CN116797944A - 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 - Google Patents
一种基于无人机图像识别光伏面板清洁度的检测方法及系统 Download PDFInfo
- Publication number
- CN116797944A CN116797944A CN202211505525.1A CN202211505525A CN116797944A CN 116797944 A CN116797944 A CN 116797944A CN 202211505525 A CN202211505525 A CN 202211505525A CN 116797944 A CN116797944 A CN 116797944A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic panel
- unmanned aerial
- image
- aerial vehicle
- stain
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000003749 cleanliness Effects 0.000 title claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010422 painting Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/753—Transform-based matching, e.g. Hough transform
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机图像识别光伏面板清洁度的检测方法及系统,涉及图像识别技术领域。包括无人机和上位机,无人机用于采集采光伏面板图像;上位机包括无人机交互单元、无人机飞行线路规划单元、图像存储单元、图像转换单元、图像特征提取单元、图像污渍识别处理单元、人机交互界面及用户反馈单元;图像污渍识别处理单元将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;用户反馈单元将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。达到了对光伏面板清洁度检测的目的,提高清理的效率,节约了人工成本。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于无人机图像识别光伏面板清洁度的检测方法及系统。
背景技术
目前,大型光伏发电系统通常设在阳光充足且没有明显遮掩的区域,这些地区通常较为偏远,给光伏巡检监测带来了挑战。但是在光伏电站的长期使用中,光伏组件难免有鸟禽排泄物、浮土、落叶、杂草等遮挡物,这些遮挡物在光伏组件上形成了阴影,阴影遮挡可使整块光伏组件及整组串光伏组件总输出功率不同程度的严重下降,光伏组件的积灰带是严重影响发电量、缩短组件寿命的最主要原因。此外,底部积灰带极易形成热斑效应。热斑效应因温度的上升而降低发电量、损伤光伏组件减少光伏组件寿命,甚至造成火灾。
传统的光伏组件巡检是通过人工巡检进行评估,但这种巡检方式效率低、错误率较高,人工使用手持式红外热像仪巡检预计需要1-2周时间,不仅工作量巨大繁琐,且容易存在漏检、上排组件成像效果差等问题。在规模较大的光伏系统采用人工巡检的方式进行排查过于繁琐。
近年来,随着无人机的快速发展,其被应用于许多领域,比如航拍摄影,地理测绘,灾害救援等。使用无人机光伏巡检,可清晰展示光伏电站整体状态,通过图像识别程序,进而快速精确的检测出光伏组件面板积灰以及异物附着的准确位置,及时进行清理,从而使光伏电站的运营效果达到最佳状态。因此通过无人机进行光伏巡检不仅能节省大量人力资源同时还提高了巡检的效率和准确率。
近几年,国内分布式光伏产业突飞猛进,分布式光伏发电遵循因地制宜、清洁高效、分散布局、就近利用的原则,充分利用当地太阳能资源,替代和减少化石能源消费。因此为了使光伏面板时刻保持高效率的输出,及时清理光伏组件上的积灰及异物是重中之重,开发并设计光伏电站面板清洁度检测系统是十分必要的。
发明内容
本发明所要解决的技术问题是提供一种基于无人机图像识别光伏面板清洁度的检测方法,该检测方法通过无人机拍摄传输、上位机接收与发送还有改进的深度学习算法的识别,能够很好的完成了预期的目标,提高清理的效率,实现异物识别的精准化和检测手段的人性化。
