CN116152195A - 光伏电池板的热斑检测方法、装置及电子设备 - Google Patents
光伏电池板的热斑检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116152195A CN116152195A CN202310136025.3A CN202310136025A CN116152195A CN 116152195 A CN116152195 A CN 116152195A CN 202310136025 A CN202310136025 A CN 202310136025A CN 116152195 A CN116152195 A CN 116152195A
- Authority
- CN
- China
- Prior art keywords
- temperature
- photovoltaic cell
- target detection
- image
- detection area
- 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
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
- 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
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本公开提供一种光伏电池板的热斑检测方法、装置及电子设备。该方法包括:利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。本公开提升了热斑检测的精度和效率,降低了检测成本。
Description
技术领域
本公开涉及光伏电池板故障检测技术领域,尤其涉及一种光伏电池板的热斑检测方法、装置及电子设备。
背景技术
为了保障光伏系统的安全运行,需要在光伏电池组件的运行使用过程中进行故障检测,光伏电池板的热斑检测是故障检测的主要内容之一。
目前,为了直接快速的检测光伏电池板热斑效应,基于红外图像法多采用对原始图像的分割和特征提取,然后采用模糊推理的方法对光伏电池组件的工作状态识别,然而模糊推理缺乏自我学习能力,泛化能力较差。导致现有的光伏电池板的热斑检测方法无法准确检测出热斑的位置和数量,降低热斑检测的精度和效率。
发明内容
有鉴于此,本公开实施例提供了一种光伏电池板的热斑检测方法、装置及电子设备,以解决现有技术存在的无法准确检测出热斑的位置和数量,降低热斑检测的精度和效率的问题。
本公开实施例的第一方面,提供了一种光伏电池板的热斑检测方法,包括:利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。
本公开实施例的第二方面,提供了一种光伏电池板的热斑检测装置,包括:采集模块,被配置为利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;提取模块,被配置为利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;转化模块,被配置为将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;检测模块,被配置为将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。
本公开实施例的第三方面,提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。本公开通过对光伏电池组件的红外图像进行处理和分析,实现光伏电池板的热斑检测,不仅提升了热斑检测的精度和效率,而且降低了检测成本。
附图说明
为了更清楚地说明本公开实施例中的技术方案,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公开的一些实施例,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的附图。
图1是本公开实施例提供的光伏电池板的热斑检测方法的流程示意图;
图2是本公开实施例提供的光伏电池板的热斑检测装置的结构示意图;
图3是本公开实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
为了保障光伏系统的安全运行,光伏热斑效应保护与检测方法主要有红外图像法,红外图像能够直观的反映被测物体的温度特性,现已被广泛应用于工业、建筑和电力监控等领域的故障检测。根据不同工作状态下的光伏组件存在明显温差的特征,光伏系统中通过对红外图像的处理与分析,可以提取可能的热斑现象故障区域及区域的特征信息,从而能够实现对光伏电池板的单体工作状态正常与否进行识别。
