CN116363075A - 一种光伏组件热斑检测方法、系统和电子设备 - Google Patents

一种光伏组件热斑检测方法、系统和电子设备 Download PDF

Info

Publication number
CN116363075A
CN116363075A CN202310219053.1A CN202310219053A CN116363075A CN 116363075 A CN116363075 A CN 116363075A CN 202310219053 A CN202310219053 A CN 202310219053A CN 116363075 A CN116363075 A CN 116363075A
Authority
CN
China
Prior art keywords
photovoltaic module
hot spot
spot detection
infrared image
detection model
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
Application number
CN202310219053.1A
Other languages
English (en)
Inventor
郎庆凯
吴琼
李晓娜
解玉文
王振刚
熊鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Guowang Fuda Technology Development Co Ltd
Original Assignee
Beijing Guowang Fuda Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Guowang Fuda Technology Development Co Ltd filed Critical Beijing Guowang Fuda Technology Development Co Ltd
Priority to CN202310219053.1A priority Critical patent/CN116363075A/zh
Publication of CN116363075A publication Critical patent/CN116363075A/zh
Priority to PCT/CN2023/129871 priority patent/WO2024183317A1/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种光伏组件热斑检测方法、系统和电子设备，涉及图像信息检测领域。本发明获取待测光伏组件的红外图像为待测图像；将待测图像输入到热斑检测模型中，确定待测图像的热斑检测结果；热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。本发明通过将注意力机制与YOLOv7神经网络相结合，能够完成光伏组件热斑检测并提高光伏组件热斑检测的精度和效率。

