CN116503863B - 光伏板编号方法、存储介质、控制器 - Google Patents

光伏板编号方法、存储介质、控制器 Download PDF

Info

Publication number
CN116503863B
CN116503863B CN202310759346.9A CN202310759346A CN116503863B CN 116503863 B CN116503863 B CN 116503863B CN 202310759346 A CN202310759346 A CN 202310759346A CN 116503863 B CN116503863 B CN 116503863B
Authority
CN
China
Prior art keywords
photovoltaic panel
image
photovoltaic
segmentation
numbering
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
Application number
CN202310759346.9A
Other languages
English (en)
Other versions
CN116503863A (zh
Inventor
柴东元
李小飞
温招洋
戴聪慧
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.)
Snegrid Electric Technology Co ltd
Original Assignee
Snegrid Electric Technology 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 Snegrid Electric Technology Co ltd filed Critical Snegrid Electric Technology Co ltd
Priority to CN202310759346.9A priority Critical patent/CN116503863B/zh
Publication of CN116503863A publication Critical patent/CN116503863A/zh
Application granted granted Critical
Publication of CN116503863B publication Critical patent/CN116503863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种光伏板编号方法、存储介质、控制器。其中，方法包括：获取待编号图像，其中，待编号图像中包括多个光伏板；采用预设第一滑窗根据预设第一滑动步长对待编号图像进行切片处理，得到多个第一切片图像；将多个第一切片图像分别输入预先训练好的光伏板分割网络，得到各第一切片图像中光伏板的分割结果；基于分割结果对待编号图像中的光伏板进行编号。该方法，可以降低编号的难度，提高效率。

