CN116192049B - 一种应用于分布式光伏项目下的安全检测方法和系统 - Google Patents
一种应用于分布式光伏项目下的安全检测方法和系统 Download PDFInfo
- Publication number
- CN116192049B CN116192049B CN202310473799.5A CN202310473799A CN116192049B CN 116192049 B CN116192049 B CN 116192049B CN 202310473799 A CN202310473799 A CN 202310473799A CN 116192049 B CN116192049 B CN 116192049B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- infrared
- array
- standard
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000010248 power generation Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 61
- 238000001914 filtration Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Nonlinear Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏检测技术领域，涉及一种应用于分布式光伏项目下的安全检测方法，包括：获取光伏阵列的可见光阵列图组以及红外阵列图组，从可见光阵列图组中提取出阵列结构特征；将可见光阵列图组切分成可见光单件图组集，将红外阵列图组切分成红外单件图组集，建立阵列发电网络图；从可见光单件图组集中提取出标准光伏纹理特征集；从红外单件图组集中提取出标准光伏红外特征集；将标准光伏纹理特征集和标准光伏红外特征集融合成光伏融合特征集，从光伏融合特征集中提取出光伏状态集，根据光伏状态集和阵列发电网络图生成损坏定位结果。本发明还提出一种应用于分布式光伏项目下的安全检测系统。本发明可以提高光伏安全检测的精确度。
Description
技术领域
本发明涉及光伏检测技术领域，尤其涉及一种应用于分布式光伏项目下的安全检测方法和系统。
背景技术
为了保证光伏项目的可靠性以及可持续性，需要定期对光伏项目进行维护，即需要进行光伏组件的定期的安全检测，以保证光伏电站的高效发电和长期稳定运行。
现有的光伏安全检测方法多为基于发电数据的安全检测方法，通过获取每个光伏设备的发电数据，分析出异常的发电数据，从而实现安全检测，实际应用中，基于发电数据的安全检测方法需要对大量的光伏设备单独配备电力检测装置，成本较高，且基于发电数据的安全检测方法只能判断出设备的电路状态，例如开路状态、短路状态，无法判定光伏设备的物理损坏情况，且基于发电数据的安全检测方法受天气情况的影响较大，阴雨天的低发电数据可能存在状态误判的情况，可能导致进行光伏安全检测时的准确度较低。
发明内容
本发明提供一种应用于分布式光伏项目下的安全检测方法和系统，其主要目的在于解决进行光伏安全检测时的准确度较低的问题。
为实现上述目的，本发明提供的一种应用于分布式光伏项目下的安全检测方法，包括：
利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征；
根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图；
对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集；
依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集；
将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
可选地，所述对所述可见光阵列图组进行光伏检测，得到阵列结构特征，包括：
逐个选取所述可见光阵列图组中的可见光阵列图片作为目标可见光阵列图片，对所述目标可见光阵列图片进行图片去噪，得到除噪可见光阵列图片；
对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘；
对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘；
对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征；
对所有的标准边缘特征进行平均池化操作，得到阵列结构特征。
可选地，所述对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘，包括：
按照边缘交点将所述可见光阵列边缘拆分成可见光阵列边缘段集，逐个选取所述可见光阵列边缘段集中的可见光边缘段作为目标可见光边缘段；
将预设的计数器的数值加一，从所述目标可见光边缘段中分别选取两个像素点作为第一坐标点和第二坐标点；
根据所述第一坐标点以及所述第二坐标点确定初始边缘直线；
计算所述边缘段中其余像素点到所述初始边缘直线的距离，并统计所述距离小于预设的距离阈值的像素点占比；
返回所述将预设的计数器的数值加一的步骤，直至所述计数器的数值大于预设的迭代阈值时，选取所述像素点占比最大的初始边缘直线作为目标边缘直线；
从所述目标边缘直线中截取出与所述目标可见光边缘段对应的线段作为标准可见光边缘段，并将所有的标准可见光边缘段汇集成标准光伏阵列边缘。
可选地，所述对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，包括：
逐个选取所述可见光单件图组集中的可见光单件图组作为目标可见光单件图组，逐个选取所述目标可见光单件图组中的可见光单件图片作为目标可见光单件图片；
对所述目标可见光单件图片进行图片去噪，得到去噪可见光单件图片；
将所述去噪可见光单件图片划分成重叠局部图集，利用如下的频域变换算法对所述重叠局部图集进行频域特征提取，得到光伏纹理特征：
其中，
是指所述光伏纹理特征，/>
是指所述重叠局部图集中每个重叠局部图块的像素边长，/>
是指所述重叠局部图块在频域上的横坐标，/>
是指所述重叠局部图块在频域上的纵坐标，/>
