熵的累加和相加，得到灰度分布指标。

当光伏发电组件正常时，光伏发电组件表面像素点的灰度分布具有一定的规律性，即各行各列对应的排列熵较小，当光伏发电组件表面存在缺陷，即表面破损，或有落叶、垃圾、碎屑以及杂草等附着在光伏发电组件表面时，光伏发电组件表面像素点的灰度分布的规律性就会被破坏，导致排列熵增大，因此排列熵可以从一定程度上反映出光伏发电组件的异常状况，即排列熵越大，异常状况越明显。

本实施例将行对应的排列熵记为

，将列对应的排列熵记为

，灰度分布指标的计算公式为：

,式中，

为光伏发电组件

对应的灰度分布指标，

为光伏发电组件

对应灰度图像中第i行对应的排列熵，

为光伏发电组件

对应灰度图像中行对应的总个数，

为光伏发电组件

对应灰度图像中第j列对应的排列熵，

为光伏发电组件

对应灰度图像中列对应的总个数。其中排列熵的计算为公知技术，不在本发明的保护范围内，不再赘述。

需要说明的是，灰度分布指标用于对光伏发电组件表面行列像素点的整体灰度分布状况进行表征，灰度分布指标值越大，则光伏发电组件表面灰度分布越复杂，表面纹理特征越杂乱，则该光伏发电组件为异常的可能性越大。

步骤4，对于各灰度图像中的每一个像素点，以任意一像素点为中心，设置k×k的窗口，将所述窗口对应灰度共生矩阵的熵与所述灰度分布指标的乘积记为该像素点的纹理特征表征值，得到各光伏发电组件对应的纹理特征分布图；其中，k大于等于3。

具体地，对于任意一个光伏发电组件对应的灰度图像来说，得到该灰度图像中所有像素点对应的纹理特征表征值，然后得到该光伏发电组件对应的纹理特征分布图，所述纹理特征分布图由各像素点对应的纹理特征表征值构成。纹理特征表征值的计算公式为：

，

为像素点c对应的纹理特征表征值，

为像素点c所在的光伏发电组件

对应的灰度分布指标，

为以像素点c为中心的k×k的窗口对应灰度共生矩阵的熵。灰度共生矩阵的熵为公知技术不再赘述。

纹理特征表征值的计算不仅考虑了以该像素点为中心的窗口内像素点灰度值的分布状况，即窗口对应灰度共生矩阵的熵，还考虑了该像素点所在的灰度图像对应像素点灰度值的分布状况，即灰度分布指标，从局部和整体两个方面获取各像素点的纹理特征表征值，考虑的角度更加全面，使得到的纹理特征表征值更具说服力，表征结果更准确。

本实施例中窗口的大小为11×11，即k的取值为11，在实际操作过程中，实施者可根据实际情况调整k的取值。

步骤5，根据所述纹理特征分布图，获取各像素点对应的位移矢量，将位移矢量与对应像素点像素值的乘积作为该像素点的关注度矢量，得到各光伏发电组件对应的关注度分布方向图。

所述位移矢量的获取方法为：位移矢量的方向为光伏发电组件的中心像素点指向对应像素点的方向，位移矢量的大小为对应像素点的纹理特征表征值与光伏发电组件的中心像素点的纹理特征表征值的差值。

进一步地，首先将方向和大小均相同的关注度矢量进行求和处理，然后通过密度聚类将分布密集的关注度矢量聚为一类，得到多个类别，最后将每个类别中所有关注度矢量的均值作为对应类别的类别矢量，一个类别对应一个类别矢量，每个光伏发电组件表面可得到多个类别矢量，进而得到各光伏发电组件对应的关注度分布方向图，所述关注度分布方向图由类别矢量构成，其中所述密度聚类为公知技术，不在本发明的保护范围内，在此不作相关阐述。

需要说明的是，关注度分布方向图中每个类别矢量的方向和大小表示对该方向上纹理异常分布的关注度大小，关注度越大，表明该方向上的纹理分布异常情况越严重，无人机越需要往该方向进行巡检，以便进一步准确提取该方向处光伏发电组件表面的纹理分布异常状况特征参数，实现对光伏发电组的精确巡检。

步骤6，根据所述关注度分布方向图，获取各区块对应的第一主成分方向，基于所述第一主成分方向，获取第一巡检路径中对应两区块的最佳巡检路径，得到无人机的最佳巡检路径。

所述各区块对应的第一主成分方向的获取方法为：根据各区块中所有光伏发电组件对应的关注度分布方向图，利用PCA算法获取各区块对应的第一主成分方向，其中第一主成分方向为区块中所有类别矢量投影方差最大的主成分方向，其中PCA算法是主成分分析的算法，为公知技术，不再赘述。

所述两区块的最佳巡检路径的获取方法为：设定若干条两区块对应的区域路径，获取两区块中前一个区块对应的第一主成分方向，获取各条区域路径上每一点的切线方向与所述第一主成分方向的夹角，计算各条区域路径上所有点的切线方向与所述第一主成分方向的夹角的和，得到各条区域路径作为最佳巡检路径的判定值，将最小判定值对应的区域路径作为最佳巡检路径。