为解决上述技术问题,本发明所采取的技术方案是:一种基于无人机图像识别光伏面板清洁度的检测方法,包括以下步骤:
(1)无人机采集光伏面板图像,并以无人机相对光伏面板起飞点为原点,构建位置坐标系;
(2)上位机根据位置坐标系规划无人机的飞行路径;
(3)无人机采集的图像及位置信息数据通过无线网络传输给上位机;
(4)上位机的图像存储单元进行数据信息存储;
(5)图像转换单元对存储后的图像信息数据进行纠偏处理;
(6)图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
(7)污渍识别训练单元对赋值的正确性进行训练,直到满足设定的理想预期值;
(8)将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
(9)结果反馈,将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
进一步优化的技术方案为所述步骤(1)中的无人机为单机或机群组,位置坐标系为平面二维坐标系。
进一步优化的技术方案为所述步骤(5)中的图像纠偏处理的方法为:
a采用findContours()函数对采集的图像进行轮廓识别提取;
b然后用drawContours()函数对识别出来的轮廓进行绘画处理;
c接着将绘画处理之后的轮廓进行霍夫变换,从而对无人机拍摄到的图像进行纠正处理,获得规整的光伏面板图像。
进一步优化的技术方案为所述步骤(6)中的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max{0,g(i)},
i=1,2,·..,q
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
进一步优化的技术方案为所述步骤(8)中污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。
本发明所要解决的技术问题是提供一种基于无人机图像识别光伏面板清洁度的检测系统,该检测系统通过无人机拍摄传输、上位机接收与发送还有改进的深度学习算法的识别,对每一张待检测的照片进行预测,并根据污渍附着概率作出判断,从而实现异物识别,达到了对光伏面板清洁度检测的目的,提高清理的效率,也大幅度降低了人工巡检的成本和工人工作的时间。
为解决上述技术问题,本发明所采取的技术方案是:一种基于无人机图像识别光伏面板清洁度的检测系统,包括无人机和上位机,
无人机用于采集采光伏面板图像;
上位机包括无人机交互单元、无人机飞行线路规划单元、图像存储单元、图像转换单元、图像特征提取单元、图像污渍识别处理单元、人机交互界面及用户反馈单元;
通过人机交互界面及无人机飞行线路规划单元设定无人机飞行路线,并构建位置坐标系,无人机采集的光伏面板图像通过人机交互单元上传给上位机,并存储在图像存储单元;
图像转换单元对存储后的图像信息数据进行纠偏处理;
图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
图像污渍识别处理单元将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
用户反馈单元将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
进一步优化的技术方案为所述无人机为单机或机群组,位置坐标系为平面二维坐标系。
进一步优化的技术方案为所述图像特征提取单元的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max{0,g(i)},
i=1,2,..·,q
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
进一步优化的技术方案为所述图像污渍识别处理单元的污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。
采用上述技术方案所产生的有益效果在于:本发明有以下几个优点:;
1、运用无人机进行巡逻检测替代了人工,节省了人工成本,也降低了容错率。
2、通过上位机与无人机交互单元构建了图像位置坐标系,能够快速的定位出现污渍的光伏面板,提高了污渍定位的准确性。
3、运用霍夫变换对采集的图像进行纠正,提高了图像特征提取的精度。
4、利用卷积神经网络算法确保了图像识别的精准度和准确性。
5、通过污渍识别训练单元对赋值的正确性进行训练确保了污渍判断的正确性。
附图说明
图1是本发明的原理框图;