所述重叠局部图块的像素横坐标，/>
是指所述重叠局部图块的像素纵坐标，
是指所述重叠局部图块中坐标点为/>
的像素的灰度值，/>
是欧拉数，/>
是虚数单位，
是圆周率，/>
是共轭符号，/>
是高斯函数符号，/>
为预设的尺度参数，/>
为预设的方向参数；
将所述目标可见光单件图组的所有的光伏纹理特征汇集成光伏纹理特征组，将所有的光伏纹理特征组汇集成光伏纹理特征组集。
可选地，所述根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，包括：
利用预先训练的残差卷积块对所述阵列结构特征进行卷积，得到降维阵列结构特征；
利用预先训练的多层转置卷积层对所述降维阵列特征进行多级上采样，得到初级阵列网络图；
对所述初级阵列网络图进行卷积镜像填充，得到阵列发电网络图。
可选地，所述将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，包括:
逐个选取所述光伏纹理特征组集中的光伏纹理特征组作为目标光伏纹理特征组，将所述目标光伏纹理特征组聚类成目标纹理特征类组；
逐个选取所述目标纹理特征类组中的纹理特征类作为目标纹理特征类，将所述目标纹理特征类的聚类中心作为目标纹理中心特征；
将所述目标纹理特征类中的纹理特征的总数作为所述目标纹理中心特征的权重，将所有的权重汇集成目标特征权重集；
根据所述目标特征权重集对所述目标光伏纹理特征组中的所有的目标纹理中心特征进行加权池化操作，得到标准光伏纹理特征，并将所有的标准光伏纹理特征汇集成标准光伏纹理特征集。
可选地，所述依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，包括：
利用预设的差分模板对所述红外单件图组集中的各个红外单件图片进行卷积操作，得到差分响应红外图组集；
对所述差分响应红外图组集中的各个差分响应红外图片进行边缘增强，得到初级红外图组集；
生成所述初级红外图组集对应的灰度直方图组集，利用所述灰度直方图组集对所述初级红外图组集进行灰度增强，得到标准红外图组集。
可选地，所述对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，包括：
逐个选取所述标准红外图组集中的标准红外图组作为目标标准红外图组，逐个选取所述目标标准红外图组中的标准红外图片作为目标标准红外图片；
将所述目标标准红外图片灰度化为目标标准灰度图片，依次计算出所述目标标准灰度图片的灰度熵、对比度、均匀度以及相关度；
将所述灰度熵、所述对比度、所述均匀度以及所述相关度汇集成所述目标标准红外图片的光伏红外特征；
将所述目标标准红外图组的所有的光伏红外特征汇集成光伏红外特征组，并将所有的光伏红外特征组汇集成光伏红外特征组集。
可选地，所述将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，包括：
逐个选取所述标准光伏纹理特征集中的标准光伏纹理特征作为目标标准光伏纹理特征，将所述标准光伏红外特征集中所述目标标准光伏纹理特征对应的标准光伏红外特征作为目标标准光伏红外特征；
将所述目标标准光伏纹理特征全局下采样成目标降维纹理特征，将所述目标标准光伏红外特征全局下采样成目标降维红外特征；
利用如下的特征匹配算法将所述目标降维纹理特征和所述目标降维红外特征融合成光伏融合特征：
其中，
是指所述光伏融合特征，/>
为归一化函数，/>
是指所述目标降维纹理特征，/>
、/>
、/>
是所述光伏融合特征的预设权重矩阵，/>
是转置符号，/>
是指/>
向量的维度，/>
是预设的融合系数，/>
是指所述目标降维红外特征，/>
是指/>
向量的维度；
将所有的光伏融合特征汇集成光伏融合特征集。
为了解决上述问题，本发明还提供一种应用于分布式光伏项目下的安全检测系统，所述系统包括：
结构特征提取模块，用于利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征；
图片切分模块，用于根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图；
纹理特征提取模块，用于对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集；
红外特征提取模块，用于依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集；
检测标注模块，用于将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
本发明实施例通过利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，可以得到不同光谱、不同角度的光伏阵列图片，从而可以得到更多光伏阵列的细节数据，方便捕捉光伏阵列上的阴影覆盖特征、裂纹损坏特征以及温度变化特征等，通过对所述可见光阵列图组进行光伏检测，得到阵列结构特征，可以提取出不同角度下的光伏阵列的组成结构特征，并融合成结构特征，从而方便后续的图片分割分析以及结构网络图的建立，通过根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集、将所述红外阵列图组切分成红外单件图组集，可以减少单图片边缘切分的结构细节缺失，提高切分的准确度，同时可以进行全局切分图块排序，从而方便可见光单件图组集和红外单件图组集的重新排列组合，通过根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，可以更加形象的展示光伏项目的结构与检测细节，通过对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，能够获得不同角度不同频域区间每个光伏单件表面的纹理特征，从而方便后续的遮挡判定以及损坏判定，通过将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，可以提高每个光伏单件的特征提取的准确性，从而提高安全检测的准确性。