为了直接快速的检测光伏电池板的热斑效应,基于红外图像法多采用对原始图像的分割和特征提取,然后采用模糊推理的方法对光伏组件的工作状态识别,而模糊推理缺乏自我学习能力,泛化能力较差。例如,现有技术中公开了一种基于图像识别的光伏组件故障提示方法及系统,该方法仅采用阈值对比的方法对故障的识别,可靠性不高。此外,现有技术中还公开了一种基于红外图像的光伏阵列故障等级划分方法,该方法基于模式识别的算法,实现了光伏故障的等级划分,该方法图像预处理繁琐,无法实现大量图像的快速分析诊断。
进一步地,随着机器学习算法的研究发展,应用范围不断拓宽。目前,支持向量机(Support Vector Machine,SVM)以其出色的性能和理论基础成为了继神经网络之后机器学习领域新的研究热点。它与传统的机器学习方法相比,能够解决小样本学习问题,同时可以有效的解决非线性、高维和局部极值等实际问题。目前,基于支持向量机的光伏故障诊断与分类方法多针对于电气信号,如现有技术中公开的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法;现有技术中还公开了一种光伏阵列故障诊断方法。然而,这些方法需要考虑不同环境信息,前期人工数据采集繁琐,工作量大。但相关文献与专利中基于红外图像的支持向量机光伏电池板热斑故障诊断的方法研究还很少。同时,为了提高SVM的性能,引入带扩展记忆的粒子群算法(Particle SwarmOptimization with ExtendedMemory,PSOEM)对SVM的核函数参数和惩罚因子进行优化选择,以提高SVM模型的分类性能。
目前采用基于红外图像的热斑检测法,在对光伏电池板的红外图像的处理上,常见的算法有:最大类间方差法、二维最大熵阈值分割法、全局矩不变法、两级阈值分割算法等。经过实验验证得出上述方法存在分割不完整甚至错分的情形,并且当热斑大小、轮廓、数量发生变化时,也得不到较好的分割效果。导致现有的光伏电池板的热斑检测方法无法准确检测出热斑的位置和数量,降低热斑检测的精度和效率,提高了热斑检测的成本。
鉴于以上现有技术中存在的问题,本公开实施例提供一种光伏电池板的热斑检测方法,通过在正在使用的光伏电池板上,使用无人机携带的红外相机对光伏电池组件进行拍照获取其红外图像,并利用实例分割算法从红外图像中提取出目标检测区域,以及利用自带的SDK将红外图像信息转化为温度信息,根据统计学原理对于温度数值进行统计,利用原则根据实验结果进行阈值的设置与调整,确定阈值后,高于温度阈值的话可以判断为光伏电板损坏(即存在热斑问题),根据实际结果进行验证,反复迭代几次,确定最终具体阈值。本公开仅仅使用搭载红外相机的无人机就可以获取测区内的太阳能光伏电池板信息,减少人工成本,减少外业作业成本,经过统计学原理设置的阈值,可以很大程度保证热斑被发现的准确率,可以最大程度保证作业精度和作业效率。
图1是本公开实施例提供的光伏电池板的热斑检测方法的流程示意图。图1的光伏电池板的热斑检测方法可以由无人机或者服务器执行。如图1所示,该光伏电池板的热斑检测方法具体可以包括:
S101,利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;
S102,利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;
S103,将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;
S104,将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。
具体地,本公开实施例的光伏电池组件是由若干个光伏电池板串、并联连接和严密封装成的组件,因此光伏电池组件中通常包含多个光伏电池板,在实际应用中,光伏电池板也可以称为太阳能光伏板、太阳能电池板等。光伏电池板的热斑效应是指在一定条件下,处于发电状态的光伏组件串联支路中被遮挡或有缺陷的区域被当作负载,消耗其他区域所产生的能量,导致局部过热,这种现象称为光伏电池板的“热斑效应”。
在一些实施例中,利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像,包括:在光伏电池组件的运行工作过程中,利用红外相机采集光伏电池组件的红外图像,并根据红外图像中各个像素点的温度值,将红外图像渲染成伪彩色图。
具体地,本公开实施例在光伏电池组件的运行工作过程中,使用安装在无人机上的红外相机对光伏电池组件进行拍摄,获取光伏电池组件在工作状态下对应的红外图像数据。在拍摄光伏电池组件的红外图像之后,确定红外图像中每个像素点对应的温度值,并根据红外图像中每个像素点对应的温度值,将红外图像渲染成RGB三通道的伪彩色图,即伪彩色图是通过温度值对红外图像进行渲染得到的图像。
在一些实施例中,利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域,包括:利用实例分割算法对红外图像中光伏电池板所在的区域进行分割,从红外图像中提取出目标检测区域,其中,每个目标检测区域对应至少一个光伏电池板。
具体地,在拍摄红外图像之后,利用实例分割算法(比如MaskRCNN算法)对每幅红外图像中的光伏电池板进行语义分割,提取出纯净的光伏电池板红外图像,即提取出只包含光伏电池板的红外图像。MaskRCNN算法是由Faster R-CNN和语义分割算法FCN组成,前者用于完成目标检测任务,后者可以准确完成语义分割的任务。MaskRCNN算法的实现步骤如下:
