CN117036825A - 一种太阳能电池板检测方法、介质及系统 - Google Patents
一种太阳能电池板检测方法、介质及系统 Download PDFInfo
- Publication number
- CN117036825A CN117036825A CN202311083627.3A CN202311083627A CN117036825A CN 117036825 A CN117036825 A CN 117036825A CN 202311083627 A CN202311083627 A CN 202311083627A CN 117036825 A CN117036825 A CN 117036825A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- feature
- solar panel
- features
- image
- 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 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 230000002776 aggregation Effects 0.000 claims abstract description 43
- 238000004220 aggregation Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 30
- 238000005286 illumination Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/80—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
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种太阳能电池板检测方法、介质及系统，属于太阳能电池板检测技术领域，该太阳能电池板检测方法、介质及系统包括如下步骤：获取高清摄像机拍摄的太阳能电池板图像；对太阳能电池板图像进行特征提取，得到特征图像；对特征图像在块级别上进行局部聚合，得到局部聚合特征集；对局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集；利用融合特征集进行空间注意力处理，得到空间特征图；对空间特征图进行异常特征提取，得到多个异常区域；对多个异常区域进行分类，得到每个异常区域的异常级别；对得到的每个异常区域的异常级别输出给测试人员，能够准确地识别和定位太阳能电池板上的缺陷。
Description
技术领域
本发明属于太阳能电池板检测技术领域，具体而言，涉及一种太阳能电池板检测方法、介质及系统。
背景技术
随着工业化进程推进，人类社会对能源的消耗与日俱增，能源短缺成为了社会一个广泛关注的问题。在新能源普及推进过程中，太阳能电池板由于使用便捷，在普及面及普及速度方面最为广泛，应用于包括灯具电源(如黑光灯、割胶灯、垂钓灯、庭院灯、登山灯、路灯、手提灯、野营灯、节能灯等)、光伏电站、汽配供电、小型电源(用于边远无电地区如高原、海岛、牧区、边防哨所等军民生活用电，如照明、电视、收录机等)、通讯/通信领域(如农村载波电话光伏系统、小型通信机、士兵GPS供电；太阳能无人值守微波中继站、光缆维护站、广播/通讯/寻呼电源系统等)、交通领域(如高空障碍灯、航标灯、交通警示/标志灯、交通/铁路信号灯、宇翔路灯、高速公路/铁路无线电话亭、无人值守道班供电等)、石油/海洋/气象领域等等。
太阳能电池板是通过吸收太阳光，将太阳辐射能通过光电效应或者光化学效应直接或间接转换成电能的装置，大部分太阳能电池板的主要材料为“硅”，但因制作成本很大，以至于它还不能被大量广泛和普遍地使用。相对于普通电池和可循环充电电池来说，太阳能电池属于更节能环保的绿色产品。对加工完成后的太阳能电池板销售前还是需要进行进一步的检测试验。
然而，现有技术容易出现太阳能电池板随着使用时间发电效率急剧下降、储能水平也随之急剧下降且设备间劣化速度存在较大随机性等关键问题，如果不进行及时运维更换，会导致预算铺设的太阳能电池板就近消纳对缓解传统能源供应压力所发挥的作用不达预期，进而造成电能供应缺失致影响社会生活。然而，现有技术对于太阳能电池板的故障检测的主要方法是技术人员进行人工判断，人工作业效率低下的事实必将限制产业推广进程，不受监控的设备是难以运维的，由此也难以规模商用及广泛普及，因此，针对新能源推广过程中提升新能源设备的故障检测效率，则是设备闭环运维的基础，是产业化的关键支撑，是业界有待解决的关键问题。
发明内容