通过依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，可以有效地增强红外图片中的纹理边缘特征，从而提高安全检测的准确度，通过对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集，可以有效地提取出光伏组件中温度的分布情况，从而方便判断光伏组件所处的状态，通过将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，可以减少特征计算的复杂度，同时更好地把握缺陷特征之间的内在联系，提升检测的准确度，通过对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果，可以更加生动形象的展示光伏项目的设备情况。因此本发明提出的应用于分布式光伏项目下的安全检测方法和系统，可以解决进行光伏安全检测时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的应用于分布式光伏项目下的安全检测方法的流程示意图；
图2为本发明一实施例提供的进行光伏检测的流程示意图；
图3为本发明一实施例提供的进行灰度滤波的流程示意图；
图4为本发明一实施例提供的应用于分布式光伏项目下的安全检测系统的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种应用于分布式光伏项目下的安全检测方法。所述应用于分布式光伏项目下的安全检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述应用于分布式光伏项目下的安全检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的应用于分布式光伏项目下的安全检测方法的流程示意图。在本实施例中，所述应用于分布式光伏项目下的安全检测方法包括：
S1、利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征。
本发明实施例中，所述多光谱相机组是指在普通照相机的基础上通过各种滤光片或分光器与多种感光胶片的组合，使其同时分别接收同一目标在不同窄光谱带上所辐射或反射的信息，得到目标的几张不同光谱带的照片的相机，所述多光谱相机组是由多个多光谱相机组成的机组，且每个多光谱相机包含可见光相机与红外相机。
详细地，所述光伏阵列是指由多个光伏发电模组组成的阵列，所述可见光阵列图组是由多个可见光阵列图片组成的图组，且每个所述可见光阵列图片是由所述多光谱相机组中的可见光相机组拍摄得到的图片，每个所述红外阵列图片是由所述多光谱相机组中的红外相机组拍摄得到的图片。
本发明实施例中，所述利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，包括：利用预设的多光谱相机组中的可见光相机组对光伏阵列进行多角度拍摄，得到可见光阵列图组；利用所述多光谱相机组中的红外相机组对所述光伏阵列进行多角度拍摄，得到红外阵列图组。
详细地，所述利用预设的多光谱相机组中的可见光相机组对光伏阵列进行多角度拍摄，得到可见光阵列图组是指利用分布在不同方向位置上的多光谱相机组中的可见光相机对光伏阵列进行拍摄，并将不同角度的可见光阵列图片汇集成可见光阵列图组，所述可见光相机组合所述红外相机组中的可见光相机和红外相机一一对应。
具体地，参照图2所示，所述对所述可见光阵列图组进行光伏检测，得到阵列结构特征，包括：
S21、逐个选取所述可见光阵列图组中的可见光阵列图片作为目标可见光阵列图片，对所述目标可见光阵列图片进行图片去噪，得到除噪可见光阵列图片；
S22、对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘；
S23、对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘；
S24、对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征；
S25、对所有的标准边缘特征进行平均池化操作，得到阵列结构特征。
详细地，可以利用中值滤波算法或高斯滤波算法对所述目标可见光阵列图片进行图片去噪，得到除噪可见光阵列图片，可以利用横向卷积核和竖向卷积和对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘或者可以用canny算子等边缘检测算法对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘。
详细地，所述对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘，包括：
按照边缘交点将所述可见光阵列边缘拆分成可见光阵列边缘段集，逐个选取所述可见光阵列边缘段集中的可见光边缘段作为目标可见光边缘段；
将预设的计数器的数值加一，从所述目标可见光边缘段中分别选取两个像素点作为第一坐标点和第二坐标点；
根据所述第一坐标点以及所述第二坐标点确定初始边缘直线；
计算所述边缘段中其余像素点到所述初始边缘直线的距离，并统计所述距离小于预设的距离阈值的像素点占比；
返回所述将预设的计数器的数值加一的步骤，直至所述计数器的数值大于预设的迭代阈值时，选取所述像素点占比最大的初始边缘直线作为目标边缘直线；
从所述目标边缘直线中截取出与所述目标可见光边缘段对应的线段作为标准可见光边缘段，并将所有的标准可见光边缘段汇集成标准光伏阵列边缘。
具体地，可以用绝对值距离公式计算所述边缘段中其余像素点到所述初始边缘直线的距离；所述对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征是指利用多级不同尺寸的卷积层对所述标准光伏阵列边缘进行卷积，从而提取边缘的结构特征。
本发明实施例中，通过利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，可以得到不同光谱、不同角度的光伏阵列图片，从而可以得到更多光伏阵列的细节数据，方便捕捉光伏阵列上的阴影覆盖特征、裂纹损坏特征以及温度变化特征等，通过对所述可见光阵列图组进行光伏检测，得到阵列结构特征，可以提取出不同角度下的光伏阵列的组成结构特征，并融合成结构特征，从而方便后续的图片分割分析以及结构网络图的建立。
S2、根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图。