Description

光伏板编号方法、存储介质、控制器
技术领域
本发明涉及光伏板技术领域，尤其涉及一种光伏板编号方法、存储介质、控制器。
背景技术
光伏是太阳能光伏发电系统的简称，光伏板是一种利用半导体材料的光伏效应，将太阳能辐射能直接转换为电能的一种新型发电装置。相关技术中，光伏场站光伏板编号主要利用无人机拍摄的现场图片，通过传统opencv进行图像编号或人工编号。
但是，由于光伏场站通常较大，采用opencv得到的图像分割存在编号效率低且难度大的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种光伏板编号方法，以降低编号的难度，提高效率。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种控制器。
为达到上述目的，本发明第一方面实施例提出了一种光伏板编号方法，所述方法包括：获取待编号图像，其中，所述待编号图像中包括多个光伏板；采用预设第一滑窗根据预设第一滑动步长对所述待编号图像进行切片处理，得到多个第一切片图像；将多个所述第一切片图像分别输入预先训练好的光伏板分割网络，得到各所述第一切片图像中光伏板的分割结果；基于所述分割结果对所述待编号图像中的光伏板进行编号。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的光伏板编号方法。
为达到上述目的，本发明第三方面实施例提出了一种控制器，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现上述的光伏板编号方法。
根据本发明的光伏板编号方法、存储介质、控制器，通过采用滑窗对待编号图片进行切片处理得到多个第一切片图像，采用光伏板分割网络对第一切片图像进行分割处理，得到各切片图像中的光伏板，在分割得到光伏板后，对分割得到的光伏板进行编号，从而实现对待编号图像进行切片处理，将切片得到的较小的第一切片图像输入光伏板分割网络，从而降低分割的难度，提高分割编号的效率。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明一个或多个实施例的光伏板编号方法的流程图；
图2是本发明一个或多个实施例的光伏板编号方法的流程图；
图3是本发明一个或多个实施例的光伏板编号方法的流程图；
图4是本发明一个示例的光伏板编号方法的流程图。
具体实施方式
下面参考附图描述本发明实施例的光伏板编号方法、存储介质、控制器，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。参考附图描述的实施例是示例性的，不能理解为对本发明的限制。
图1是本发明一个或多个实施例的光伏板编号方法的流程图。
如图1所示，光伏板编号方法，包括：
S11，获取待编号图像，其中，待编号图像中包括多个光伏板。
S12，采用预设第一滑窗根据预设第一滑动步长对待编号图像进行切片处理，得到多个第一切片图像。
S13，将多个第一切片图像分别输入预先训练好的光伏板分割网络，得到各第一切片图像中光伏板的分割结果。
S14，基于分割结果对待编号图像中的光伏板进行编号。
由此，通过采用滑窗对待编号图片进行切片处理得到多个第一切片图像，采用光伏板分割网络对第一切片图像进行分割处理，得到各切片图像中的光伏板，在分割得到光伏板后，对分割得到的光伏板进行编号，从而实现对待编号图像进行切片处理，将切片得到的较小的第一切片图像输入光伏板分割网络，从而降低分割的难度，提高分割编号的效率。
在本发明一个或多个实施例中，基于分割结果对待编号图像中的光伏板进行编号之前，光伏板编号方法还包括：根据分割结果确定分割出的无效光伏板，其中，无效光伏板包括面积不处于预设范围内的光伏板和重复光伏板；舍弃无效光伏板对应的分割结果。
具体地，在获取多个第一切片图像后，将多个第一切片图像输入光伏板分割网络。光伏板分割网络对多个第一切片图像进行分割，将其中的光伏板分割出，得到光伏板已分割出的第一切片图像。
到光伏板分割网络的分割结果后，需要将分割后的第一切片图像还原到原图。但是，由于算法通常不能实现100%的精确率，因而在还原之前，需要首先对分割后的各个第一切片图像中的光伏板进行过滤，将分割出的无效光伏板去除。