具体地，根据步骤2可知，第一巡检路径中的每一条线段为对应两区块的第一巡检路线，每一条线段的起点和终点均对应一个区块的中点，且第一条线段的终点为第二条线段的起点。即每一条线段对应的是两区块中点的连线，此条连线为直线，本实施例中设定的两区块的区域路径为曲线，从若干条区域路径中选择最小判定值对应的区域路经作为最佳巡检路径，从而达到进一步细化无人机在两区块的巡检方向，设置300条区域路径，实施者可对区域路径的数量进行调整。

以区块1区块2为例，对获取两区块的最佳巡检路径进行展开说明，将区块1的中点记为O1，将区块2的中点记为O2，无人机将从区块1到区块2进行巡检，即区块1与区块2对应第一巡检路径的起点对应O1，区块1与区块2对应第一巡检路径的终点对应O2；设定300条区块1与区块2对应的区域路线，获取各条区域路径上每一点的切线与区块1对应第一主成分方向的夹角，计算各条区域路径上所有点的切线与区块1对应第一主成分方向的夹角的和，得到各条区域路径作为最佳巡检路径的判定值，将最小判定值对应的区域路径作为最佳巡检路径。

上述中判定值的计算公式为：

，式中

为第w条区域路径的判定值，

为第w条区域路径上的点

的切线与区块1对应第一主成分方向的夹角，

为第w条区域路径。

通过上述步骤，获取第一巡检路径对应的最佳巡检路径，得到无人机巡检光伏发电组的最佳巡检路径。

需要说明的是，第一巡检路径确定了无人机的大致巡检方向，最佳巡检路径是对第一巡检路径的进一步优化，为无人机的最终巡检路径，本实施例基于各个区块的异常状况的分布情况得到无人机的第一巡检路径，然后再基于每个区块内各光伏发电组件的关注度分布方向图，得到最佳巡检路线，最终实现基于无人机的光伏发电组巡检路线的设定及更新。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于无人机的光伏发电组维护巡检方法，其特征在于，该方法包括以下步骤：

将光伏发电组划分为若干个区块，每个区块中包括多个光伏发电组件，基于各光伏发电组件对应的历史运行数据与检测参数数据，分别得到各光伏发电组件对应的异常风险指标与异常等级；

计算所述异常风险指标与异常等级的乘积，得到各光伏发电组件对应的异常状况值，根据所述异常状况值，计算各区块对应的异常指数，获取光伏发电组的异常分布图；

将所述异常分布图输入到神经网络模型中，输出无人机的第一巡检路径；所述第一巡检路径为一条折线，折线中的每一条线段为对应两区块的初始巡检路经；

获取各个光伏发电组件对应的图像信息并对其进行预处理，得到灰度图像；基于所述灰度图像中像素点的灰度值计算各光伏发电组件对应的灰度分布指标；

对于各灰度图像中的每一个像素点，以任意一像素点为中心，设置k×k的窗口，将所述窗口对应灰度共生矩阵的熵与灰度分布指标的乘积记为该像素点的纹理特征表征值，得到各光伏发电组件对应的纹理特征分布图；其中，k大于等于3；

根据所述纹理特征分布图，获取各像素点对应的位移矢量，将所述位移矢量与对应像素点像素值的乘积作为该像素点的关注度矢量，得到各光伏发电组件对应的关注度分布方向图；

根据所述关注度分布方向图，获取各区块对应的第一主成分方向，基于所述第一主成分方向，获取第一巡检路径中对应两区块的最佳巡检路径，得到无人机的最佳巡检路径。

2.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述检测参数数据包括电流值与电压值。

3.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述异常指数为区块中所有光伏发电组件对应异常状况值的累加和。

4.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述异常分布图由各区块对应的异常指数构成，所述纹理特征分布图由各像素点对应的纹理特征表征值构成。

5.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述灰度分布指标的获取方法为：根据光伏发电组件对应的灰度图像，基于灰度图像中各行各列像素点的灰度值，计算各行各列对应的排列熵，将各行对应排列熵的累加和与各列对应排列熵的累加和相加，得到灰度分布指标。

6.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述位移矢量的获取方法为：位移矢量的方向为光伏发电组件的中心像素点指向对应像素点的方向，位移矢量的大小为对应像素点的纹理特征表征值与光伏发电组件的中心像素点的纹理特征表征值的差值。

7.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述各区块对应的第一主成分方向的获取方法为：根据各区块中所有光伏发电组件对应的关注度分布方向图，利用PCA算法获取各区块第一主成分方向。

8.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述两区块的最佳巡检路径的获取方法为：设定若干条两区块对应的区域路径，获取两区块中前一个区块对应的第一主成分方向，获取各条区域路径上每一点的切线与第一主成分方向的夹角，计算各条区域路径上所有点的切线与所述第一主成分方向的夹角的和，得到各条区域路径对应的判定值，将最小判定值对应的区域路径作为最佳巡检路径。

9.根据权利要求1所述的一种基于无人机的光伏发电组维护巡检方法，其特征在于，所述神经网络模型为DNN网络。

Images