本发明实施例中，所述可见光单件图组集是由多个可见光单件图组组成的集合，且每个可见光单件图组是由所有不同位置的可见光相机拍摄的光伏阵列中的一个光伏设备的图片组成的组合，所述红外单件图组集是由所有不同位置的红外相机拍摄的光伏阵列中的一个光伏设备的图片组成的组合。
本发明实施例中，所述根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，包括：
逐个选取所述可见光阵列图组中的可见光阵列图片作为目标可见光图片，从所述目标可见光图片中提取出目标边缘特征；
利用所述阵列结构特征对所述目标边缘特征进行特征增强，得到目标增强边缘特征；
根据所述目标增强边缘特征生成所述目标可见光图片的阵列边缘，利用所述阵列边缘对所述目标可见光图片进行图片分割，得到目标单件图集；
按照图片序号对所有目标单件图集中的各个目标单件图片进行重组，得到可见光单件图组集。
本发明实施例中，所述从所述目标可见光图片中提取出目标边缘特征的方法与上述步骤S1中的所述逐个选取所述可见光阵列图组中的可见光阵列图片作为目标可见光阵列图片，对所述目标可见光阵列图片进行图片去噪，得到除噪可见光阵列图片；对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘；对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘；对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征的步骤相同，这里不再赘述。
具体地，所述利用所述阵列结构特征对所述目标边缘特征进行特征增强，得到目标增强边缘特征是指将所述阵列结构特征和所述目标边缘特征进行加权融合，从而得到目标增强边缘特征。
详细地，所述根据所述目标增强边缘特征生成所述目标可见光图片的阵列边缘的方法是所述对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征的逆步骤。
具体地，所述按照图片序号对所有目标单件图集中的各个目标单件图片进行重组，得到可见光单件图组集是指将每个所述目标单件图集中图片序号相同的目标单件图片汇集成可见光单件图组，并将所有的可见光单件图组汇集成可见光单件图组集。
本发明实施例中，所述根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集的方法与上述步骤S2中的所述根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集的方法一致，这里不再赘述。
详细地，所述阵列发电网络图是指所述光伏阵列的阵列组成结构模拟图，所述阵列发电网络图用于清晰形象地展示安全检测得到的结果。
本发明实施例中，所述根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，包括：
利用预先训练的残差卷积块对所述阵列结构特征进行卷积，得到降维阵列结构特征；
利用预先训练的多层转置卷积层对所述降维阵列特征进行多级上采样，得到初级阵列网络图；
对所述初级阵列网络图进行卷积镜像填充，得到阵列发电网络图。
本发明实施例中，残差卷积块是预先经过大量标注了阵列网络图的结构特征训练得到的迁移神经网络中的残差层，所述多层转置卷积层是所述迁移神经网络中的转置层，所述多层转置卷积层包括卷积转置层、归一化层以及池化层，所述对所述初级阵列网络图进行卷积镜像填充，得到阵列发电网络图对所述初级阵列网络图依次进行反射填充、二维卷积以及归一化，得到阵列发电网络图。
本发明实施例中，通过根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集、将所述红外阵列图组切分成红外单件图组集，可以减少单图片边缘切分的结构细节缺失，提高切分的准确度，同时可以进行全局切分图块排序，从而方便可见光单件图组集和红外单件图组集的重新排列组合，通过根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，可以更加形象的展示光伏项目的结构与检测细节。
S3、对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集。
本发明实施例中，所述对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，包括：
逐个选取所述可见光单件图组集中的可见光单件图组作为目标可见光单件图组，逐个选取所述目标可见光单件图组中的可见光单件图片作为目标可见光单件图片；
对所述目标可见光单件图片进行图片去噪，得到去噪可见光单件图片；
将所述去噪可见光单件图片划分成重叠局部图集，利用如下的频域变换算法对所述重叠局部图集进行频域特征提取，得到光伏纹理特征：
其中，
是指所述光伏纹理特征，/>
是指所述重叠局部图集中每个重叠局部图块的像素边长，/>
是指所述重叠局部图块在频域上的横坐标，/>
是指所述重叠局部图块在频域上的纵坐标，/>
所述重叠局部图块的像素横坐标，/>
是指所述重叠局部图块的像素纵坐标，
是指所述重叠局部图块中坐标点为/>
的像素的灰度值，/>
是欧拉数，/>
是虚数单位，
是圆周率，/>
是共轭符号，/>
是高斯函数符号，/>
为预设的尺度参数，/>
为预设的方向参数；
将所述目标可见光单件图组的所有的光伏纹理特征汇集成光伏纹理特征组，将所有的光伏纹理特征组汇集成光伏纹理特征组集。
详细地，可以利用中值滤波或高斯滤波等算法对所述目标可见光单件图片进行图片去噪，得到去噪可见光单件图片，所述将所述去噪可见光单件图片划分成重叠局部图集是指将所述去噪可见光单件图片划分为若干个重叠的正方形的重叠局部图块，将所有的重叠局部图块汇集成重叠局部图集。
本发明实施例中，通过利用所述频域变换算法对所述重叠局部图集进行频域特征提取，得到光伏纹理特征，可以利用局部空间的傅里叶变换提取出所述去噪可见光单件图片在不同方向和尺度上的纹理响应特征。
具体地，所述将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，包括:
逐个选取所述光伏纹理特征组集中的光伏纹理特征组作为目标光伏纹理特征组，将所述目标光伏纹理特征组聚类成目标纹理特征类组；
逐个选取所述目标纹理特征类组中的纹理特征类作为目标纹理特征类，将所述目标纹理特征类的聚类中心作为目标纹理中心特征；
将所述目标纹理特征类中的纹理特征的总数作为所述目标纹理中心特征的权重，将所有的权重汇集成目标特征权重集；