其中，由于每个光伏板的大小是在一定范围内的，因而可以利用面积大小和靠近切片边缘坐标舍弃筛选不属于光伏板的目标及不完整的光伏板，而且，由于采用第一滑窗得到多个第一切片图像，不同的第一切片图像中可能存在同一个光伏板，即光伏板存在重复，因而可以利用中心坐标点将重复光伏板去除。
在去除无效光伏板后，将各个第一切片图像还原到原图，进而根据分割结果对还原后的图像中的各光伏板按照从左到右从上到下编号。
由此，可以实现在获取到光伏板分割网络的分割结果后，首先对分割结果进行过滤，再将过滤后的分割结果进行还原编号，从而实现精确编号。
在本发明一个或多个实施例中，参见图2，光伏板分割网络的训练过程包括：
S21，构建训练集。
其中，训练集中的训练样本为包括多个光伏板的第一光伏板图像，训练样本携带有光伏板标注信息，第一光伏板图像为基于预先生成的第二滑窗和第二滑动步长对第一图像进行切片处理得到的第二切片图像，第一图像为包括多个样本光伏板的图像。
S22，构建分割网络模型。
S23，利用训练样本对分割网络模型进行训练，得到光伏板分割网络。
具体地，上述样本光伏板为用于对分割网络模型进行训练的光伏板。获取样本光伏板的第一图像，第一图像为样本光伏板所在区域的区域图。
在获取到第一图像后，由于第一图像通常较大，无法直接用于网络训练，因而首先使用滑窗法对第一图像进行切片处理。具体而言，采用第二滑窗和第二滑动步长对第一图像进行切片处理，得到切片结果。其中，在采用滑窗法对第一图像进行切片处理时，需要保证第一图像中每一个光伏板均被完整切出。
在得到切片结果后，对切片结果进行标注处理，被标注的切片即为第二切片图像，构建第二切片图像的集合，得到训练集。其中，上述标注可以采用预设软件进行，比如说，可以采用标注软件labelme进行沿光伏板边缘进行标注，即为“gfb”，做为训练集。
在获取到训练集后，将训练集中的训练样本输入分割网络模型，对分割网络模型进行训练。
其中，分割网络模型可以对输入的图像通过主干网络进行特征提取，输出每个目标物体类别、边框等信息，对每个目标物体进行实例分割。
由此，可以实现根据样本光伏板对分割网络模型进行训练，得到光伏板分割网络。
在本发明一个或多个实施例中，第一图像为采用无人机按照预设方向对样本光伏板进行拍摄得到的图像，预设方向为使样本光伏板在第一图像中不倾斜的方向。比如说，可以令无人机按照如下设置对样本光伏板进行拍摄：
200m≤飞行高度≤300m。
飞行方式：平行或垂直光伏板，按点位顺序飞行。
飞行点位分布：按照覆盖全部光伏板原则，允许光伏板重复拍摄。
视频拍摄角度：垂直于地面拍摄。
视频分辨率：1920×1080或更高，以清晰为原则。
在对样本光伏板进行拍摄的同时，还需要获取拍摄点位经纬度等信息，进而在拍摄完成后，将拍摄得到的图片和拍摄点位经纬度等信息导入预设软件进行自动重建模型，从而根据经纬度坐标等信息构建出包含全部光伏板的全貌区域图，该全貌区域图即为上述第一图像。
上述第二滑窗和第二滑动步长的生成方法，包括：获取样本光伏板在第一图像上的第一横向尺寸和第一纵向尺寸；根据第一横向尺寸和第一纵向尺寸生成第二横向尺寸、第二纵向尺寸和第二滑动步长，其中，第二滑动步长包括横向滑动步长和纵向滑动步长；根据第二横向尺寸和第二纵向尺寸生成第二滑窗。
具体地，在获取得到第一图像后，还需要获取样本光伏板在第一图像中的长宽，进而根据样本光伏板在第一图像中的长宽确定能够实现将第一图像中每一个光伏板均完整切出的第二滑窗尺寸和第二滑动步长。
由此，设置以预设方向对样本光伏板进行拍摄得到图像，根据拍摄得到的图像得到第一图像，实现支持根据第一图像中的光伏板的长宽确定第二滑窗的尺寸和第二滑动步长，从而保障第一图像中的每个光伏板均可被第二滑窗完整切出。
在本发明一个或多个实施例中，按照预设规则根据第一横向尺寸和第一纵向尺寸生成第二横向尺寸、第二纵向尺寸、横向滑动步长和纵向滑动步长，上述预设规则，包括：
slid_w>=2×w,slid_h>=2×h，
step_w<=w,step_h<=h，
slid_w-step_w>=w,slid_h-step_h>=h，
其中，w为第一横向尺寸，h为第一纵向尺寸，slid_w为第二横向尺寸，slid_h为第二纵向尺寸，step_w为横向滑动步长，step_h为纵向滑动步长。