图2是实施例1中无人机单机飞行路线设计示意图;
图3是实施例1中无人机机群组飞行路线设计示意图;
图4是光伏面板图像污渍识别处理后二值分布展示图;
图5是卷积神经网络算法示意图;
图6是污渍识别训练单元学习流程图;
图7是图像转换单元纠正处理前后对比实物图。
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作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。
实施例1
本发明公开了一种基于无人机图像识别光伏面板清洁度的检测方法,包括以下步骤:
(1)无人机采集光伏面板图像,并以无人机相对光伏面板起飞点为原点,构建位置坐标系;
(2)上位机根据位置坐标系规划无人机的飞行路径;
(3)无人机采集的图像及位置信息数据通过无线网络传输给上位机;
(4)上位机的图像存储单元进行数据信息存储;
(5)图像转换单元对存储后的图像信息数据进行纠偏处理;
(6)图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
(7)污渍识别训练单元对赋值的正确性进行训练,直到满足设定的理想预期值;
(8)将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
(9)结果反馈,将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
其无人机的选取要求:无人机是可以进行图片数据采集以及图片数据传输的无人机,即实现与上位机的tcp网络通信连接,同时要有稳定的续航能力和清晰的拍摄画面功能。
无人机拍摄的每一幅照片均通过无线网络实时传输到上位机,并保存在图像存储单元的固定文件夹中,文件夹名称为:光伏面板巡检信息记录。在拍摄完成后,上位机遍历该文件夹所有图片名称,并生成图片数据列表,保存在数据库中。由于传送到预设路径中的数据为JPEG格式,所以就让在有数据发送到该路径中时,上位机就检测该数据是否为图像JPEG格式,然后将数据写入到打开的图像文件中并显示出来。
无人机与上位机通过以下两种方式实现交互采集:
(1)Wi-Fi直连:通过将无人机设置为直连模式,并连接无人机的Wi-Fi热点进行接入。
(2)Wi-Fi组网:通过将无人机设置为组网模式,并将计算设备与无人机加入到同一个局域网内,实现组网连接。在该模式下,无人机的IP由路由器动态分配,可通过监听IP广播数据端口来获取当前局域网内无人机的IP地址来进行连接。
进一步优化的技术方案为所述步骤(1)中的无人机为单机或机群组,位置坐标系为平面二维坐标系。
1)无人机单机飞行路线规划
以图2光伏面板分布为例,以无人机起飞点为原点,建立平面直角坐标系,如图2无人机单机飞行路线设计示意图。
经过测量数据,计算出光伏面板的横坐标(即X1-X5)及每一行的间距(即Y1-Y4)。
起飞之后,将无人机y坐标设置为Y1保持不变,改变无人机的X坐标,X1-X4逐一对相对应的光伏面板进行拍摄。
飞行至X5位置处,保持无人机X坐标不变,Y坐标设为Y2,是无人机飞行至第二行光伏面板的位置,准备对第二行光伏面板的作业。保持Y坐标值不变,改变无人机X坐标值,对第二行光伏面板进行拍摄。设向右飞行为正方向,所以在改变X坐标是会赋予X坐标为负值,以达到是无人机反方向飞行的目的。
飞行至第二行光伏面板最左位置时,由于第三排目标相较于第二排多出一块光伏面板,此时将无人机X坐标赋值为第三排最左端光伏面板的对应横坐标。
调整完毕后,保持X坐标不变,Y坐标赋值为Y3,是无人机飞行至第三行光伏面板的位置,准备对第光伏面板的作业。保持Y坐标值不变,改变无人机X坐标值,对第三行光伏面板进行拍摄。
飞行至第三行光伏面板最右端位置时,保持X坐标不变,Y坐标赋值为Y4,使无人机飞行至第四行光伏面板的位置,准备对第四行光伏面板的作业。
改变X坐标的位置,直至完成对(X1,Y4)的拍摄后,飞行至Y轴出,离开光伏面板群,安全降落,完成拍摄任务。
2)无人机机群飞行路线规划
无人机群的路径规划是将一群光伏面板分成数个部分,每个无人机负责一个部分光伏面板的图像采集任务。
将Y1Y2行太阳能板分为一组,将Y3Y4行太阳能板分为另一组,由无人机共同开始采集图像流程如图3所示。
进一步优化的技术方案为所述步骤(5)中的图像纠偏处理的方法为:
a采用findContours()函数对采集的图像进行轮廓识别提取;
b然后用drawContours()函数对识别出来的轮廓进行绘画处理;
c接着将绘画处理之后的轮廓进行霍夫变换,从而对无人机拍摄到的图像进行纠正处理,获得规整的光伏面板图像。