有鉴于此，本发明提供一种太阳能电池板检测方法、介质及系统，能够高速便捷的对太阳能电池板进行故障检测。
本发明是这样实现的：
本发明的第一方面提供一种太阳能电池板检测方法，其中，包括如下步骤：
S10、获取高清摄像机拍摄的太阳能电池板图像；
S20、对所述太阳能电池板图像进行特征提取，得到特征图像；
S30、对所述特征图像在块级别上进行局部聚合，得到局部聚合特征集，包括多个局部聚合特征；
S40、对所述局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集；
S50、利用所述融合特征集进行空间注意力处理，得到空间特征图；
S60、对所述空间特征图进行异常特征提取，得到多个异常区域；
S70、对所述多个异常区域进行分类，得到每个异常区域的异常级别；
S80、对得到的每个异常区域的异常级别输出给测试人员。
所述高清摄像机为拍摄图像分辨率在2K以上的摄像机。通过利用先进的图像处理和机器学习技术，能够准确地识别和定位太阳能电池板上的各种缺陷，包括裂纹、污染、烧结不良等，具备快速高效、高精度、实时监测和自动化控制等有益效果，对太阳能电池板的制造和质量控制具有重要意义。
在上述技术方案的基础上，本发明的一种太阳能电池板检测方法还可以做如下改进:
其中，对所述太阳能电池板图像进行特征提取，得到特征图像的步骤，具体包括：
将所述太阳能电池板图像进行预处理；
使用边缘检测的图像分割方法将太阳能电池板与背景分离；
对分割后的所述太阳能电池板图像提取特征；
使用递归特征消除算法对提取的所述特征进行分析和选择；
根据选择的所述特征，使用颜色映射来表示特征值的分布，将所述特征值映射到图像上，生成特征图像。
通过对太阳能电池板图像进行图像预处理，如去噪、图像增强和颜色校正等，以优化图像的质量和可视性。常用的图像分割方法包括阈值分割、边缘检测、区域生长等。
其中，对所述特征图像在块级别上进行局部聚合步骤中，包含对所述特征图像进行分块的步骤，具体包括：
根据需求定义每个所述块的大小；
使用一个固定大小的滑动窗口，在所述特征图像上移动来生成所述块；
在所述特征图像上按照所述滑动窗口的步长进行滑动，将每个所述滑动窗口内的像素作为一个所述块；
对于每个生成的所述块，进一步提取所述块级别上的特征，其中，所述块级别上的特征为将所述块内的像素进行聚合得到的所述局部聚合特征；
在所述特征图像上通过均值对所述局部聚合特征进行局部聚合。
滑动窗口的大小与前面定义的块的大小相同。根据滑动窗口的大小和步长，可以确定所生成的块的数量和位置。
进一步的，对所述局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集的步骤，具体包括：
获取将要融合的所述局部聚合特征集；
通过自适应权重计算每个所述局部聚合特征集的权重；
利用加权求和的方式，将每个所述局部聚合特征集乘以相应的所述自适应权重，然后相加得到所述融合特征；
对所述融合特征进行正则化处理；
根据所述融合特征的需求，将所述融合特征集以矩阵的形式输出。
常见的正则化方法包括线性缩放或归一化。
其中，利用所述融合特征集进行空间注意力处理，得到空间特征图的步骤，具体包括：
定义空间注意力机制，包括通道注意力和空间注意力；
使用所述融合特征集作为输入，计算每个空间位置上的注意力权重；
将所述融合特征集的每个所述融合特征乘以对应位置上的空间注意力权重；
通过将加权后的所述融合特征在空间维度上进行合并或堆叠，得到所述空间特征图。
其中，对所述空间特征图进行异常特征提取，得到多个异常区域的步骤，具体包括：
设定一个阈值；
通过将所述空间特征图中的像素与预先设置的所述阈值进行比较，确定高于所述阈值的所述像素会被视为异常；
对于被判定为异常的所述像素，通过基于连通性的算法执行连通区域分析操作，以获取多个所述异常区域；
对于提取得到的所述异常区域进行过滤和调整。
设定的阈值为最大区域大小的阈值，将高于该阈值的区域排除；
基于连通性的算法为4连通来实现，算法原理：4连通算法将每个像素的上、下、左、右四个相邻像素视为连通的，因此只考虑水平和垂直方向的连通关系。
使用步骤：
从左上角开始遍历特征图中的像素。
对于当前像素，检查其左边和上边的像素是否与当前像素连通。
如果与左边或上边的像素连通，则将当前像素划分到同一个连通区域，并赋予相同的标签。
重复上述步骤，直到遍历完特征图中的所有像素。
进行最后的连通区域的合并和调整。
其中，对所述多个异常区域进行分类，得到每个异常区域的异常级别的步骤，具体包括：
步骤一，对每个所述异常区域，从所述特征图像中提取表示异常区域的特征，为异常区域特征；
步骤二，对所述异常区域特征进行预处理；
步骤三，使用预处理后的所述异常区域特征和相应的异常级别标签，通过卷积神经网络训练一个异常分类模型；