在本发明一个或多个实施例中，利用训练样本对分割网络模型进行训练之前，光伏板编号方法还包括：构建测试集，其中，测试集中的测试样本为包括多个光伏板的第二光伏板图像，第二光伏板图像为基于第二滑窗和第二滑动步长对第一图像进行切片处理得到的第三切片图像。
具体地，在获取到第一图像后，采用第二滑窗和第二滑动步长对第一图像进行切片处理，得到切片结果。
在得到切片结果后，对切片结果进行标注处理，未被标注的切片即为第三切片图像，构建第三切片图像的集合，得到测试集。
根据训练集对分割网络模型进行训练之后，光伏板编号方法还包括：根据测试集对训练后的分割网络模型进行测试，当测试得到的误差小于预设误差范围时，确定训练后的分割网络模型为光伏板分割网络。
在本发明一个或多个实施例中，根据训练集对分割网络模型进行训练之前，光伏板编号方法还包括：对训练集进行扩展处理，得到扩展后的训练集，其中，扩展处理，包括形变、旋转、高斯模糊、增加噪声。
其中，上述旋转，包括将切片图像旋转预设角度，比如顺时针或逆时针旋转5度。
上述高斯模糊，是对整幅图进行加权平均的过程，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到，x,y为中心坐标点，σ为模糊半径，G（x，y）为密度函数。
。
上述增加噪声，为通过随机改变图像中的像素值增加噪声，产生黑白相间的亮暗点噪声点。
在本发明一个或多个实施例中，参见图3，根据测试集对训练后的分割网络模型进行测试，包括：
S31，将第三切片图像输入分割网络模型，获取分割网络模型的输出的第二图像。
S32，获取第二图像中光伏板的第一轮廓坐标。
S33，根据第一图像的第一坐标系、第二图像的第二坐标系和第一轮廓坐标得到第二图像中光伏板的第二轮廓坐标。
其中，第二轮廓坐标为第一轮廓坐标在第一坐标系下的坐标值。
S34，根据第二轮廓坐标得到分割网络模型的误差。
具体的，在根据训练集对分割网络模型进行训练之后，将一张第三切片图像输入分割网络模型，获取分割网络模型输出的第二图像。
在获取到分割网络模型输出的第二图像后，获取第二图像中每个分割出的光伏板的坐标点，坐标点为光伏板的第一轮廓坐标。
上述第一轮廓坐标为归一化坐标，即相对于第二图像长宽的比例，即（boardx/imgw,boardy/imgh），boardx、boardy为第一轮廓真实坐标，imgw、imgh为第二图像长宽，对该第一轮廓坐标进行反归一化，得到真实坐标，获取对应的实际标注坐标，计算得到真实坐标与实际标注坐标之间的误差，在误差小于预设阈值时，确定当前的分割网络模型为训练通过的光伏板分割网络。
下面结合一个具体示例对上述光伏板编号方法进行说明。
参见图4，首先，无人机固定点位拍摄瓦片图：
(1)200m≤飞行高度≤300m；
(2)飞行方式：平行或垂直光伏板，按点位顺序飞行；
(3)飞行点位分布：按照覆盖全部光伏板原则，允许光伏板重复拍摄；
(4)视频拍摄角度：垂直于地面拍摄；
(5)视频分辨率：1920×1080或更高，以清晰为原则；
根据以上参数拍摄好图片后，使用预设软件新建任务，将所有拍摄图片及拍摄点位经纬度等信息导入，进行自动重建模型，根据经纬度坐标等信息可以构建出包含全部光伏板的全貌区域图，即为第一图像。
训练集和测试集制作：由于区域图过大，无法直接用于网络训练推理，需要对区域图进行使用滑窗法做切片处理，设定光伏板长宽为w,h,滑窗大小为slid_w>=2×w,slid_h>=2×h,每次滑动步长step_w<=w,step_h<=h，从上至下从左至右进行滑窗切片，保证每一个光伏板都被完整切出(slid_w-step_w>=w,slid_h-step_h>=h)，使用labelme进行沿光伏板边缘进行标注，记为‘gfb’，作为训练集，未标注切片作为测试集，使用opencv做形变、旋转、高斯模糊、增加噪声等数据增强处理提高训练样本多样性，使训练后的模型更加鲁棒，达到更好的训练效果。
其中，旋转：图像顺时针逆时针旋转5度。
高斯模糊：对整幅图进行加权平均的过程，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到，x,y为中心坐标点，σ为模糊半径。
。
增加噪声：通过随机改变图像中的像素值增加噪声，产生黑白相间的亮暗点噪声点。