(1)把图片输入到网络中获得对应的特征图;
(2)然后把这个特征图中的每一点设定个ROI(感兴趣区域),从而获得多个候选ROI;
(3)再把这些候选的ROI送入RPN网络中进行二值分类(前景或后景)和回归,过滤掉一部分候选的ROI;
(4)接着对这些剩下的ROI进行ROI Align操作(即先将原图和特征图的pixel对应起来,然后将特征图和固定的特征对应起来);
(5)最后,再对这些ROI进行分类(多分类)、回归(BB)和MASK生成(在每一个ROI中进行FCN操作)。
在实际应用中,本公开利用MaskRCNN算法在红外图像中沿着光伏电池板所在的区域,将光伏电池板所在区域的坐标提取出来,从而得到目标检测区域(即每一个光伏电池板在红外图像中对应的位置坐标所组成的区域),因此从红外图像中提取出的目标检测区域也可以理解为每个光伏电池板对应的位置坐标。
在一些实施例中,将红外图像转化为温度图像,包括:利用红外相机中预先配置的软件开发工具包,将光伏电池组件对应的红外图像转化为温度图像,其中,温度图像中的每个像素点对应一个温度值。
具体地,利用无人机的红外相机中自带的SDK(Software Development Kit,软件开发工具包)将光伏电池组件的红外图像转化为温度图像。SDK可以认为是第三方服务商提供的实现产品软件某项功能的工具包。本公开实施例可以利用红外相机中预先配置的SDK将拍摄的红外图像转化为温度图像,其中温度图像中的每个像素点(即每个坐标)对应一个温度值。
在一些实施例中,对目标检测区域对应的温度图像进行抽样,包括:采用均匀抽样法对目标检测区域的温度图像进行抽样,得到目标检测区域的温度图像中的每个像素点对应的温度值。
具体地,根据均匀抽样法,将目标检测区域(即每个光伏电池板所在区域)内的光伏电池板温度图像进行抽样,也就是说,对目标检测区域内每个像素点对应的温度值进行抽样,从而获得每个目标检测区域的温度图像中的每个像素点对应的温度值,即获得每个目标检测区域内的每个坐标对应的温度值,在温度图像中一个像素点对应一个坐标。
在一些实施例中,在将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较之前,该方法还包括:依据目标检测区域的温度图像中全部像素点的温度值计算均值和方差,利用均值和方差计算温度初始阈值,其中,温度初始阈值的计算公式为,/>表示均值,/>表示方差。
在实际应用中,首先基于目标检测区域内全部像素点的温度值的统计数据分别计算目标检测区域内温度值对应的均值和方差,然后基于均值和方差来计算温度初始阈值,具体计算公式为;均值是指目标检测区域内全部像素点对应温度值的平均值,方差是指目标检测区域内全部像素点对应温度值的方差。
在一些实施例中,对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测,包括:对高于温度初始阈值的像素点的面积进行求和,得到像素面积,将像素面积与预设的像素面积阈值进行比较;当像素面积大于像素面积阈值时,将目标检测区域对应的光伏电池板标记为异常状态;当像素面积小于或等于像素面积阈值时,将目标检测区域对应的光伏电池板标记为正常状态。
具体地,将每个目标检测区域内全部像素点对应的温度值分别与温度初始阈值(比如10℃)进行比较,并对高于温度初始阈值的像素点的面积进行统计(当像素点的面积为1*1时,像素点的个数就等于面积),根据统计结果对光伏电池板进行故障识别。
进一步地,当统计结果中高于温度初始阈值的像素点的面积(即像素面积)大于一定范围(即像素面积阈值)时,将该目标检测区域对应的光伏电池板标记为异常状态,即认为该目标检测区域内的光伏电池板发生热斑问题,光伏电池板处于损坏状态。
进一步地,当统计结果中高于温度初始阈值的像素点的面积(即像素面积)小于或等于像素面积阈值时,将该目标检测区域对应的光伏电池板标记为正常状态,即认为该目标检测区域内的光伏电池板未发生热斑问题,光伏电池板处于正常工作状态。
在一些实施例中,在根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测之后,该方法还包括:将标记为异常状态的目标检测区域与光伏电池组件中的真实热斑区域进行比对,利用检测标准对比对结果进行判断;当比对结果不符合检测标准时,将温度初始阈值加上或减去阈值温度步长,得到新的温度阈值;利用新的温度阈值与温度图像中每个像素点对应的温度值进行比较,并对高于新的温度阈值的像素点的面积进行统计,根据统计结果对目标检测区域的光伏电池板的热斑进行检测,直至比对结果符合检测标准。
具体地,本公开实施例利用温度初始阈值对目标检测区域内像素点的温度进行比较,并统计高于温度初始阈值的像素点的面积,以及根据统计结果对光伏电池板进行故障识别。在实际应用中,为了使故障识别结果更加接近真实结果,需要对温度初始阈值进行更新迭代,保证新的温度阈值进行比较和统计的结果能够提升热斑检测的识别准确率。
