CN115330787B - 一种基于图像识别的光伏组件覆冰面积检测方法 - Google Patents
一种基于图像识别的光伏组件覆冰面积检测方法 Download PDFInfo
- Publication number
- CN115330787B CN115330787B CN202211250703.0A CN202211250703A CN115330787B CN 115330787 B CN115330787 B CN 115330787B CN 202211250703 A CN202211250703 A CN 202211250703A CN 115330787 B CN115330787 B CN 115330787B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- icing
- picture
- area
- ice
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
- G06V10/77—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
-
- 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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于图像识别的光伏组件覆冰面积检测方法,属于光伏组件覆冰面积检测技术领域;所要解决的技术问题为:针对光伏组件覆冰情况监测成本高,维护繁琐,且采用人工监测工作强度高、识别率低、误报率高的问题,提供一种基于图像识别的光伏组件覆冰面积检测方法;解决该技术问题采用的技术方案为:通过控制光伏电站巡检无人机采集、分割得到光伏组件图片;收集光伏组件覆冰图片与非覆冰图片构建训练集,通过支持向量机对训练集进行训练,并用训练得到的模型对光伏组件图片进行分类,判断各光伏组件图片是否为光伏组件覆冰图片;计算光伏组件图片主成分矩阵;构建覆冰区域及非覆冰区域种子点;本发明应用于光伏组件覆冰面积检测。
Description
技术领域
本发明一种基于图像识别的光伏组件覆冰面积检测方法,属于光伏组件覆冰面积检测技术领域。
背景技术
光伏发电具有高效能、无污染、可持续等优点,近年来在发电领域受到高度重视,其并网容量呈现迅猛增加态势,逐步承担起电网调峰调频的任务;然而由于光伏电站多运行于荒野、山区等环境较为恶劣的区域,受灾频率相对较高,其中覆冰作为常见的光伏电站灾害之一,会大幅降低光伏组件发电效率、影响发电功率预测,降低组件寿命,甚至会造成相应组件设施发生坍塌毁损,已成为影响光伏电站冬季正常运行的主要因素之一。
为实现对光伏组件覆冰情况进行监测,目前主要通过安装各类传感器的方式进行实时监控,然而为光伏组件安装各类传感器的方法成本较高,且维护繁琐,不符合光伏电站实际运维情况,且监控内容主要依赖现场人员对监控画面进行人工识别,工作强度高,同时由于无法精确识别当前覆冰面积而得出错误的应对措施,带来识别率低、误报率高等问题。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:针对光伏组件覆冰情况监测成本高,维护繁琐,且采用人工监测工作强度高、识别率低、误报率高的问题,提供一种基于图像识别的光伏组件覆冰面积检测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种基于图像识别的光伏组件覆冰面积检测方法,包括如下检测步骤:
步骤一:通过控制光伏电站巡检无人机采集、分割得到光伏组件图片;
步骤二:收集光伏组件覆冰图片与非覆冰图片构建训练集,通过支持向量机对训练集进行训练,并用训练得到的模型对步骤一采集到的光伏组件图片进行分类,判断各光伏组件图片是否为光伏组件覆冰图片,若不是,则输出覆冰面积为0,若是,则进行后续步骤;
步骤三:计算光伏组件图片主成分矩阵;
步骤四:构建覆冰区域及非覆冰区域种子点;
步骤五:构建光伏组件图片覆冰概率矩阵;
步骤六:采用扩展随机行走算法对覆冰概率矩阵Q进行优化处理,得到覆冰分割结果;
然后计算光伏组件覆冰面积,计算公式为:
其中T即为光伏组件覆冰面积。
所述步骤三计算光伏组件图片主成分矩阵的具体步骤为:
将所述采集到的光伏组件图片由RGB模型下的图片转换为HSI模型下的图片,得到光伏组件图片中红色R、绿色G、蓝色B的分量,以及光伏组件图片中饱和度H、色度S、亮度I的分量,采用如下公式计算光伏组件图片中的亮度信息特征图F:
然后采用如下公式计算光伏组件图片主成分矩阵P:
所述步骤四构建覆冰区域及非覆冰区域种子点的具体步骤为:
步骤4.1:对亮度信息特征图F进行超像素分割,得到超像素块集;
步骤4.2:将超像素块集中像素点较少的超像素块去除;
步骤4.3:利用k-means聚类算法、比较亮度信息将超像素块集初步分为覆冰区域与非覆冰区域;
步骤4.4:对覆冰区域及非覆冰区域分别进行整体形态学腐蚀变换,所得结果即为覆冰区域与非覆冰区域种子点。
所述步骤五构建光伏组件图片覆冰概率矩阵的具体步骤为:
将种子点作为光伏组件图片覆冰区域与非覆冰区域训练像素,将光伏组件图片所有像素点作为测试像素,构建特征矩阵{R,G,B,H,S,I,F}作为对应像素点的特征向量,进而构建训练集与测试集;
然后将训练集与测试集通过支持向量机进行二值分类,支持向量机内部计算的每个像素点属于覆冰区域的概率所组成的矩阵即为覆冰概率矩阵Q。
所述步骤六对覆冰概率矩阵Q进行优化处理的具体步骤为:
将主成分矩阵P和覆冰概率矩阵Q作为扩展随机行走算法输入,通过如下扩展随机行走能量公式计算得到覆冰区域分割结果Y:
式中:a为可调参数;
并通过如下公式计算得到覆冰分割结果:
本发明相对于现有技术具备的有益效果为:本发明针对光伏组件的覆冰情况进行检测,不需要在光伏组件上额外安装传感器,采用光伏电站巡检无人机拍摄照片即可实现对覆冰面积的检测,为覆冰清除运维提供指导,加快覆冰清除效率,提升光伏组件寿命,降低光伏电站的运维检测成本,并可为光伏发电预测提供依据,提高发电预测的准确率;该检测方法结合了光伏组件图片的空间信息与亮度信息特征,使得覆冰区域分割结果具有鲁棒性高、噪点少、自动化程度高的特点,能够有效提高覆冰面积的检测精度,具备更强的实用价值。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明检测光伏组件覆冰面积的步骤流程图。
具体实施方式
如图1所示,本发明具体提供一种针对光伏组件覆冰面积的检测方法,结合了光伏组件图片的空间信息与亮度信息等特征进行识别,可以有效提高覆冰面积的检测精度,该检测方法的一般步骤为:
1、通过光伏电站巡检无人机采集、分割得到光伏组件图片;
2、对光伏组件图片进行分类,判断是否为覆冰光伏组件图片;
3、计算光伏组件图片主成分矩阵;构建覆冰区域及非覆冰区域种子点;构建覆冰概率矩阵;结合主成分矩阵、种子点、概率矩阵,通过采用扩展随机行走算法得到高精度覆冰分割结果;
4、根据分割结果计算光伏组件覆冰面积。
进一步的,本发明在具体操作过程中针对上述每一步步骤进行了改进,具体如下:
步骤1,通过光伏电站巡检无人机采集、分割得到光伏组件图片;
步骤2,对光伏组件图片进行分类,判断光伏组件图片是否为覆冰光伏组件图片。具体的,收集光伏组件覆冰图片与非覆冰图片构建训练集,通过支持向量机对训练集进行训练,并用训练得到的模型对步骤1所述的光伏组件图片进行分类,判断该图片是否为光伏组件覆冰图片。若不是,则输出覆冰面积为0;若是,则进行后续步骤;
步骤3,计算光伏组件图片主成分矩阵。将步骤1采集的RGB模型下的光伏组件图片转换为HSI模型下的图片,具体通过下述公式计算实现:
基于上式进行模型转换,其中,R、G、B分别为所述光伏组件图片的红、绿、蓝分量,H、S、I分别为光伏组件图片的饱和度、色度、亮度分量,通过运用公式计算光伏组件图片亮度信息特征图F。通过运行公式计算光伏组件图片主成分矩阵P,其中为主成分分析法(PCA)数据降维转换公式,计算a的第一主成分矩阵。
步骤4,构建覆冰区域及非覆冰区域种子点。因光伏组件覆冰区域通常呈现连续块状结构,因此对步骤3所述亮度信息特征图F进行超像素分割,得到超像素块集;将超像素块集中像素点较少的超像素块去除,以减少光伏组件中污染物、纹路的干扰;利用k-means聚类算法、比较亮度信息将所述超像素块集初步分为覆冰区域与非覆冰区域。目前所述的覆冰区域与非覆冰区域的各中心区域置信度较高,边缘区域置信度较低,为了提高种子点选取的置信度,对覆冰区域及非覆冰区域分别进行整体进行形态学腐蚀变换,所得结果即为覆冰区域与非覆冰区域种子点。
步骤5,构建光伏组件图片覆冰概率矩阵。将步骤4所述种子点作为光伏组件图片覆冰区域与非覆冰区域训练像素,将光伏组件图片所有像素点作为测试像素,构建特征矩阵{R,G,B,H,S,I,F}作为对应像素点的特征向量,进而构建训练集与测试集。将所述训练集与测试集通过支持向量机进行二值分类,支持向量机内部计算的每个像素点属于覆冰区域的概率所组成的矩阵即为覆冰概率矩阵Q。