通过运用轮廓提取技术、霍夫变换知识以及ROI感兴趣区域知识对不规则的图像进行纠偏处理。用一个矩形将图片的整体轮廓表示出来,并作为基准,再计算原始图片相较于基准而言所偏转的角度,最后对图片进行旋转操作,即可实现图片纠偏处理(如图7所示)。
如图5所示,进一步优化的技术方案为所述步骤(6)中的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max(O,g(i)},
i=1,2,..·,q
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
利用卷积对图像进行下采样,会对输入图像分别进行卷积和最大特征化操作,就是把输入进来的样本图片进行压缩处理,这样可以达到使样本图片上的单位面积能被感知的区域变大的效果,以便于让藏在图片深处的图像特征和一些低频的信息可以更容易的被框架获取到,并提取出4个初步有效特征层。
依次为:
第一有效特征层(平均等价层):通过第一层卷积对分割后的子区域的灰度值求平均,得到每个区域的平均灰度值;
第二有效特征层(最大输出层):在第一层的基础上通过第二层卷积将求得的平均灰度值进行最大池化处理,输出该区域内的最大灰度值;
第三有效特征层(取整规范层):对第二层的各个区域的灰度值进行取整处理;
第四有效特征层(二向分流层):对第三层的数据进行二值化处理,对各个区域取整后的数据与阈值L进行判断,判断为有污渍的区域输出“1”,判断为无污渍的区域输出“0”。
阈值L:对0-255进行测试,用每一个灰度值去测试所有样本图片,并计算误差率,求得所有样本图片的平均误差率,作为这个灰度值的测量误差,然后找到最小的测量误差,并将其对应的灰度值作为阈值L。
接着对待判定区进行污渍判定,将每个待判定区与深度学习训练后拟定的阈值L进行比较,无污渍的区域记为“0”,有污渍的区域记为“1”,得到光伏面板污渍二值分布图,处理结果如图(4)所示。
对初步特征层进行上采样,并且进行特征融合。同时还需要进行4次反卷积。即与上一步操作所得到的4个特征层依次进行特征融合处理。这样可以最大程度上获得想要的目标信息,也保证了整个网络可以很好的记住图片样本的所有特征信息,最终获得一个融合了所有特征的有效特征层。
有效特征层相当于整个网络的特征浓缩,用该特征层进行预测,只需要对特征层进行通道数的调整,调整成我们要分的类别的个数,也就相当于对每一个像素点进行分类。
如图6所示,污渍识别训练单元学习流程
在系统搭建开始前,需先准备符合实际需要的样本,并进行样本标注和文件转换的程序。完成样本准备后开始系统搭建,编写框架程序,并设置好每个模块的输入输出通道个数以及调用顺序。搭建好后开始污渍识别训练,最后编写预测程序进行评估,若最终结果不小于理想预期值,则系统训练完成;若最终结果小于理想预期值,则重新返回样本训练步骤,直至达到理想预期值。
理想预期值:按各个基站的要求来设定理想预期值,理想预期值是一种辨别一块光伏面板是否为污渍面板的正确率。
进一步优化的技术方案为所述步骤(8)中污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。其标准污渍附着率P0由电站的实际经济效益决定,如清洁费用,清洁后提升的发电收益等决定。
实施例2
如图1所示,本发明公开了一种基于无人机图像识别光伏面板清洁度的检测系统,包括无人机和上位机,
无人机用于采集采光伏面板图像;
上位机包括无人机交互单元、无人机飞行线路规划单元、图像存储单元、图像转换单元、图像特征提取单元、图像污渍识别处理单元、人机交互界面及用户反馈单元;
通过人机交互界面及无人机飞行线路规划单元设定无人机飞行路线,并构建位置坐标系,无人机采集的光伏面板图像通过人机交互单元上传给上位机,并存储在图像存储单元;
图像转换单元对存储后的图像信息数据进行纠偏处理;
图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
图像污渍识别处理单元将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
用户反馈单元将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
进一步优化的技术方案为所述无人机为单机或机群组,位置坐标系为平面二维坐标系。
进一步优化的技术方案为所述图像特征提取单元的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max{0,g(i)},