步骤四，将所述异常分类模型应用于每个所述异常区域特征，对所述异常区域特征进行分类，得到相应的异常级别；
步骤五，输出每个所述异常区域的异常级别结果。
通过异常值处理对所述异常区域特征进行预处理，异常值处理可以帮助识别并处理异常值，以减少其对特征的影响。
进一步的，获取高清摄像机拍摄的太阳能电池板图像的步骤，还包括对所述太阳能电池板图像进行降噪、滤波、增强以及去高光反射的步骤，所述去高光反射的步骤，具体包括：
建立光照与颜色之间的模糊关系模型；
采用模糊关系模型对太阳能电池板图像的高光反射区域的颜色映射到正常，以得到的去光照图像作为太阳能电池板图像。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种太阳能电池板检测方法。
本发明的第三方面提供一种太阳能电池板检测系统，其中，包括上述的一种计算机可读存储介质。
与现有技术相比较，本发明提供的一种太阳能电池板检测方法、介质及系统的有益效果是：通过自动化、计算机视觉等技术快速地对太阳能电池板进行检测，相比于传统的人工目视检查或操作，大大提高了检测效率，利用先进的图像处理和机器学习技术，能够准确地识别和定位太阳能电池板上的各种缺陷，包括裂纹、污染、烧结不良等，具备快速高效、高精度、实时监测和自动化控制等有益效果，对太阳能电池板的制造和质量控制具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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为一种太阳能电池板检测方法、介质及系统流程图；
图2为太阳能电池板示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1，图2所示，是本发明第一方面提供一种太阳能电池板检测方法的第一实施例，在本实施例中，包括如下步骤：
S10、获取高清摄像机拍摄的太阳能电池板图像；
S20、对太阳能电池板图像进行特征提取，得到特征图像；
S30、对特征图像在块级别上进行局部聚合，得到局部聚合特征集，包括多个局部聚合特征；
S40、对局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集；
S50、利用融合特征集进行空间注意力处理，得到空间特征图；
S60、对空间特征图进行异常特征提取，得到多个异常区域；
S70、对多个异常区域进行分类，得到每个异常区域的异常级别；
S80、对得到的每个异常区域的异常级别输出给测试人员。
其中，在上述技术方案中，对太阳能电池板图像进行特征提取，得到特征图像的步骤，具体包括：
将太阳能电池板图像进行预处理；
使用边缘检测的图像分割方法将太阳能电池板与背景分离；
对分割后的太阳能电池板图像提取特征；
使用递归特征消除算法对提取的特征进行分析和选择；
根据选择的特征，使用颜色映射来表示特征值的分布，将特征值映射到图像上，生成特征图像。
使用时，图像去噪的方法及公式：中值滤波公式：
Ioutput(x,y)＝median(Iinput(x-1:x+1,y-1:y+1))；
其中，Iinput和Ioutput分别表示输入和输出图像，(x,y)表示像素的坐标。
图像增强的方法及公式：直方图均衡化公式：
Koutput(x,y)＝CDF[Kinput(x,y)]×(L-1)
其中，Kinput和Koutput分别表示输入和输出图像，(x,y)表示像素的坐标，CDF表示累积分布函数，L表示像素灰度级的数量。
其中，在上述技术方案中，对特征图像在块级别上进行局部聚合步骤中，包含对特征图像进行分块的步骤，具体包括：
根据需求定义每个块的大小；
使用一个固定大小的滑动窗口，在特征图像上移动来生成块；
在特征图像上按照滑动窗口的步长进行滑动，将每个滑动窗口内的像素作为一个块；
对于每个生成的块，进一步提取块级别上的特征，其中，块级别上的特征为将块内的像素进行聚合得到的局部聚合特征；
在特征图像上通过均值对局部聚合特征进行局部聚合。
进一步的，在上述技术方案中，对局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集的步骤，具体包括：
获取将要融合的局部聚合特征集；
通过自适应权重计算每个局部聚合特征集的权重；
利用加权求和的方式，将每个局部聚合特征集乘以相应的自适应权重，然后相加得到融合特征；
对融合特征进行正则化处理；
根据融合特征的需求，将融合特征集以矩阵的形式输出。
归一化用于将数据转换为特定范围内的数值，以便更好地进行分析和处理，归一化的公式如下：
其中，M是原始数据，Mnormalized是归一化后的数据，||M||表示M的L2范数。