Description

一种光伏组件热斑检测方法、系统和电子设备
技术领域
本发明涉及图像信息检测领域，特别是涉及一种光伏组件热斑检测方法、系统和电子设备。
背景技术
中国生态文明建设进入以降碳为重点战略方向、推动减污降碳协同增效、促进经济社会发展全面绿色转型和实现生态环境质量改善由量变到质变的关键时期，中国全社会的生产方式和生活方式都将产生重要变化。近年来，中国在推动能源转型和技术创新等方面进行了卓有成效的探索和实践，绿色理念深入人心。随着全球能源革命的深入，可再生能源市场将继续扩大，光伏发电已经成为了可再生能源的重要组成部分，具有较大的发展空间。随着以降碳为重点战略方向，光伏设备建设的增加，其设备的故障问题日益增多，人力巡检已经不堪重负。
据不完全统计，由光伏热斑缺陷引起的火灾等事故占光伏发电系统故障的比例最高。通过检查光伏组件红外图形的状况可以大大提高维修决策的效率，进一步降低光伏电站故障的可能性，保证安全可靠供电。然而，光伏检测面临着面积大、部件多和自然环境复杂等挑战性问题。传统的检查方法包括人工地面测量和直升机辅助巡逻。这两种方法都是通过人的视觉观察来检查，具有高成本、高风险以及低效率等缺点。近年来，无人机和数字图像技术的发展为光伏电站巡检提供了新的平台。无人机巡检方法通过检查员远程操作无人机为检查目标收集图像，然后将捕获的图像或视频进行数据分析与检测。由于无人机检查具有低成本、高安全性和高效率的优点，部署无人机检查来取代传统的人工检查方法已经得到了广泛的应用。
申请号为CN202010725625.X的中国发明专利公开了一种基于YOLOv3的新型太阳能电池板热斑检测方法，该方法以YOLOv3为基础进行改进，解决了传统检测模式受背景纹理、环境光照和不同图片之间的调参问题的影响，准确率较低且参数较大，会产生较多的冗余信息，影响检测后的非最大抑制结果；申请号为CN202110745971.9的中国发明专利公开了一种基于SSD算法模型和远红外视频的光伏故障智能识别方法，采用无人机拍摄红外录像，大大减少了人工，为大型光伏电站的检修工作降低了难度，提高了效率，此模型过于陈旧，检测的准确率较低，会出现较多的错检和漏检。
发明内容
本发明的目的是提供一种光伏组件热斑检测方法、系统和电子设备，通过将注意力机制与YOLOv7神经网络相结合，能够完成光伏组件热斑检测并提高光伏组件热斑检测的精度和效率。
为实现上述目的，本发明提供了如下方案：
一种光伏组件热斑检测方法，包括：
获取待测光伏组件的红外图像为待测图像；
将所述待测图像输入到热斑检测模型中，确定所述待测图像的热斑检测结果；所述热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；所述初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
可选的，在所述获取待测光伏组件的红外图像为待测图像之前，还包括：
获取光伏组件历史红外图像集；所述光伏组件历史红外图像集包括多个光伏组件的历史红外图像；所述光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像；
对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集；
以所述光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到所述热斑检测模型。
可选的，在所述对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集之前，还包括：
利用网络掩码的方式对光伏组件历史红外图像集进行增强处理，得到增强处理后的光伏组件历史红外图像集。
可选的，在所述获取光伏组件历史红外图像集之前，还包括：
构建初始热斑检测模型。
一种光伏组件热斑检测系统，包括：
待测图像获取模块，用于获取待测光伏组件的红外图像为待测图像；
热斑检测模块，用于将所述待测图像输入到热斑检测模型中，确定所述待测图像的热斑检测结果；所述热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；所述初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
可选的，所述光伏组件热斑检测系统还包括：
光伏组件历史红外图像集获取模块，用于获取光伏组件历史红外图像集；所述光伏组件历史红外图像集包括多个光伏组件的历史红外图像；所述光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像；
标注模块，用于对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集；
热斑检测模型确定模块，用于以所述光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到所述热斑检测模型。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的一种光伏组件热斑检测方法。
可选的，所述存储器为可读存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的光伏组件热斑检测方法、系统和电子设备，获取待测光伏组件的红外图像为待测图像；将待测图像输入到热斑检测模型中，确定待测图像的热斑检测结果；热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。通过将注意力机制与YOLOv7神经网络相结合，能够完成光伏组件热斑检测并提高光伏组件热斑检测的精度和效率。
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为本发明实施例1中光伏组件热斑检测方法流程图；
图2为本发明实施例1中网络结构图；
图3为本发明实施例1中网格掩码图；
图4为本发明实施例1中热斑图；
图5为本发明实施例1中网格掩码数据增强热斑图像示例图；
图6为本发明实施例1中注意力机制结构图；
图7为本发明实施例1中训练过程损失示意；
图8为本发明实施例1中热斑检测结果第一示例图；
图9为本发明实施例1中热斑检测结果第二示例图。
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。
本发明的目的是提供一种光伏组件热斑检测方法、系统和电子设备，通过将注意力机制与YOLOv7神经网络相结合，能够完成光伏组件热斑检测并提高光伏组件热斑检测的精度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种光伏组件热斑检测方法，包括：
步骤101：获取待测光伏组件的红外图像为待测图像。