利用yolov5-seg深度学习算法对训练集进行训练学习，按照先检测后分割原理（对输入图片通过主干网络进行特征提取，输出每个目标物体类别，边框等信息，对每个目标物体进行实例分割），输出分割网络模型。
向分割网络模型输入一张测试集切片进行检测，可以得到构成每个目标的多个坐标点，坐标点是目标预测出来的轮廓坐标值，该坐标值为归一化坐标，即相对于图像宽高的比例，需要对坐标进行反归一化转换为图片真实的坐标值x,y。根据真实的坐标值x,y和实际标注坐标得到误差，根据误差判断分割网络模型是否训练成功。
将待分割图像输入训练得到的光伏板分割网络后，针对光伏板进行分割编号处理，即将区域图切片检测结果坐标还原到原图。由于算法还不能达到100%的精确率，需要对检测结果进行后处理：1）每个光伏板的大小是在一定范围的，利用面积大小和靠近切片边缘坐标舍弃筛选不属于光伏板的目标及不完整的光伏板，2）切片是采用滑窗法实现的，光伏板存在重复，利用中心坐标点进行去重。
将过滤后的目标还原到区域图并按照从左到右从上到下编号。
综上，本发明实施例的光伏板编号方法，通过采用滑窗对待编号图片进行切片处理得到多个第一切片图像，采用光伏板分割网络对第一切片图像进行分割处理，得到各切片图像中的光伏板，在分割得到光伏板后，对分割得到的光伏板进行编号，从而实现对待编号图像进行切片处理，将切片得到的较小的第一切片图像输入光伏板分割网络，从而降低分割的难度，提高分割编号的效率。利用切片结合分割算法精准分割光伏板，获取光伏板相对坐标，可实现对光伏板自动编号，相对人工编号和传统opencv识别编号，精准度更好，效率更高，减少人工编号失误，方便大批量编号实现。
进一步地，本发明提出一种计算机可读存储介质。
在本发明实施例中，计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述的光伏板编号方法。
本发明实施例的计算机可读存储介质，通过实现上述的光伏板编号方法，可以通过采用滑窗对待编号图片进行切片处理得到多个第一切片图像，采用光伏板分割网络对第一切片图像进行分割处理，得到各切片图像中的光伏板，在分割得到光伏板后，对分割得到的光伏板进行编号，从而实现对待编号图像进行切片处理，将切片得到的较小的第一切片图像输入光伏板分割网络，从而降低分割的难度，提高分割编号的效率。利用切片结合分割算法精准分割光伏板，获取光伏板相对坐标，可实现对光伏板自动编号，相对人工编号和传统opencv识别编号，精准度更好，效率更高，减少人工编号失误，方便大批量编号实现。
进一步地，本发明提出一种控制器。
在本发明实施例中，控制器，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时，实现上述的光伏板编号方法。
本发明实施例的控制器，通过实现上述的光伏板编号方法，可以通过采用滑窗对待编号图片进行切片处理得到多个第一切片图像，采用光伏板分割网络对第一切片图像进行分割处理，得到各切片图像中的光伏板，在分割得到光伏板后，对分割得到的光伏板进行编号，从而实现对待编号图像进行切片处理，将切片得到的较小的第一切片图像输入光伏板分割网络，从而降低分割的难度，提高分割编号的效率。利用切片结合分割算法精准分割光伏板，获取光伏板相对坐标，可实现对光伏板自动编号，相对人工编号和传统opencv识别编号，精准度更好，效率更高，减少人工编号失误，方便大批量编号实现。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本说明书的描述中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，除非另有说明，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种光伏板编号方法，其特征在于，所述方法包括：
获取待编号图像，其中，所述待编号图像中包括多个光伏板；
采用预设第一滑窗根据预设第一滑动步长对所述待编号图像进行切片处理，得到多个第一切片图像；
将多个所述第一切片图像分别输入预先训练好的光伏板分割网络，得到各所述第一切片图像中光伏板的分割结果；
基于所述分割结果对所述待编号图像中的光伏板进行编号；
所述光伏板分割网络的训练过程包括：