根据所述目标特征权重集对所述目标光伏纹理特征组中的所有的目标纹理中心特征进行加权池化操作，得到标准光伏纹理特征，并将所有的标准光伏纹理特征汇集成标准光伏纹理特征集。
详细地，可以利用k均值聚类算法或密度聚类算法将所述目标光伏纹理特征组聚类成目标纹理特征类组。
本发明实施例中，通过对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，能够获得不同角度不同频域区间每个光伏单件表面的纹理特征，从而方便后续的遮挡判定以及损坏判定，通过将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，可以提高每个光伏单件的特征提取的准确性，从而提高安全检测的准确性。
S4、依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集。
本发明实施例中，所述依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，包括：
利用预设的差分模板对所述红外单件图组集中的各个红外单件图片进行卷积操作，得到差分响应红外图组集；
对所述差分响应红外图组集中的各个差分响应红外图片进行边缘增强，得到初级红外图组集；
生成所述初级红外图组集对应的灰度直方图组集，利用所述灰度直方图组集对所述初级红外图组集进行灰度增强，得到标准红外图组集。
详细地，所述差分模板可以是拉普拉斯算子，所述拉普拉斯算子对曲线边缘的检测效率较高，可以有效地检测出红外图片中的阴影区域以及温度变化区域的边缘，可以利用阈值算法对所述差分响应红外图组集中的各个差分响应红外图片进行边缘增强，得到初级红外图组集，即在固定阈值区间内的像素点的灰度进行增强，从而实现边缘增强的效果。
本发明实施例中，参照图3所示，所述对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，包括：
S31、逐个选取所述标准红外图组集中的标准红外图组作为目标标准红外图组，逐个选取所述目标标准红外图组中的标准红外图片作为目标标准红外图片；
S32、将所述目标标准红外图片灰度化为目标标准灰度图片，依次计算出所述目标标准灰度图片的灰度熵、对比度、均匀度以及相关度；
S33、将所述灰度熵、所述对比度、所述均匀度以及所述相关度汇集成所述目标标准红外图片的光伏红外特征；
S34、将所述目标标准红外图组的所有的光伏红外特征汇集成光伏红外特征组，并将所有的光伏红外特征组汇集成光伏红外特征组集。
具体地，可以利用灰度共生矩阵算法（Gray-Level Co-occurrence Matrix，简称GLCM）构建所述目标标准灰度图片的灰度矩阵，并从所述灰度矩阵中提取出所述灰度熵、所述对比度、所述均匀度以及所述相关度。
详细地，所述将所述光伏红外特征组集融合成标准光伏红外特征集的步骤与上述步骤S3中的所述将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集的步骤一致，这里不再赘述。
本发明实施例中，通过依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，可以有效地增强红外图片中的纹理边缘特征，从而提高安全检测的准确度，通过对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集，可以有效地提取出光伏组件中温度的分布情况，从而方便判断光伏组件所处的状态。
S5、将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
本发明实施例中，所述光伏融合特征集中包含多个光伏融合特征，且每个光伏融合特征代表所述光伏阵列中的一个光伏组件的状态特征，所述状态特征包含纹理特征、温度特征以及阴影特征。
本发明实施例中，所述将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，包括：
逐个选取所述标准光伏纹理特征集中的标准光伏纹理特征作为目标标准光伏纹理特征，将所述标准光伏红外特征集中所述目标标准光伏纹理特征对应的标准光伏红外特征作为目标标准光伏红外特征；
将所述目标标准光伏纹理特征全局下采样成目标降维纹理特征，将所述目标标准光伏红外特征全局下采样成目标降维红外特征；
利用如下的特征匹配算法将所述目标降维纹理特征和所述目标降维红外特征融合成光伏融合特征：
其中，
是指所述光伏融合特征，/>
为归一化函数，/>
是指所述目标降维纹理特征，/>
、/>
、/>
是所述光伏融合特征的预设权重矩阵，/>
是转置符号，/>
是指/>
向量的维度，/>
是预设的融合系数，/>
是指所述目标降维红外特征，/>
是指/>
向量的维度；
将所有的光伏融合特征汇集成光伏融合特征集。
详细地，将所述目标标准光伏纹理特征全局下采样成目标降维纹理特征，将所述目标标准光伏红外特征全局下采样成目标降维红外特征是指利用预设的全局下采样网络对所述目标标准光伏纹理特征和所述目标降维纹理特征同时进行下采样操作，得到特征维度相同的目标降维纹理特征和目标降维红外特征。
本发明实施例中，通过利用所述特征匹配算法将所述目标降维纹理特征和所述目标降维红外特征融合成光伏融合特征，可以结合自注意力算法实现特征融合，并保留所述目标降维纹理特征与所述目标降维红外特征之间的特征关联度。
详细地，可以利用大量标注了缺陷的融合特征训练后的多分类支持向量机或transformer等分类模型所述对所述光伏融合特征集进行缺陷识别，得到光伏状态集，即分别判断所述光伏融合特征集中的光伏融合特征是属于裂纹损坏、阴影遮挡以及高温损坏等缺陷组合中的哪一种。
具体地，所述根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果是指将所述光伏状态集中的每个光伏状态作为之间标注到所述阵列发电网络图中的对应区域，从而更加生动形象的展示光伏项目的设备情况。
本发明实施例中，通过将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，可以减少特征计算的复杂度，同时更好地把握缺陷特征之间的内在联系，提升检测的准确度，通过对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果，可以更加生动形象的展示光伏项目的设备情况。