i=1,2,·..,q
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
进一步优化的技术方案为所述图像污渍识别处理单元的污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。其标准污渍附着率P0由电站的实际经济效益决定,如清洁费用,清洁后提升的发电收益等决定。
Claims (9)
1.一种基于无人机图像识别光伏面板清洁度的检测方法,其特征在于:包括以下步骤:
(1)无人机采集光伏面板图像,并以无人机相对光伏面板起飞点为原点,构建位置坐标系;
(2)上位机根据位置坐标系规划无人机的飞行路径;
(3)无人机采集的图像及位置信息数据通过无线网络传输给上位机;
(4)上位机的图像存储单元进行数据信息存储;
(5)图像转换单元对存储后的图像信息数据进行纠偏处理;
(6)图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
(7)污渍识别训练单元对赋值的正确性进行训练,直到满足设定的理想预期值;
(8)将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
(9)结果反馈,将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
2.根据权利要求1所述的一种基于无人机图像识别光伏面板清洁度的检测方法,其特征在于:所述步骤(1)中的无人机为单机或机群组,位置坐标系为平面二维坐标系。
3.根据权利要求1所述的一种基于无人机图像识别光伏面板清洁度的检测方法,其特征在于:所述步骤(5)中的图像纠偏处理的方法为:
a采用findContours()函数对采集的图像进行轮廓识别提取;
b然后用drawContours()函数对识别出来的轮廓进行绘画处理;
c接着将绘画处理之后的轮廓进行霍夫变换,从而对无人机拍摄到的图像进行纠正处理,获得规整的光伏面板图像。
4.根据权利要求1所述的一种基于无人机图像识别光伏面板清洁度的检测方法,其特征在于:所述步骤(6)中的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max(O,g(i)},
i=1,2,...,q.
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
5.根据权利要求1所述的一种基于无人机图像识别光伏面板清洁度的检测方法,其特征在于:所述步骤(8)中污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。
6.一种基于无人机图像识别光伏面板清洁度的检测系统,其特征在于:包括无人机和上位机,
无人机用于采集采光伏面板图像;
上位机包括无人机交互单元、无人机飞行线路规划单元、图像存储单元、图像转换单元、图像特征提取单元、图像污渍识别处理单元、人机交互界面及用户反馈单元;
通过人机交互界面及无人机飞行线路规划单元设定无人机飞行路线,并构建位置坐标系,无人机采集的光伏面板图像通过人机交互单元上传给上位机,并存储在图像存储单元;
图像转换单元对存储后的图像信息数据进行纠偏处理;
图像特征提取单元对纠偏后的图像信息数据利用卷积神经网络算法进行有效特征筛取,并进行灰度二值化赋值,无污渍的区域记为“0”,有污渍的区域记为“1”;
图像污渍识别处理单元将赋值后的有无污渍图像信息数据进行污渍附着率的计算,若污渍附着率大于设定的标准污渍附着概率则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理;
用户反馈单元将检测后的光伏面板的污染程度及位置坐标反馈给相关的工作人员。
7.根据权利要求6所述的一种基于无人机图像识别光伏面板清洁度的检测系统,其特征在于:所述无人机为单机或机群组,位置坐标系为平面二维坐标系。
8.根据权利要求6所述的一种基于无人机图像识别光伏面板清洁度的检测系统,其特征在于:所述图像特征提取单元的卷积神经网络算法为:主要分为三个部分:分别是卷积层,池化层和全连接层;该算法能实现精准识别无人机采集的图像;其中,
卷积层:计算公式为:
其中,i是第i各卷积核;g(i)是第i个卷积核学习得到的特征图;a是输入数据;b是卷积核的偏置;x、y、z为输入数据的纬度,当输入数据是一维时,只需对后两个纬度进行简化即可;
激活函数为ReLU:计算公式为:
y(i)=f(g(i))=max(O,g(i)},
i=1,2,...,q.