步骤6,采用扩展随机行走算法覆冰概率矩阵Q进行优化,得到覆冰分割结果。将所述主成分矩阵P、覆冰概率矩阵Q作为扩展随机行走算法输入,通过求解扩展随机行走能量方程计算可得覆冰区域分割结果Y,其中a为可调参数;,其中,是覆冰概率矩阵Q中各像素属于覆冰区域的概率构成的对角矩阵;,其中,L为拉普拉斯矩阵,,,分别表示主成分矩阵P中像素点i、j上的值,与为可调参数,且为极小正值;表示像素点i与其领域内所有像素点之间权值之和。优选地,可将步骤4中所述种子点作为求解过程中的种子点。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (1)
1.一种基于图像识别的光伏组件覆冰面积检测方法,其特征在于:包括如下检测步骤:
步骤一:通过控制光伏电站巡检无人机采集、分割得到光伏组件图片;
步骤二:收集光伏组件覆冰图片与非覆冰图片构建训练集,通过支持向量机对训练集进行训练,并用训练得到的模型对步骤一采集到的光伏组件图片进行分类,判断各光伏组件图片是否为光伏组件覆冰图片,若不是,则输出覆冰面积为0,若是,则进行后续步骤;
步骤三:计算光伏组件图片主成分矩阵P,具体步骤为:
将所述采集到的光伏组件图片由RGB模型下的图片转换为HSI模型下的图片,得到光伏组件图片中红色R、绿色G、蓝色B的分量,以及光伏组件图片中饱和度H、色度S、亮度I的分量,采用如下公式计算光伏组件图片中的亮度信息特征图F:
然后采用如下公式计算光伏组件图片主成分矩阵P:
步骤四:构建覆冰区域及非覆冰区域种子点,具体步骤为:
步骤4.1:对亮度信息特征图F进行超像素分割,得到超像素块集;
步骤4.2:将超像素块集中像素点较少的超像素块去除;
步骤4.3:利用k-means聚类算法、比较亮度信息将超像素块集初步分为覆冰区域与非覆冰区域;
步骤4.4:对覆冰区域及非覆冰区域分别进行整体形态学腐蚀变换,所得结果即为覆冰区域与非覆冰区域种子点;
步骤五:构建光伏组件图片覆冰概率矩阵Q,具体步骤为:
将种子点作为光伏组件图片覆冰区域与非覆冰区域训练像素,将光伏组件图片所有像素点作为测试像素,构建特征矩阵{R,G,B,H,S,I,F}作为对应像素点的特征向量,进而构建训练集与测试集;
然后将训练集与测试集通过支持向量机进行二值分类,支持向量机内部计算的每个像素点属于覆冰区域的概率所组成的矩阵即为覆冰概率矩阵Q;
步骤六:采用扩展随机行走算法对覆冰概率矩阵Q进行优化处理,得到覆冰分割结果,具体步骤为:
将主成分矩阵P和覆冰概率矩阵Q作为扩展随机行走算法输入,通过如下扩展随机行走能量公式计算得到覆冰区域分割结果Y:
然后计算光伏组件覆冰面积,计算公式为:
其中T即为光伏组件覆冰面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250703.0A CN115330787B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250703.0A CN115330787B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330787A CN115330787A (zh) | 2022-11-11 |
CN115330787B true CN115330787B (zh) | 2023-01-24 |
Family
ID=83914260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250703.0A Active CN115330787B (zh) | 2022-10-13 | 2022-10-13 | 一种基于图像识别的光伏组件覆冰面积检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330787B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN111062933A (zh) * | 2019-12-24 | 2020-04-24 | 广西大学 | 一种基于视场自适应调节的输电线路覆冰图像检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112014019973A2 (pt) * | 2012-02-14 | 2017-06-13 | Tollgrade Communications Inc | sistema de gerenciamento de linha de transmissão |
CN108229371B (zh) * | 2017-12-29 | 2021-10-15 | 西安工程大学 | 基于冰形建模的输电导线横截面覆冰形状识别方法 |