进一步地,本公开实施例通过人工标注好样本图像中光伏电池板对应的真实损坏区域,将其与光伏电池板被温度初始阈值判断的损坏区域进行对比,并通过设置一个检测标准,来核查该阈值设定的是否合理。当比对结果不符合检测标准时,例如比对结果中不匹配的损坏区域的数量大于或者小于检测标准时,设置阈值温度步长为合理数值,在温度初始阈值的基础上加上或减去阈值温度步长,对温度阈值进行迭代,直至比对结果中损坏区域的数量与检测标准保持一致,将符合检测标准时的温度阈值确定为最终温度阈值,大于最终温度阈值的像素点的面积大于像素面积阈值时,该目标检测区域内的光伏电池板被判定为损坏。
根据本公开实施例提供的技术方案,本公开实施例利用搭载红外相机的无人机采集光伏电池组件的红外图像数据,并利用MaskRCNN算法对红外图像进行语义分割,提取出包含光伏电池板的红外图像,利用红外相机自带的SDK将红外图像转化为温度图像,并基于温度图像获取目标检测区域内每个像素点对应的温度值,将每个像素点的温度值分别与温度初始阈值进行比较,统计高于温度初始阈值的像素点的面积,根据统计结果实现对光伏电池板的热斑检测;另外,本公开实施例还将通过将标记为异常状态的目标检测区域与光伏电池组件中的真实热斑区域进行比对,根据比对结果判断热斑检测是否符合检测标准,并通过设置阈值温度步长对温度初始阈值进行更新迭代,直至热斑检测结果符合检测标准。本公开实施例降低了热斑检测的成本,提升了热斑检测的精度和效率。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图2是本公开实施例提供的光伏电池板的热斑检测装置的结构示意图。如图2所示,该光伏电池板的热斑检测装置包括:
采集模块201,被配置为利用红外相机对光伏电池组件进行拍摄,采集光伏电池组件对应的红外图像;
提取模块202,被配置为利用实例分割算法对红外图像进行语义分割,以便从红外图像中提取出目标检测区域;
转化模块203,被配置为将红外图像转化为温度图像,并对目标检测区域对应的温度图像进行抽样,确定目标检测区域的温度图像中每个像素点对应的温度值;
检测模块204,被配置为将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于温度初始阈值的像素点的面积进行统计,根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测。
在一些实施例中,图2的采集模块201在光伏电池组件的运行工作过程中,利用红外相机采集光伏电池组件的红外图像,并根据红外图像中各个像素点的温度值,将红外图像渲染成伪彩色图。
在一些实施例中,图2的提取模块202利用实例分割算法对红外图像中光伏电池板所在的区域进行分割,从红外图像中提取出目标检测区域,其中,每个目标检测区域对应至少一个光伏电池板。
在一些实施例中,图2的转化模块203利用红外相机中预先配置的软件开发工具包,将光伏电池组件对应的红外图像转化为温度图像,其中,温度图像中的每个像素点对应一个温度值。
在一些实施例中,图2的转化模块203采用均匀抽样法对目标检测区域的温度图像进行抽样,得到目标检测区域的温度图像中的每个像素点对应的温度值。
在一些实施例中,图2的检测模块204在将目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较之前,依据目标检测区域的温度图像中全部像素点的温度值计算均值和方差,利用均值和方差计算温度初始阈值,其中,温度初始阈值的计算公式为,/>表示均值,/>表示方差。
在一些实施例中,图2的检测模块204对高于温度初始阈值的像素点的面积进行求和,得到像素面积,将像素面积与预设的像素面积阈值进行比较;当像素面积大于像素面积阈值时,将目标检测区域对应的光伏电池板标记为异常状态;当像素面积小于或等于像素面积阈值时,将目标检测区域对应的光伏电池板标记为正常状态。
在一些实施例中,图2的检测模块204在根据统计结果对目标检测区域对应的光伏电池板的热斑进行检测之后,将标记为异常状态的目标检测区域与光伏电池组件中的真实热斑区域进行比对,利用检测标准对比对结果进行判断;当比对结果不符合检测标准时,将温度初始阈值加上或减去阈值温度步长,得到新的温度阈值;利用新的温度阈值与温度图像中每个像素点对应的温度值进行比较,并对高于新的温度阈值的像素点的面积进行统计,根据统计结果对目标检测区域的光伏电池板的热斑进行检测,直至比对结果符合检测标准。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图3是本公开实施例提供的电子设备3的示意图。如图3所示,该实施例的电子设备3包括:处理器301、存储器302以及存储在该存储器302中并且可在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者,处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器301可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器302可以是电子设备3的内部存储单元,例如,电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备,例如,电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,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公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种光伏电池板的热斑检测方法,其特征在于,包括:
利用红外相机对光伏电池组件进行拍摄,采集所述光伏电池组件对应的红外图像;
利用实例分割算法对所述红外图像进行语义分割,以便从所述红外图像中提取出目标检测区域;
将所述红外图像转化为温度图像,并对所述目标检测区域对应的温度图像进行抽样,确定所述目标检测区域的温度图像中每个像素点对应的温度值;
将所述目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于所述温度初始阈值的像素点的面积进行统计,根据统计结果对所述目标检测区域对应的光伏电池板的热斑进行检测。
2.根据权利要求1所述的方法,其特征在于,所述利用红外相机对光伏电池组件进行拍摄,采集所述光伏电池组件对应的红外图像,包括:
在所述光伏电池组件的运行工作过程中,利用所述红外相机采集所述光伏电池组件的红外图像,并根据所述红外图像中各个像素点的温度值,将所述红外图像渲染成伪彩色图。
3.根据权利要求1所述的方法,其特征在于,所述利用实例分割算法对所述红外图像进行语义分割,以便从所述红外图像中提取出目标检测区域,包括:
利用所述实例分割算法对所述红外图像中光伏电池板所在的区域进行分割,从所述红外图像中提取出目标检测区域,其中,每个所述目标检测区域对应至少一个光伏电池板。
4.根据权利要求1所述的方法,其特征在于,所述将所述红外图像转化为温度图像,包括:
利用所述红外相机中预先配置的软件开发工具包,将所述光伏电池组件对应的红外图像转化为温度图像,其中,所述温度图像中的每个像素点对应一个温度值。
5.根据权利要求4所述的方法,其特征在于,所述对所述目标检测区域对应的温度图像进行抽样,包括:
采用均匀抽样法对所述目标检测区域的温度图像进行抽样,得到所述目标检测区域的温度图像中的每个像素点对应的温度值。
7.根据权利要求1所述的方法,其特征在于,所述对高于所述温度初始阈值的像素点的面积进行统计,根据统计结果对所述目标检测区域对应的光伏电池板的热斑进行检测,包括:
对高于所述温度初始阈值的像素点的面积进行求和,得到像素面积,将所述像素面积与预设的像素面积阈值进行比较;
当所述像素面积大于所述像素面积阈值时,将所述目标检测区域对应的光伏电池板标记为异常状态;
当所述像素面积小于或等于所述像素面积阈值时,将所述目标检测区域对应的光伏电池板标记为正常状态。
8.根据权利要求7所述的方法,其特征在于,在所述根据统计结果对所述目标检测区域对应的光伏电池板的热斑进行检测之后,所述方法还包括:
将标记为异常状态的目标检测区域与所述光伏电池组件中的真实热斑区域进行比对,利用检测标准对所述比对结果进行判断;
当所述比对结果不符合所述检测标准时,将所述温度初始阈值加上或减去阈值温度步长,得到新的温度阈值;
利用所述新的温度阈值与温度图像中每个像素点对应的温度值进行比较,并对高于所述新的温度阈值的像素点的面积进行统计,根据统计结果对所述目标检测区域的光伏电池板的热斑进行检测,直至所述比对结果符合所述检测标准。
9.一种光伏电池板的热斑检测装置,其特征在于,包括:
采集模块,被配置为利用红外相机对光伏电池组件进行拍摄,采集所述光伏电池组件对应的红外图像;
提取模块,被配置为利用实例分割算法对所述红外图像进行语义分割,以便从所述红外图像中提取出目标检测区域;
转化模块,被配置为将所述红外图像转化为温度图像,并对所述目标检测区域对应的温度图像进行抽样,确定所述目标检测区域的温度图像中每个像素点对应的温度值;
检测模块,被配置为将所述目标检测区域的温度图像中每个像素点对应的温度值分别与温度初始阈值进行比较,并对高于所述温度初始阈值的像素点的面积进行统计,根据统计结果对所述目标检测区域对应的光伏电池板的热斑进行检测。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136025.3A CN116152195A (zh) | 2023-02-20 | 2023-02-20 | 光伏电池板的热斑检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136025.3A CN116152195A (zh) | 2023-02-20 | 2023-02-20 | 光伏电池板的热斑检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152195A true CN116152195A (zh) | 2023-05-23 |
Family