步骤102：将待测图像输入到热斑检测模型中，确定待测图像的热斑检测结果；热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
在步骤101之前，还包括：
步骤1021：构建初始热斑检测模型。
步骤1022：获取光伏组件历史红外图像集；光伏组件历史红外图像集包括多个光伏组件的历史红外图像；光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像。
步骤1023：利用网络掩码的方式对光伏组件历史红外图像集进行增强处理，得到增强处理后的光伏组件历史红外图像集。
步骤1024：对多个历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集。
步骤1025：以光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到热斑检测模型。
具体的，本实施例提供的光伏组件热斑检测方法，包括：
1)构建基础数据集：通过无人机携带红外成像仪对不同背景下的光伏组件进行拍摄，获取在自然环境背景下的热斑图像。
2)数据增强：采用网格掩码的方式对热斑红外图像进行数据增强，通过生成1个和原图相同分辨率的掩码，然后将该掩码和原图相乘得到一个网格掩码增强后的图像。图3-图5中灰色区域的值为1，黑色区域的值为0。通过将掩码和原图相乘，实现了特定区域的信息删除，本质可以理解成是一种实现正则化的方法。网格掩码由4个参数组成，分别是x、y、w和d，通过确定这4个参数可以组成一组特定的网格掩码。在必要的情况下，还可以对掩码进行旋转以符合实际的工程应用。图3中x和y为两个一定区域的随机参数，其次需要定义图像信息的保留比例k，具体表达如公式(1)所示，其中H和W分别是原图的高和宽，M是保留下来的像素数，该参数k和上述的4个参数无直接关系，该参数间接定义了超参数w。
Figure BDA0004115976360000061
k＝1-(1-w)2＝2w-w2 (2)
x(y)＝random(0，d-1) (3)
对原始图像筛选后进行标注工作，生成xml文件，并对原始图像采用此方式进行数据增强，扩充数据集规模，增强数据集鲁棒性。将最终混合的数据集按8：2的比例划分为训练集和测试集，供训练使用。
3)采用YOLOv7作为基础网络，输入的图像进入特征骨干提取网络，并根据FPN思想，将深层的特征信息结合到较浅层，添加浅层的特征映射，提高网络对不同尺度目标的检测效果。网络整体结构图如图2所示。
图2中，Input表示输入；Conv表示卷积；TripletAttention表示注意力模块；Upsample表示上采样；Concat表示张量拼接，会扩充两个张量的维度；MPConv Channe×0.5表示最大池化和卷积的叠加操作，作用是进行下采样。ELAN1表示第一种通过控制最短最长的梯度路径，使得更深的网络可以有效地学习和收敛。ELAN2表示第二种通过控制最短最长的梯度路径，使得更深的网络可以有效地学习和收敛。Detect表示模型的检测头；ImpConv表示一个卷积层，一个批标准化层，一个激活函数组成的顺序结构。RepConv表示训练模块，和推理模块。k表示卷积核大小；s表示步长的大小；SPPCSPC表示空间金字塔池化模块。
为了提高网络在复杂环境下对特征的敏感度，本实施例采用Triplet Attention机制，通过三分支结构实现跨维度信息交互来获取关键权重。Triplet Attention模块的具体结构如图6所示。
首先对于输入的特征张量，首先将其传递到注意力模块中的三个分支中。在第一个分支中如图6所示，将输入张量X沿H轴逆时针旋转90°，得到一个形状为W×H×C的张量，然后通过Z-Pool操作后得到一个形状为2×H×C的张量，再通过卷积运算(卷积核大小为K×K)、归一化以及sigmoid(S型生长曲线)激活函数来生成注意力的权值，在最后输出时沿着H轴进行顺时针旋转90°，如此可建立维度C和H之间的交互。第二个分支同样操作建立维度C和W之间的交互。第三个分支中，输入张量X通过Z-pool操作将变量简化为2，后续操作类似，得到1×H×W的注意权值后输入X，得到此分支的结果，最后通过平均将3个分支产生的精细张量聚合在一起。最终输出的张量如公式4所示。
Figure BDA0004115976360000071
其中，χ为输入张量；
Figure BDA0004115976360000072
为χ沿H轴逆时针旋转90°的旋转张量；/>
Figure BDA0004115976360000073
为/>
Figure BDA0004115976360000074
经过Z-Pool处理的张量；/>
Figure BDA0004115976360000075
为沿W轴逆时针旋转90°得到旋转张量；/>
Figure BDA0004115976360000076
为/>
Figure BDA0004115976360000077
经过Z-Pool处理的张量；/>
Figure BDA0004115976360000078
为χ经过Z-Pool处理的张量；σ为激活函数；/>
Figure BDA0004115976360000079
Figure BDA00041159763600000710
分别为三个分支的注意权值。
4)将待检测图像输入训练好的模型中，经过特征提取骨干网络和TripletAttention机制的处理，生成三个不同大小的特征图并输入特征金字塔结构。最深层特征图首先经过上采样改变尺度，并与上一层特征图拼接，拼接后的特征图通过卷积操作以调整通道数，之后再进行上采样与最浅层的特征图进行拼接，完成从深到浅的信息流动。完成拼接后的特征图在保持较好的空间信息同时，也具有丰富的语义信息，之后通过下采样降低特征图尺寸，并与下一层特征图进行拼接，调整通道数后再进行下采样与最深层特征图进行拼接，完成从浅到深的信息流动，以保证网络在训练过程中不会丢失目标的特征信息。最终将从特征金字塔输出的三个特征图用以预测，每个特征图分别被划分为不同个网格，每个网格输出一套独立的预测信息。根据解码得到的信息将预测框显示在图像上，完成对热斑目标的检测。
为验证本实施例的效果，通过无人机巡检对光伏电场的光伏板进行拍摄，之后针对拍摄的原始图像进行筛选，对质量较差的图片例如角度重复、拍摄模糊以及未拍摄到目标的图片进行剔除，初步得到不同场景下的带有热斑的图片共计780张。本文所使用数据集格式为VOC格式，并通过网格掩码的方式进行数据增强，共生成2340个热斑数据集图像。使用LabelImg对原始图像进行标注。将最终得到的数据集按8：2的比例将数据集分为训练集和测试集输入网络训练。使用Pytorch框架实现模型搭建，基于python编程语言，实验CPU为Intel Xeon Gold 5218R、GPU为Nvidar Quadro RTX4000，选用SGD优化器，初始学习率为0.0001，采用余弦退火衰减法调整学习率，单批次训练样本设置为4，输入图像大小为640×640。