本发明实施例通过利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，可以得到不同光谱、不同角度的光伏阵列图片，从而可以得到更多光伏阵列的细节数据，方便捕捉光伏阵列上的阴影覆盖特征、裂纹损坏特征以及温度变化特征等，通过对所述可见光阵列图组进行光伏检测，得到阵列结构特征，可以提取出不同角度下的光伏阵列的组成结构特征，并融合成结构特征，从而方便后续的图片分割分析以及结构网络图的建立，通过根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集、将所述红外阵列图组切分成红外单件图组集，可以减少单图片边缘切分的结构细节缺失，提高切分的准确度，同时可以进行全局切分图块排序，从而方便可见光单件图组集和红外单件图组集的重新排列组合，通过根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，可以更加形象的展示光伏项目的结构与检测细节，通过对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，能够获得不同角度不同频域区间每个光伏单件表面的纹理特征，从而方便后续的遮挡判定以及损坏判定，通过将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，可以提高每个光伏单件的特征提取的准确性，从而提高安全检测的准确性。
通过依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，可以有效地增强红外图片中的纹理边缘特征，从而提高安全检测的准确度，通过对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集，可以有效地提取出光伏组件中温度的分布情况，从而方便判断光伏组件所处的状态，通过将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，可以减少特征计算的复杂度，同时更好地把握缺陷特征之间的内在联系，提升检测的准确度，通过对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果，可以更加生动形象的展示光伏项目的设备情况。因此本发明提出的应用于分布式光伏项目下的安全检测方法，可以解决进行光伏安全检测时的准确度较低的问题。
如图4所示，是本发明一实施例提供的应用于分布式光伏项目下的安全检测系统的功能模块图。
本发明所述应用于分布式光伏项目下的安全检测系统100可以安装于电子设备中。根据实现的功能，所述应用于分布式光伏项目下的安全检测系统100可以包括结构特征提取模块101、图片切分模块102、纹理特征提取模块103、红外特征提取模块104及检测标注模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述结构特征提取模块101，用于利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征；
所述图片切分模块102，用于根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图；
所述纹理特征提取模块103，用于对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集；
所述红外特征提取模块104，用于依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集；
所述检测标注模块105，用于将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
详细地，本发明实施例中所述应用于分布式光伏项目下的安全检测系统100中所述的各模块在使用时采用与上述图1至图3中所述的应用于分布式光伏项目下的安全检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种应用于分布式光伏项目下的安全检测方法，其特征在于，所述方法包括：
S1：利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征；
S2：根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图；
S3：对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集；
S4：依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集；
S5：将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
2.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述对所述可见光阵列图组进行光伏检测，得到阵列结构特征，包括：
逐个选取所述可见光阵列图组中的可见光阵列图片作为目标可见光阵列图片，对所述目标可见光阵列图片进行图片去噪，得到除噪可见光阵列图片；
对所述除噪可见光阵列图片进行边缘检测，得到可见光阵列边缘；
对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘；
对所述标准光伏阵列边缘进行多级卷积，得到标准边缘特征；
对所有的标准边缘特征进行平均池化操作，得到阵列结构特征。
3.如权利要求2所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述对所述可见光阵列边缘进行边缘拟合，得到标准光伏阵列边缘，包括：
按照边缘交点将所述可见光阵列边缘拆分成可见光阵列边缘段集，逐个选取所述可见光阵列边缘段集中的可见光边缘段作为目标可见光边缘段；
将预设的计数器的数值加一，从所述目标可见光边缘段中分别选取两个像素点作为第一坐标点和第二坐标点；
根据所述第一坐标点以及所述第二坐标点确定初始边缘直线；
计算所述边缘段中其余像素点到所述初始边缘直线的距离，并统计所述距离小于预设的距离阈值的像素点占比；
返回所述将预设的计数器的数值加一的步骤，直至所述计数器的数值大于预设的迭代阈值时，选取所述像素点占比最大的初始边缘直线作为目标边缘直线；