ID=86361515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310136025.3A Pending CN116152195A (zh) | 2023-02-20 | 2023-02-20 | 光伏电池板的热斑检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456371A (zh) * | 2023-12-26 | 2024-01-26 | 浙江正泰智维能源服务有限公司 | 一种组串热斑检测方法、装置、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101754154B1 (ko) * | 2016-01-25 | 2017-07-05 | 주식회사 에스원 | 복수대역 카메라와 통계적 샘플링을 이용한 공공장소 발열환자 감지 시스템 및 이를 이용한 발열환자 감지 방법 |
US20170277966A1 (en) * | 2016-03-28 | 2017-09-28 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
CN107782764A (zh) * | 2016-08-25 | 2018-03-09 | 成都鼎桥通信技术有限公司 | 一种光伏组件的故障识别方法 |
JP2018078677A (ja) * | 2016-11-07 | 2018-05-17 | 株式会社Nttファシリティーズ | 太陽電池診断装置、及び太陽電池診断方法 |
CN111044149A (zh) * | 2019-12-19 | 2020-04-21 | 国网重庆市电力公司电力科学研究院 | 电压互感器的温度异常点检测方法、装置及可读存储介质 |
CN111242946A (zh) * | 2020-03-03 | 2020-06-05 | 广州紫川电子科技有限公司 | 一种基于红外热成像的人体体温异常检测方法及装置 |
CN112446863A (zh) * | 2020-11-24 | 2021-03-05 | 黄静 | 基于图像处理的光伏阵列热斑检测方法和检测系统 |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN113731865A (zh) * | 2021-09-03 | 2021-12-03 | 晶澳(扬州)太阳能科技有限公司 | 一种太阳能电池分选方法 |
CN114418945A (zh) * | 2021-12-14 | 2022-04-29 | 国家电投集团数字科技有限公司 | 一种光伏组件热斑检测方法及装置 |
CN114663389A (zh) * | 2022-03-21 | 2022-06-24 | 上海电气集团股份有限公司 | 光伏组件热斑检测方法、设备及存储介质 |
CN114723675A (zh) * | 2022-03-17 | 2022-07-08 | 武汉飞流智能技术有限公司 | 光伏组件检测方法、装置、设备及存储介质 |
US20220333992A1 (en) * | 2021-04-20 | 2022-10-20 | Abb Schweiz Ag | System for Monitoring a Device |
-
2023
- 2023-02-20 CN CN202310136025.3A patent/CN116152195A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101754154B1 (ko) * | 2016-01-25 | 2017-07-05 | 주식회사 에스원 | 복수대역 카메라와 통계적 샘플링을 이용한 공공장소 발열환자 감지 시스템 및 이를 이용한 발열환자 감지 방법 |
US20170277966A1 (en) * | 2016-03-28 | 2017-09-28 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
CN107782764A (zh) * | 2016-08-25 | 2018-03-09 | 成都鼎桥通信技术有限公司 | 一种光伏组件的故障识别方法 |
JP2018078677A (ja) * | 2016-11-07 | 2018-05-17 | 株式会社Nttファシリティーズ | 太陽電池診断装置、及び太陽電池診断方法 |
CN111044149A (zh) * | 2019-12-19 | 2020-04-21 | 国网重庆市电力公司电力科学研究院 | 电压互感器的温度异常点检测方法、装置及可读存储介质 |
CN111242946A (zh) * | 2020-03-03 | 2020-06-05 | 广州紫川电子科技有限公司 | 一种基于红外热成像的人体体温异常检测方法及装置 |
CN112446863A (zh) * | 2020-11-24 | 2021-03-05 | 黄静 | 基于图像处理的光伏阵列热斑检测方法和检测系统 |