使用平均准确率(mAP)为评价指标，通过衡量预测标签框与真实标签框的交并比(IOU)得到每个类别的精确度(Precision)和召回率(Recall)，由精确度和召回率所绘制的曲线面积即为准确率均值(AP)，多个类别的AP平均值即为平均准确率。其计算式可表示为：
Figure BDA0004115976360000081
式中n为类别总数，p表示精准度(Precision)，r表示召回率(Recall)。
将处理好的数据集输入模型进行训练，图像首先经过候选框生成网络，通过卷积与非线性处理提取特征信息，之后经过TripletAttention注意力机制处理，通过跨维度信息交互来获取关键权重，并于原始特征图相乘，得到具有权重信息的特征图，提升网络对光伏热斑的重视度。经过480个轮次的训练，得到训练好的模型权重。训练过程中的损失图如图7所示，图7中Train loss为训练损失；Val loss为验证损失；Smooth train loss为平滑处理的训练损失；Smooth val loss为平滑处理的验证损失。
将训练好的权重载入模型，并将待检图像输入网络，通过解码得到目标在图像上的位置信息，最终在图像上显示出来，完成检测，检测效果图如图8-图9。可见本发明针对光伏组件热斑图像提出一种有效的数据增强手段提升数据集质量，有效解决数据集数量不够、模型训练过程中的欠拟合等问题，且无需重复标注，工作量较少。可以有效的适配光伏热斑的形状特征，在检测准确率和可视化方面取得良好的效果。
实施例2
为了执行上述实施例1对应的方法，以实现相应的功能和技术效果，下面提供了一种光伏组件热斑检测系统，包括：
待测图像获取模块，用于获取待测光伏组件的红外图像为待测图像。
热斑检测模块，用于将待测图像输入到热斑检测模型中，确定待测图像的热斑检测结果；热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
光伏组件历史红外图像集获取模块，用于获取光伏组件历史红外图像集；光伏组件历史红外图像集包括多个光伏组件的历史红外图像；光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像。
标注模块，用于对多个历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集。
热斑检测模型确定模块，用于以光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到热斑检测模型。
实施例3
本实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1所述的一种光伏组件热斑检测方法。其中，存储器为可读存储介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种光伏组件热斑检测方法，其特征在于，包括：
获取待测光伏组件的红外图像为待测图像；
将所述待测图像输入到热斑检测模型中，确定所述待测图像的热斑检测结果；所述热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；所述初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
2.根据权利要求1所述的一种光伏组件热斑检测方法，其特征在于，在所述获取待测光伏组件的红外图像为待测图像之前，还包括：
获取光伏组件历史红外图像集；所述光伏组件历史红外图像集包括多个光伏组件的历史红外图像；所述光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像；
对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集；
以所述光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到所述热斑检测模型。
3.根据权利要求2所述的一种光伏组件热斑检测方法，其特征在于，在所述对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集之前，还包括：
利用网络掩码的方式对光伏组件历史红外图像集进行增强处理，得到增强处理后的光伏组件历史红外图像集。
4.根据权利要求2所述的一种光伏组件热斑检测方法，其特征在于，在所述获取光伏组件历史红外图像集之前，还包括：
构建初始热斑检测模型。
5.一种光伏组件热斑检测系统，其特征在于，包括：
待测图像获取模块，用于获取待测光伏组件的红外图像为待测图像；
热斑检测模块，用于将所述待测图像输入到热斑检测模型中，确定所述待测图像的热斑检测结果；所述热斑检测模型是利用光伏组件历史红外图像标注集对初始热斑检测模型进行训练后得到的；所述初始热斑检测模型包括依次连接的特征提取骨干网络、注意力机制模块和YOLOv7神经网络。
6.根据权利要求5所述的一种光伏组件热斑检测系统，其特征在于，所述光伏组件热斑检测系统还包括：
光伏组件历史红外图像集获取模块，用于获取光伏组件历史红外图像集；所述光伏组件历史红外图像集包括多个光伏组件的历史红外图像；所述光伏组件历史红外图像集包括任一光伏组件的一张或多张历史红外图像；
标注模块，用于对多个所述历史红外图像中的光斑进行标注处理，得到光伏组件历史红外图像标注集；
热斑检测模型确定模块，用于以所述光伏组件历史红外图像集为输入，以光伏组件历史红外图像标注集为输出，对初始热斑检测模型进行训练，得到所述热斑检测模型。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的一种光伏组件热斑检测方法。
8.根据权利要求7所述的一种电子设备，其特征在于，所述存储器为可读存储介质。
CN202310219053.1A 2023-03-09 2023-03-09 一种光伏组件热斑检测方法、系统和电子设备 Pending CN116363075A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310219053.1A CN116363075A (zh) 2023-03-09 2023-03-09 一种光伏组件热斑检测方法、系统和电子设备
PCT/CN2023/129871 WO2024183317A1 (zh) 2023-03-09 2023-11-06 一种光伏组件热斑检测方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310219053.1A CN116363075A (zh) 2023-03-09 2023-03-09 一种光伏组件热斑检测方法、系统和电子设备