其中，在上述技术方案中，利用融合特征集进行空间注意力处理，得到空间特征图的步骤，具体包括：
定义空间注意力机制，包括通道注意力和空间注意力；
使用融合特征集作为输入，计算每个空间位置上的注意力权重；
将融合特征集的每个融合特征乘以对应位置上的空间注意力权重；
通过将加权后的融合特征在空间维度上进行合并或堆叠，得到空间特征图。
其中，在上述技术方案中，对空间特征图进行异常特征提取，得到多个异常区域的步骤，具体包括：
设定一个阈值；
通过将空间特征图中的像素与预先设置的阈值进行比较，确定高于阈值的像素会被视为异常；
对于被判定为异常的像素，通过基于连通性的算法执行连通区域分析操作，以获取多个异常区域；
对于提取得到的异常区域进行过滤和调整。
使用时，对异常区域进行过滤和调整的方法为使用形态学操作(如膨胀或腐蚀)来调整区域形状，消除不规则性或过度扩散的部分。对于过于接近的异常区域，可以考虑将它们合并为一个更大的区域，以减少重复或冗余的异常。对于特定任务或应用场景，可能需要对异常区域进行进一步的校正。
其中，在上述技术方案中，对多个异常区域进行分类，得到每个异常区域的异常级别的步骤，具体包括：
步骤一，对每个异常区域，从特征图像中提取表示异常区域的特征，为异常区域特征；
步骤二，对异常区域特征进行预处理；
步骤三，使用预处理后的异常区域特征和相应的异常级别标签，通过卷积神经网络训练一个异常分类模型；
步骤四，将异常分类模型应用于每个异常区域特征，对异常区域特征进行分类，得到相应的异常级别；
步骤五，输出每个异常区域的异常级别结果。
基于统计方法的异常值处理：可以使用公式：
其中，zscore表示得分，也称为标准分数或标准化值，表示数据点相对于均值的偏差程度的度量，u为数据点的原始值，mean为数据的均值，表示数据的平均水平；std为数据的标准差，表示数据的离散程度或波动程度。
来计算数据点的标准差分数zscore，然后根据阈值来判断是否为异常值。另外，箱线图方法使用四分位数来检测异常值。
进一步的，在上述技术方案中，获取高清摄像机拍摄的太阳能电池板图像的步骤，还包括对太阳能电池板图像进行降噪、滤波、增强以及去高光反射的步骤，去高光反射的步骤，具体包括：
建立光照与颜色之间的模糊关系模型；
采用模糊关系模型对太阳能电池板图像的高光反射区域的颜色映射到正常，以得到的去光照图像作为太阳能电池板图像。
其中，建立光照与颜色之间的模糊关系模型具体步骤为：
受光照影响高光反射区域Al的像素个数为P，不受光照影响的正常区域An的像素个数为N，则其颜色中心分别为(Rl,Gl,Bl)和(Rn,Gn,Bn)，通过下式计算得到：
Rl＝∑(i,j)r(i,j)/P，(i,j)∈Al；
Gl＝∑(i,j)g(i,j)/P，(i,j)∈Al；
Bl＝∑(i,j)b(i,j)/P，(i,j)∈Al；
Rn＝∑(i,j)r(i,j)/N，(i,j)∈An；
Gn＝∑(i,j)g(i,j)/N，(i,j)∈An；
Bn＝∑(i，j)b(i，j)/N，(i，j)∈An；
其中r(i，j)、g(i，j)、b(i，j)分别表示红色分量、绿色分量、蓝色分量在(i，j)处的像素值，(i，j)∈Al、(i，j)∈An分别表示(i，j)像素位置属于受光照影响高光反射区域和正常区域。则消除光照的影响将受光照影响区域的颜色值映射到正常区域，可以近似转换为将受光照影响区域的颜色中心映射到正常区域的颜色中心，对于受光照影响区域(i，j)处的像素值(r(i，j)，g(i，j)，b(i，j))通过下式消除光照影响：
其中(r*(i，j)，g*(i，j)，b*(i，j))为(i，j)处消除光照影响的像素值。结合高光反射区域部分受到光照影响、基本都受到光照影响两种情况，消除光照影响可以由下式计算：
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种太阳能电池板检测方法。
本发明的第三方面提供一种太阳能电池板检测系统，其中，包括上述的一种计算机可读存储介质。
Claims (10)
1.一种太阳能电池板检测方法，其特征在于，包括如下步骤：
S10、获取高清摄像机拍摄的太阳能电池板图像；
S20、对所述太阳能电池板图像进行特征提取，得到特征图像；
S30、对所述特征图像在块级别上进行局部聚合，得到局部聚合特征集，包括多个局部聚合特征；
S40、对所述局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集；
S50、利用所述融合特征集进行空间注意力处理，得到空间特征图；
S60、对所述空间特征图进行异常特征提取，得到多个异常区域；
S70、对所述多个异常区域进行分类，得到每个异常区域的异常级别；
S80、对得到的每个异常区域的异常级别输出给测试人员。