US20220333992A1 (en) * | 2021-04-20 | 2022-10-20 | Abb Schweiz Ag | System for Monitoring a Device |
CN113470016A (zh) * | 2021-08-31 | 2021-10-01 | 江苏裕荣光电科技有限公司 | 一种基于人工智能的光伏电池板异常检测方法及装置 |
CN113731865A (zh) * | 2021-09-03 | 2021-12-03 | 晶澳(扬州)太阳能科技有限公司 | 一种太阳能电池分选方法 |
CN114418945A (zh) * | 2021-12-14 | 2022-04-29 | 国家电投集团数字科技有限公司 | 一种光伏组件热斑检测方法及装置 |
CN114723675A (zh) * | 2022-03-17 | 2022-07-08 | 武汉飞流智能技术有限公司 | 光伏组件检测方法、装置、设备及存储介质 |
CN114663389A (zh) * | 2022-03-21 | 2022-06-24 | 上海电气集团股份有限公司 | 光伏组件热斑检测方法、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456371A (zh) * | 2023-12-26 | 2024-01-26 | 浙江正泰智维能源服务有限公司 | 一种组串热斑检测方法、装置、设备及介质 |
CN117456371B (zh) * | 2023-12-26 | 2024-04-12 | 浙江正泰智维能源服务有限公司 | 一种组串热斑检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
Lu et al. | Defect detection of PCB based on Bayes feature fusion | |
CN116152195A (zh) | 光伏电池板的热斑检测方法、装置及电子设备 | |
CN110705619B (zh) | 雾浓度等级判别方法及装置 | |
CN115809982A (zh) | 电芯压伤检测方法、装置及系统 | |
Zhang et al. | Zero-DD: Zero-sample defect detection for industrial products | |
Wang et al. | Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images | |
Zhai et al. | Improved number plate localisation algorithm and its efficient field programmable gate arrays implementation | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113172002A (zh) | 一种基于图像识别的输煤线矸石识别方法及分选系统 | |
CN111488811B (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN116958503A (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
Samsami et al. | Classification of the air quality level based on analysis of the sky images | |
CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
Ghergherehchi et al. | RANdom sample consensus (RANSAC) algorithm for enhancing overlapped etched track counting | |
CN115273123A (zh) | 一种票据识别方法、装置、设备及计算机存储介质 | |
CN115187969A (zh) | 一种基于视觉识别的铅酸电池回收系统和方法 | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 | |
Zhang et al. | Angle steel tower bolt defect detection based on YOLO-V3 | |
Binomairah et al. | Detection of microcracks and dark spots in monocrystalline PERC cells using photoluminescene imaging and YOLO-based CNN with spatial pyramid pooling |
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 |