CN109215020B (zh) * | 2018-08-30 | 2022-06-14 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN110298883B (zh) * | 2019-05-13 | 2022-06-24 | 南京航空航天大学 | 一种基于扩展随机游走算法的遥感图像亚像元定位方法 |
CN112365475A (zh) * | 2020-11-12 | 2021-02-12 | 国网山东省电力公司泰安供电公司 | 一种基于图像处理方式的输电线路覆冰监测方法及系统 |
CN112595276B (zh) * | 2020-11-27 | 2022-07-05 | 哈尔滨工程大学 | 一种基于深度学习的输电线路覆冰厚度检测方法 |
CN114372987A (zh) * | 2021-10-20 | 2022-04-19 | 南京航空航天大学 | 基于不规则区域空间光谱信息的亚像元洪水淹没制图方法 |
-
2022
- 2022-10-13 CN CN202211250703.0A patent/CN115330787B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894517A (zh) * | 2016-04-22 | 2016-08-24 | 北京理工大学 | 基于特征学习的ct图像肝脏分割方法及系统 |
CN111062933A (zh) * | 2019-12-24 | 2020-04-24 | 广西大学 | 一种基于视场自适应调节的输电线路覆冰图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330787A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381784B (zh) | 一种基于多光谱图像的设备检测系统 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111402247B (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN109215042B (zh) | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 | |
CN115496740B (zh) | 基于卷积神经网络的镜片缺陷检测方法及其系统 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 | |
CN111476153A (zh) | 一种水果成熟度计算方法 | |
CN116757988B (zh) | 基于语义丰富和分割任务的红外与可见光图像融合方法 | |
CN109509188B (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN108665468A (zh) | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 | |
CN114782442B (zh) | 一种基于人工智能的光伏电池板智慧巡检方法及系统 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN116883433B (zh) | 一种光伏组件表面温度分布实时监测系统 | |
CN115330787B (zh) | 一种基于图像识别的光伏组件覆冰面积检测方法 | |
CN106228172A (zh) | 基于聚类分析的破损绝缘子图像提取方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
CN111652055B (zh) | 一种基于两阶段定位的开关仪表智能识别方法 | |
CN114266975A (zh) | 无人机遥感图像的荔枝果实检测与计数方法 | |
CN114858301A (zh) | 物体表面温度测量系统、测量方法、智能终端及存储介质 | |
CN113763471A (zh) | 一种基于视觉的弹孔检测方法及系统 | |
CN113949142A (zh) | 一种基于视觉识别的巡线机器人自主充电方法、系统 |
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 |