从所述目标边缘直线中截取出与所述目标可见光边缘段对应的线段作为标准可见光边缘段，并将所有的标准可见光边缘段汇集成标准光伏阵列边缘。
4.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，包括：
逐个选取所述可见光单件图组集中的可见光单件图组作为目标可见光单件图组，逐个选取所述目标可见光单件图组中的可见光单件图片作为目标可见光单件图片；
对所述目标可见光单件图片进行图片去噪，得到去噪可见光单件图片；
将所述去噪可见光单件图片划分成重叠局部图集，利用如下的频域变换算法对所述重叠局部图集进行频域特征提取，得到光伏纹理特征：
其中，
是指所述光伏纹理特征，/>
是指所述重叠局部图集中每个重叠局部图块的像素边长，/>
是指所述重叠局部图块在频域上的横坐标，/>
是指所述重叠局部图块在频域上的纵坐标，/>
所述重叠局部图块的像素横坐标，/>
是指所述重叠局部图块的像素纵坐标，/>
是指所述重叠局部图块中坐标点为/>
的像素的灰度值，/>
是欧拉数，/>
是虚数单位，/>
是圆周率，/>
是共轭符号，/>
是高斯函数符号，/>
为预设的尺度参数，/>
为预设的方向参数；
将所述目标可见光单件图组的所有的光伏纹理特征汇集成光伏纹理特征组，将所有的光伏纹理特征组汇集成光伏纹理特征组集。
5.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图，包括：
利用预先训练的残差卷积块对所述阵列结构特征进行卷积，得到降维阵列结构特征；
利用预先训练的多层转置卷积层对所述降维阵列特征进行多级上采样，得到初级阵列网络图；
对所述初级阵列网络图进行卷积镜像填充，得到阵列发电网络图。
6.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集，包括:
逐个选取所述光伏纹理特征组集中的光伏纹理特征组作为目标光伏纹理特征组，将所述目标光伏纹理特征组聚类成目标纹理特征类组；
逐个选取所述目标纹理特征类组中的纹理特征类作为目标纹理特征类，将所述目标纹理特征类的聚类中心作为目标纹理中心特征；
将所述目标纹理特征类中的纹理特征的总数作为所述目标纹理中心特征的权重，将所有的权重汇集成目标特征权重集；
根据所述目标特征权重集对所述目标光伏纹理特征组中的所有的目标纹理中心特征进行加权池化操作，得到标准光伏纹理特征，并将所有的标准光伏纹理特征汇集成标准光伏纹理特征集。
7.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，包括：
利用预设的差分模板对所述红外单件图组集中的各个红外单件图片进行卷积操作，得到差分响应红外图组集；
对所述差分响应红外图组集中的各个差分响应红外图片进行边缘增强，得到初级红外图组集；
生成所述初级红外图组集对应的灰度直方图组集，利用所述灰度直方图组集对所述初级红外图组集进行灰度增强，得到标准红外图组集。
8.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，包括：
逐个选取所述标准红外图组集中的标准红外图组作为目标标准红外图组，逐个选取所述目标标准红外图组中的标准红外图片作为目标标准红外图片；
将所述目标标准红外图片灰度化为目标标准灰度图片，依次计算出所述目标标准灰度图片的灰度熵、对比度、均匀度以及相关度；
将所述灰度熵、所述对比度、所述均匀度以及所述相关度汇集成所述目标标准红外图片的光伏红外特征；
将所述目标标准红外图组的所有的光伏红外特征汇集成光伏红外特征组，并将所有的光伏红外特征组汇集成光伏红外特征组集。
9.如权利要求1所述的应用于分布式光伏项目下的安全检测方法，其特征在于，所述将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，包括：
逐个选取所述标准光伏纹理特征集中的标准光伏纹理特征作为目标标准光伏纹理特征，将所述标准光伏红外特征集中所述目标标准光伏纹理特征对应的标准光伏红外特征作为目标标准光伏红外特征；
将所述目标标准光伏纹理特征全局下采样成目标降维纹理特征，将所述目标标准光伏红外特征全局下采样成目标降维红外特征；
利用如下的特征匹配算法将所述目标降维纹理特征和所述目标降维红外特征融合成光伏融合特征：
其中，
是指所述光伏融合特征，/>
为归一化函数，/>
是指所述目标降维纹理特征，/>
、/>
、/>
是所述光伏融合特征的预设权重矩阵，/>
是转置符号，/>
是指/>
向量的维度，/>
是预设的融合系数，/>
是指所述目标降维红外特征，/>
是指/>
向量的维度；
将所有的光伏融合特征汇集成光伏融合特征集。
10.一种应用于分布式光伏项目下的安全检测系统，其特征在于，所述系统包括：
结构特征提取模块，用于利用预设的多光谱相机组实时获取光伏阵列的可见光阵列图组以及红外阵列图组，对所述可见光阵列图组进行光伏检测，得到阵列结构特征；
图片切分模块，用于根据所述阵列结构特征将所述可见光阵列图组切分成可见光单件图组集，根据所述阵列结构特征将所述红外阵列图组切分成红外单件图组集，根据所述阵列结构特征建立所述光伏阵列的阵列发电网络图；
纹理特征提取模块，用于对所述可见光单件图组集中的各个可见光单件图组进行频域变换，得到光伏纹理特征组集，将所述光伏纹理特征组集中的每个光伏纹理特征组融合成标准纹理特征，得到标准光伏纹理特征集；
红外特征提取模块，用于依次对所述红外单件图组集进行差分滤波以及图片增强操作，得到标准红外图组集，对所述标准红外图组集中的各个标准红外图组进行灰度滤波，得到光伏红外特征组集，将所述光伏红外特征组集融合成标准光伏红外特征集；
检测标注模块，用于将所述标准光伏纹理特征集和所述标准光伏红外特征集进行特征匹配融合，得到光伏融合特征集，对所述光伏融合特征集进行缺陷识别，得到光伏状态集，根据所述光伏状态集对所述阵列发电网络图进行检测标注，得到损坏定位结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473799.5A CN116192049B (zh) | 2023-04-28 | 2023-04-28 | 一种应用于分布式光伏项目下的安全检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310473799.5A CN116192049B (zh) | 2023-04-28 | 2023-04-28 | 一种应用于分布式光伏项目下的安全检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116192049A CN116192049A (zh) | 2023-05-30 |