2.根据权利要求1所述的一种太阳能电池板检测方法，其特征在于，对所述太阳能电池板图像进行特征提取，得到特征图像的步骤，具体包括：
将所述太阳能电池板图像进行预处理；
使用边缘检测的图像分割方法将太阳能电池板与背景分离；
对分割后的所述太阳能电池板图像提取特征；
使用递归特征消除算法对提取的所述特征进行分析和选择；
根据选择的所述特征，使用颜色映射来表示特征值的分布，将所述特征值映射到图像上，生成特征图像。
3.根据权利要求1所述的一种太阳能电池板检测方法，其特征在于，对所述特征图像在块级别上进行局部聚合步骤中，包含对所述特征图像进行分块的步骤，具体包括：
根据需求定义每个所述块的大小；
使用一个固定大小的滑动窗口，在所述特征图像上移动来生成所述块；
在所述特征图像上按照所述滑动窗口的步长进行滑动，将每个所述滑动窗口内的像素作为一个所述块；
对于每个生成的所述块，进一步提取所述块级别上的特征，其中，所述块级别上的特征为将所述块内的像素进行聚合得到的所述局部聚合特征；
在所述特征图像上通过均值对所述局部聚合特征进行局部聚合。
4.根据权利要求3所述的一种太阳能电池板检测方法，其特征在于，对所述局部聚合特征集中的全部局部聚合特征进行自适应特征层融合，得到包含有多个融合特征的融合特征集的步骤，具体包括：
获取将要融合的所述局部聚合特征集；
通过自适应权重计算每个所述局部聚合特征集的权重；
利用加权求和的方式，将每个所述局部聚合特征集乘以相应的所述自适应权重，然后相加得到所述融合特征；
对所述融合特征进行正则化处理；
根据所述融合特征的需求，将所述融合特征集以矩阵的形式输出。
5.根据权利要求1所述的一种太阳能电池板检测方法，其特征在于，利用所述融合特征集进行空间注意力处理，得到空间特征图的步骤，具体包括：
定义空间注意力机制，包括通道注意力和空间注意力；
使用所述融合特征集作为输入，计算每个空间位置上的注意力权重；
将所述融合特征集的每个所述融合特征乘以对应位置上的空间注意力权重；
通过将加权后的所述融合特征在空间维度上进行合并或堆叠，得到所述空间特征图。
6.根据权利要求1所述的一种太阳能电池板检测方法，其特征在于，对所述空间特征图进行异常特征提取，得到多个异常区域的步骤，具体包括：
设定一个阈值；
通过将所述空间特征图中的像素与预先设置的所述阈值进行比较，确定高于所述阈值的所述像素会被视为异常；
对于被判定为异常的所述像素，通过基于连通性的算法执行连通区域分析操作，以获取多个所述异常区域；
对于提取得到的所述异常区域进行过滤和调整。
7.根据权利要求1所述的一种太阳能电池板检测方法，其特征在于，对所述多个异常区域进行分类，得到每个异常区域的异常级别的步骤，具体包括：
步骤一，对每个所述异常区域，从所述特征图像中提取表示异常区域的特征，为异常区域特征；
步骤二，对所述异常区域特征进行预处理；
步骤三，使用预处理后的所述异常区域特征和相应的异常级别标签，通过卷积神经网络训练一个异常分类模型；
步骤四，将所述异常分类模型应用于每个所述异常区域特征，对所述异常区域特征进行分类，得到相应的异常级别；
步骤五，输出每个所述异常区域的异常级别结果。
8.根据权利要求7所述的一种太阳能电池板检测方法，其特征在于，获取高清摄像机拍摄的太阳能电池板图像的步骤，还包括对所述太阳能电池板图像进行降噪、滤波、增强以及去高光反射的步骤，所述去高光反射的步骤，具体包括：
建立光照与颜色之间的模糊关系模型；
采用模糊关系模型对太阳能电池板图像的高光反射区域的颜色映射到正常，以得到的去光照图像作为太阳能电池板图像。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种太阳能电池板检测方法。
10.一种太阳能电池板检测系统，其特征在于，包括权利要求9所述的一种计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083627.3A CN117036825A (zh) | 2023-08-25 | 2023-08-25 | 一种太阳能电池板检测方法、介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083627.3A CN117036825A (zh) | 2023-08-25 | 2023-08-25 | 一种太阳能电池板检测方法、介质及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036825A true CN117036825A (zh) | 2023-11-10 |
Family