Publications (1)

Publication Number Publication Date
CN116363075A true CN116363075A (zh) 2023-06-30

Family

ID=86913063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310219053.1A Pending CN116363075A (zh) 2023-03-09 2023-03-09 一种光伏组件热斑检测方法、系统和电子设备

Country Status (2)

Country Link
CN (1) CN116363075A (zh)
WO (1) WO2024183317A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095244A (zh) * 2023-10-18 2023-11-21 华侨大学 一种红外目标识别方法、装置、设备及介质
WO2024183317A1 (zh) * 2023-03-09 2024-09-12 北京国网富达科技发展有限责任公司 一种光伏组件热斑检测方法、系统和电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164038A (zh) * 2020-09-16 2021-01-01 上海电力大学 一种基于深度卷积神经网络的光伏热斑检测方法
CN114299033B (zh) * 2021-12-29 2024-10-15 中国科学技术大学 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统
CN114596278A (zh) * 2022-03-04 2022-06-07 中国长江三峡集团有限公司 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置
CN116363075A (zh) * 2023-03-09 2023-06-30 北京国网富达科技发展有限责任公司 一种光伏组件热斑检测方法、系统和电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024183317A1 (zh) * 2023-03-09 2024-09-12 北京国网富达科技发展有限责任公司 一种光伏组件热斑检测方法、系统和电子设备
CN117095244A (zh) * 2023-10-18 2023-11-21 华侨大学 一种红外目标识别方法、装置、设备及介质
CN117095244B (zh) * 2023-10-18 2024-01-05 华侨大学 一种红外目标识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2024183317A1 (zh) 2024-09-12

Similar Documents

Publication Publication Date Title
CN111178206B (zh) 一种基于改进yolo的建筑预埋件检测方法及系统
CN116363075A (zh) 一种光伏组件热斑检测方法、系统和电子设备
CN109712127B (zh) 一种用于机巡视频流的输电线路故障检测方法
CN114973032B (zh) 一种基于深度卷积神经网络的光伏板热斑检测方法及装置
CN113129272A (zh) 一种基于去噪卷积自编码器的缺陷检测方法及装置
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN114596278A (zh) 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置
CN115272777B (zh) 面向输电场景的半监督图像解析方法
CN113052103A (zh) 一种基于神经网络的电气设备缺陷检测方法及装置
CN114863361A (zh) 基于USRNet和YOLOv3的配电线路鸟巢检测方法
CN117541534A (zh) 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法
CN116645369A (zh) 基于孪生自编码器和双向信息深度监督的异常检测方法
CN117422695A (zh) 一种基于CR-Deeplab的异常检测方法
CN116630668A (zh) 一种快速轻量级的安全帽佩戴异常识别方法
Peng et al. Research on oil leakage detection in power plant oil depot pipeline based on improved YOLO v5
CN117132546A (zh) 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法
CN110097534A (zh) 一种基于深度学习的核燃料棒外观缺陷检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN114155468A (zh) 一种变压器渗漏油检测方法、装置、设备及介质
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN117197554A (zh) 一种变压器漏油实时检测方法及系统
CN117079026A (zh) 一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法
CN116664421A (zh) 一种基于多光照角度图像融合的航天器图像去阴影的方法
CN116166966A (zh) 一种基于多模态数据融合的水质劣化事件检测方法
CN115273009A (zh) 基于深度学习的道路裂纹检测方法及系统

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