| CN116192049B true CN116192049B (zh) | 2023-06-30 |
Family
ID=86446627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310473799.5A Active CN116192049B (zh) | 2023-04-28 | 2023-04-28 | 一种应用于分布式光伏项目下的安全检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116192049B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183873A (ja) * | 2019-04-26 | 2020-11-12 | コムシス情報システム株式会社 | 空撮画像位置特定システムおよび空撮画像位置特定方法。 |
| 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 |
| CN114926750A (zh) * | 2022-04-12 | 2022-08-19 | 尚特杰电力科技有限公司 | 一种快速定位大型光伏电站组件的方法和系统 |
| CN115409814A (zh) * | 2022-09-02 | 2022-11-29 | 大唐（赤峰）新能源有限公司 | 一种基于融合图像的光伏组件热斑检测方法及系统 |
| CN115578621A (zh) * | 2022-11-01 | 2023-01-06 | 中国矿业大学 | 一种基于多源数据融合的图像识别方法 |
-
2023
- 2023-04-28 CN CN202310473799.5A patent/CN116192049B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183873A (ja) * | 2019-04-26 | 2020-11-12 | コムシス情報システム株式会社 | 空撮画像位置特定システムおよび空撮画像位置特定方法。 |
| 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 |
| CN114926750A (zh) * | 2022-04-12 | 2022-08-19 | 尚特杰电力科技有限公司 | 一种快速定位大型光伏电站组件的方法和系统 |
| CN115409814A (zh) * | 2022-09-02 | 2022-11-29 | 大唐（赤峰）新能源有限公司 | 一种基于融合图像的光伏组件热斑检测方法及系统 |
| CN115578621A (zh) * | 2022-11-01 | 2023-01-06 | 中国矿业大学 | 一种基于多源数据融合的图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116192049A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| CN109271856B (zh) | 基于扩张残差卷积的光学遥感图像目标检测方法 | |
| CN109029381B (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN108734185B (zh) | 图像校验方法和装置 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
| CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
| CN116740135B (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
| CN111639530A (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
| CN117036342B (zh) | 一种芯片缺陷识别方法及系统 | |
| CN111340882A (zh) | 基于图像的室内定位方法及装置 | |
| CN113537180A (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
| Ma et al. | Image-based pm2. 5 estimation and its application on depth estimation | |
| Siegel et al. | Remote enhanced visual inspection of aircraft by a mobile robot | |
| WO2018026094A1 (ko) | Dem 데이터를 이용한 ortho-photo 텍스쳐의 자동생성 방법 및 시스템 | |
| CN111683221A (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 | |
| CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
| CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
| Hongquan et al. | Video scene invariant crowd density estimation using geographic information systems | |
| CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
| CN116192049B (zh) | 一种应用于分布式光伏项目下的安全检测方法和系统 |
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 |