ID=88628104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311083627.3A Pending CN117036825A (zh) | 2023-08-25 | 2023-08-25 | 一种太阳能电池板检测方法、介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036825A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117790353A (zh) * | 2024-02-27 | 2024-03-29 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
-
2023
- 2023-08-25 CN CN202311083627.3A patent/CN117036825A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117790353A (zh) * | 2024-02-27 | 2024-03-29 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
| CN117790353B (zh) * | 2024-02-27 | 2024-05-28 | 徐州太一世纪能源科技有限公司 | 一种el检测系统及el检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Di Tommaso et al. | A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle | |
| CN102252623B (zh) | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 | |
| CN113284124B (zh) | 一种基于无人机视觉的光伏面板缺陷检测方法 | |
| CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
| CN111695506B (zh) | 一种输电线路风致异物短路故障预警方法及系统 | |
| CN117036825A (zh) | 一种太阳能电池板检测方法、介质及系统 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
| CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
| Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
| CN116191680B (zh) | 一种应用于光伏发电的监控管理系统 | |
| CN115642877A (zh) | 一种基于深度学习的光伏组件异常遮挡检测方法及系统 | |
| CN114881956A (zh) | 基于霍夫变换的电池板栅线自适应提取方法及系统 | |
| CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
| CN111091533B (zh) | 一种基于改进ssd算法的电池片el缺陷检测方法 | |
| CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
| CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
| CN110610474A (zh) | 一种基于红外图像的太阳能板缺陷实时检测方法 | |
| CN115049856A (zh) | 基于改进的YOLOv5的风机桨叶故障检测方法及系统 | |
| CN115239002A (zh) | 一种新能源分布式光伏电站监测预警系统及方法 | |
| CN113657621A (zh) | 一种隐患监测方法和系统 | |
| CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
| CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
| Hwang et al. | Soiling detection for photovoltaic modules based on an intelligent method with image processing | |
| CN108418554A (zh) | 电池片黑角检测方法 |
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 |