其中g(i)表示ReLU的输入数据,f(g(i))是ReLU的输出数据;
池化层:计算公式为:
其中,al(i,t)表示第l层中,第I个特征图的第t个神经元;w是卷积核第宽度;j是第j个池化核。
9.根据权利要求6所述的一种基于无人机图像识别光伏面板清洁度的检测系统,其特征在于:所述图像污渍识别处理单元的污渍附着概率,计算公式为:
P为污渍附着概率,∑N(0)为判定为无污渍区域的总个数,∑N(1)为判定为有污渍区域的总个数;
标准污渍附着概率,计算公式为:
其中,假定光伏面板在一个清理周期中的发电时间为T(h),单位时间单位面积光伏面板发电量为m(kwh/m2),每块光伏面板的面积为S(m2),电价w(元/kwh),清理费用W0(元),损失费用W(元);
将标准污渍附着率P0与污渍附着概率P进行比较,若P>P0,则判定该光伏面板为有污渍需要清理,反之,则判定该光伏面板暂时不需要清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505525.1A CN116797944A (zh) | 2022-11-28 | 2022-11-28 | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211505525.1A CN116797944A (zh) | 2022-11-28 | 2022-11-28 | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797944A true CN116797944A (zh) | 2023-09-22 |
Family
ID=88042644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211505525.1A Pending CN116797944A (zh) | 2022-11-28 | 2022-11-28 | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797944A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236936A (zh) * | 2023-11-11 | 2023-12-15 | 中节能(新泰)太阳能科技有限公司 | 一种基于无人机的光伏电站障碍定位方法 |
CN117252588A (zh) * | 2023-11-13 | 2023-12-19 | 南京同庆科技有限公司 | 一种用于清洁能源电站检修的智能巡检系统 |
-
2022
- 2022-11-28 CN CN202211505525.1A patent/CN116797944A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236936A (zh) * | 2023-11-11 | 2023-12-15 | 中节能(新泰)太阳能科技有限公司 | 一种基于无人机的光伏电站障碍定位方法 |
CN117252588A (zh) * | 2023-11-13 | 2023-12-19 | 南京同庆科技有限公司 | 一种用于清洁能源电站检修的智能巡检系统 |
CN117252588B (zh) * | 2023-11-13 | 2024-03-22 | 南京同庆科技有限公司 | 一种用于清洁能源电站检修的智能巡检系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948506B (zh) | 一种基于深度学习的多角度垃圾分类云平台 | |
CN109978955B (zh) | 一种联合激光点云与图像的高效标注方法 | |
CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
CN112465738B (zh) | 基于红外与可见光图像的光伏电站在线运维方法及系统 | |
CN112184711A (zh) | 一种光伏组件缺陷检测和定位方法及系统 | |
CN112633535A (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
CN108510124B (zh) | 基于机器学习的水面垃圾清理路径规划方法和装置 | |
CN110619678B (zh) | 一种基于点云匹配的电力杆塔巡检航迹生成方法 | |
CN113159466B (zh) | 一种短时光伏发电功率预测系统及方法 | |
CN104517125B (zh) | 高速物体的图像实时跟踪方法与系统 | |
CN109801301A (zh) | 一种基于bim与计算机视觉的铺砖进度信息自动收集方法 | |
CN112588764A (zh) | 基于人工智能的光伏组件上多机器人协同清洁方法及装置 | |
CN101777129A (zh) | 一种基于特征检测的图像匹配方法 | |
CN112947526B (zh) | 一种无人机自主降落方法和系统 | |
CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN116192044A (zh) | 一种故障光伏板编号定位方法、装置、电子设备及存储介质 | |
CN115187879A (zh) | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 | |
CN114782442A (zh) | 一种基于人工智能的光伏电池板智慧巡检方法及系统 | |
CN110910349A (zh) | 一种基于航拍视觉的风电机组状态获取方法 | |
CN112184651A (zh) | 一种基于人工智能的光伏电站零件松动检测系统及方法 | |
CN116388669A (zh) | 一种基于Swin Transformer的光伏板异物检测与清洁方法 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN114639023A (zh) | 一种基于机器学习的屋顶光伏潜力评估方法 | |
CN115922697A (zh) | 基于变电站数字孪生技术的智能化机器人自动巡检方法 |
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 |