构建训练集，其中，所述训练集中的训练样本为包括多个光伏板的第一光伏板图像，所述训练样本携带有光伏板标注信息，所述第一光伏板图像为基于预先生成的第二滑窗和第二滑动步长对第一图像进行切片处理得到的第二切片图像，所述第一图像为包括多个样本光伏板的图像；
构建分割网络模型；
利用所述训练样本对分割网络模型进行训练，得到所述光伏板分割网络；
所述第一图像为采用无人机按照预设方向对所述样本光伏板进行拍摄得到的图像，所述预设方向为使所述样本光伏板在所述第一图像中不倾斜的方向，所述第二滑窗和所述第二滑动步长的生成方法，包括：
获取所述样本光伏板在所述第一图像上的第一横向尺寸和第一纵向尺寸；
根据所述第一横向尺寸和所述第一纵向尺寸生成第二横向尺寸、第二纵向尺寸和所述第二滑动步长，其中，所述第二滑动步长包括横向滑动步长和纵向滑动步长；
根据所述第二横向尺寸和所述第二纵向尺寸生成所述第二滑窗；
按照预设规则根据所述第一横向尺寸和所述第一纵向尺寸生成所述第二横向尺寸、所述第二纵向尺寸、所述横向滑动步长和所述纵向滑动步长，所述预设规则，包括：
slid_w>=2×w,slid_h>=2×h，
step_w<=w,step_h<=h，
slid_w-step_w>=w,slid_h-step_h>=h，
其中，w为所述第一横向尺寸，h为所述第一纵向尺寸，slid_w为所述第二横向尺寸，slid_h为所述第二纵向尺寸，step_w为所述横向滑动步长，step_h为所述纵向滑动步长。
2.根据权利要求1所述的光伏板编号方法，其特征在于，所述基于所述分割结果对所述待编号图像中的光伏板进行编号之前，所述方法还包括：
根据所述分割结果确定分割出的无效光伏板，其中，所述无效光伏板包括面积不处于预设范围内的光伏板和重复光伏板；
舍弃所述无效光伏板对应的分割结果。
3.根据权利要求1所述的光伏板编号方法，其特征在于，所述利用所述训练样本对分割网络模型进行训练之前，所述方法还包括：
构建测试集，其中，所述测试集中的测试样本为包括多个光伏板的第二光伏板图像，所述第二光伏板图像为基于所述第二滑窗和所述第二滑动步长对第一图像进行切片处理得到的第三切片图像；
根据所述训练集对所述分割网络模型进行训练之后，所述方法还包括：
根据所述测试集对训练后的分割网络模型进行测试，当测试得到的误差小于预设误差范围时，确定训练后的分割网络模型为所述光伏板分割网络。
4.根据权利要求3所述的光伏板编号方法，其特征在于，所述根据所述训练集对所述分割网络模型进行训练之前，所述方法还包括：
对所述训练集进行扩展处理，得到扩展后的训练集，其中，所述扩展处理，包括形变、旋转、高斯模糊、增加噪声。
5.根据权利要求3所述的光伏板编号方法，其特征在于，所述根据所述测试集对训练后的分割网络模型进行测试，包括：
将所述第三切片图像输入所述分割网络模型，获取所述分割网络模型的输出的第二图像；
获取所述第二图像中光伏板的第一轮廓坐标；
根据所述第一图像的第一坐标系、所述第二图像的第二坐标系和所述第一轮廓坐标得到所述第二图像中光伏板的第二轮廓坐标，其中，所述第二轮廓坐标为所述第一轮廓坐标在所述第一坐标系下的坐标值；
根据所述第二轮廓坐标得到所述分割网络模型的误差。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-5中任一项所述的光伏板编号方法。
7.一种控制器，其特征在于，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-5中任一项所述的光伏板编号方法。
CN202310759346.9A 2023-06-26 2023-06-26 光伏板编号方法、存储介质、控制器 Active CN116503863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310759346.9A CN116503863B (zh) 2023-06-26 2023-06-26 光伏板编号方法、存储介质、控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310759346.9A CN116503863B (zh) 2023-06-26 2023-06-26 光伏板编号方法、存储介质、控制器

Publications (2)

Publication Number Publication Date
CN116503863A CN116503863A (zh) 2023-07-28
CN116503863B true CN116503863B (zh) 2023-09-15

Family

ID=87316964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310759346.9A Active CN116503863B (zh) 2023-06-26 2023-06-26 光伏板编号方法、存储介质、控制器

Country Status (1)

Country Link
CN (1) CN116503863B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362331A (zh) * 2020-03-04 2021-09-07 阿里巴巴集团控股有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN113762266A (zh) * 2021-09-01 2021-12-07 北京中星天视科技有限公司 目标检测方法、装置、电子设备和计算机可读介质
CN115908444A (zh) * 2021-09-29 2023-04-04 中移(上海)信息通信科技有限公司 图像分割方法、模型训练方法、相关装置及电子设备
CN116192044A (zh) * 2023-02-21 2023-05-30 江苏提米智能科技有限公司 一种故障光伏板编号定位方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516678B (zh) * 2019-08-27 2022-05-06 北京百度网讯科技有限公司 图像处理方法和装置
CN111709407B (zh) * 2020-08-18 2020-11-13 眸芯科技（上海）有限公司 监控边缘计算中提升视频目标检测性能的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362331A (zh) * 2020-03-04 2021-09-07 阿里巴巴集团控股有限公司 图像分割方法、装置、电子设备及计算机存储介质
CN113762266A (zh) * 2021-09-01 2021-12-07 北京中星天视科技有限公司 目标检测方法、装置、电子设备和计算机可读介质
CN115908444A (zh) * 2021-09-29 2023-04-04 中移(上海)信息通信科技有限公司 图像分割方法、模型训练方法、相关装置及电子设备
CN116192044A (zh) * 2023-02-21 2023-05-30 江苏提米智能科技有限公司 一种故障光伏板编号定位方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TransUNet＋: Redesigning the skip connection to enhance features in medical image segmentation;Yuhang Liu等;Knowledge-Based Systems;第256卷;1-10 *
基于Mask R-CNN的人脸检测与分割方法;林凯瀚等;计算机工程;第46卷(第06期);274-280 *
基于卷积神经网络的道路图像语义分割;张蓉;赵昆淇;顾凯;;计算机与数字工程;第48期(第07期);1772-1775+1803 *

Also Published As

Publication number Publication date
CN116503863A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109086714B (zh) 表格识别方法、识别系统及计算机装置
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN109961398B (zh) 风机叶片图像分割与网格优化拼接方法
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN108830832A (zh) 一种基于机器视觉的塑料筒表面缺陷检测算法
CN109272060B (zh) 一种基于改进的darknet神经网络进行目标检测的方法和系统
CN113822844A (zh) 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN112669301A (zh) 一种高铁底板脱漆故障检测方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN115578326A (zh) 一种道路病害识别方法、系统、设备及存储介质
CN116503863B (zh) 光伏板编号方法、存储介质、控制器
CN117409083A (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN115063679B (zh) 一种基于深度学习的路面质量评估方法
CN115619796A (zh) 获取光伏组件模板的方法及装置、非易失性存储介质
CN115564727A (zh) 一种爆光显影异常缺陷检测方法及系统
Xu et al. A Deep Neural Network-Based Intelligent Detection Model for Manufacturing Defects of Automobile Parts
CN110717490A (zh) 一种输电线路杆塔鸟巢识别方法及其系统、存储介质
CN110610492A (zh) 在役风机全尺寸叶片外部损伤识别方法、系统、存储介质和终端
CN115984316B (zh) 一种复杂环境的工业图像边缘提取方法及装置
CN116309760B (zh) 谷物的图像对齐方法及谷物检测设备
CN117372511B (zh) 光伏组串定位方法、装置、系统及电子设备
CN114820485B (zh) 一种基于机载图像测量波浪爬高的方法

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