CN117576593A - 光伏组件热斑识别方法、装置、计算机设备和存储介质 - Google Patents
光伏组件热斑识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117576593A CN117576593A CN202311619686.8A CN202311619686A CN117576593A CN 117576593 A CN117576593 A CN 117576593A CN 202311619686 A CN202311619686 A CN 202311619686A CN 117576593 A CN117576593 A CN 117576593A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- photovoltaic module
- thermal infrared
- hot spot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 62
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 29
- 238000002372 labelling Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
- 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
- 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
- G06V10/70—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
- 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]
-
- 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)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种光伏组件热斑识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别的光伏组件的初始热红外图像；利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。采用本方法能够提高识别光伏组件热斑的效率。
Description
技术领域
本申请涉及光伏组件热斑识别技术领域，特别是涉及一种光伏组件热斑识别方法、装置、计算机设备和存储介质。
背景技术
光伏电站由于其受限因素少、分布广泛、应用形式灵活的特点，使其在山地、屋顶、荒漠等多样地域广泛应用。但是，光伏电站在运行中长时间暴露于自然环境，会存在热斑等可能影响光伏电站的发电性能的现象。
传统技术中，通常获取光伏组件的图像，再通过人工查找识别光伏组件上的热斑，最后采取相应的处理措施对光伏组件上的热斑进行处理。
但是，上述光伏组件热斑识别方法存在效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高识别光伏组件热斑效率的光伏组件热斑识别方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种光伏组件热斑识别方法。所述方法包括：
获取待识别的光伏组件的初始热红外图像；
利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块；所述将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述获取待识别的光伏组件的初始热红外图像，包括：
从无人机的图像存储器中获取所述初始热红外图像。
在其中一个实施例中，所述方法还包括：
获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，所述根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型，包括：
对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，所述获取训练样本集，包括：
获取待识别的光伏组件的样本热红外图像；
采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
第二方面，本申请还提供了一种光伏组件热斑识别装置。所述装置包括：
第一获取模块，用于获取待识别的光伏组件的初始热红外图像；
第一转换模块，用于利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
第二获取模块，用于根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述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如上述第一方面所述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
上述光伏组件热斑识别方法、装置、计算机设备和存储介质，首先，获取待识别的光伏组件的初始热红外图像，再利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像，其中，目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配，最后根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。这样，本申请实施例在获取待识别的光伏组件的初始热红外图像后，通过预设的图像转换工具自动将该初始热红外图像转换为目标热红外图像，确保目标热红外图像的文件格式与深度学习环境中预设的光伏组件热斑识别模型的文件格式相适配，再通过该光伏组件热斑识别模型可以自动识别光伏组件热红外图像中的热斑，无需通过人工进行查找识别，提高了识别光伏组件热斑的效率与准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中光伏组件热斑识别方法的应用环境图；
图2为一个实施例中光伏组件热斑识别方法的流程示意图；
图3为另一个实施例中计算机设备获取初始热红外图像中光伏组件上的热斑的识别结果的流程示意图；
图4为另一个实施例中计算机设备获取待识别的光伏组件的初始热红外图像的流程示意图；
图5为另一个实施例中光伏组件热斑识别方法的流程示意图；
图6为另一个实施例中光伏组件热斑识别方法的流程示意图；
图7为另一个实施例中光伏组件热斑识别方法的流程示意图；
图8为一个实施例中光伏组件热斑识别装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
光伏电站因其受限因素少、分布广泛、应用形式灵活等特点，在山地、水面、屋顶、荒漠等各种地区都能广泛应用，然而，随着光伏存量规模不断增长，行业逐渐呈现出存量特性，为适应这一新态势，光伏电站行业亟需集中精力关注存量问题，提高光伏电站的运营效率，实现资产的高效管理。
在光伏电站长期运行过程中，光伏组件可能出现热斑、隐裂、灰尘覆盖等现象，这些问题会显著影响发电性能和使用寿命。具体而言，热斑是指在特定条件下，光伏组件因草木、线路、杆塔、积灰、鸟粪遮挡及二极管故障等原因引起的“热斑”故障，这会导致光伏组件局部电流与电压之积增大，使得该部分的温度上升，根据对实际光伏组件缺陷问题的长期统计数据分析，热斑问题更容易影响光伏组件的性能，也是导致光伏组件损坏、发生火灾以及发电功率下降的主要原因之一。
为了及时发现和消除热斑，目前，传统技术中，通常获取光伏组件的图像，再通过人工查找识别光伏组件上的热斑，最后采取相应的处理措施对光伏组件上的热斑进行处理，然而，由于获取的光伏组件图像数量庞大，人工识别存在工作量巨大的问题，而且容易导致漏识别，造成识别光伏组件热斑效率低问题。
鉴于此，本申请实施例提供一种光伏组件热斑识别方法、装置、计算机设备和存储介质，本申请实施例在获取待识别的光伏组件的初始热红外图像后，通过预设的图像转换工具自动将该初始热红外图像转换为目标热红外图像，确保目标热红外图像的文件格式与深度学习环境中预设的光伏组件热斑识别模型的文件格式相适配，再通过该光伏组件热斑识别模型自动识别光伏组件热红外图像中的热斑信息，无需依赖人工进行查找识别，从而提高了识别光伏组件热斑的效率。
本申请实施例提供的光伏组件热斑识别方法，可以用于如图1所示的应用环境中；或者，本申请实施例提供的光伏组件热斑识别方法也可以应用于电子设备中，该电子设备可以是无人机，也可以是嵌入式系统、智能相机、或其他搭载图像采集和处理功能的设备。
参见图1，其为本申请实施例提供的光伏组件热斑识别方法一种实施环境的示意图。如图1所示，远程服务器104通过网络与无人机102进行通信。数据存储系统可以存储远程服务器104需要处理的数据。数据存储系统可以集成在远程服务器104上，也可以放在云上或其他网络服务器上。
结合图1所示的实施环境，远程服务器104通过无人机102获取待识别的光伏组件的初始热红外图像，并利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像，其中，目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配，接着，远程服务器104根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。
在一个实施例中，如图2所示，提供了一种光伏组件热斑识别方法，以该方法用于计算机设备为例进行说明，该方法包括以下步骤：
步骤101，获取待识别的光伏组件的初始热红外图像。
光伏组件是太阳能光伏电站中的核心部件之一，可以为光伏电池组件或太阳能电池板，其主要功能是将太阳光转换为电能，该光伏组件通常由许多太阳能电池芯片组成，这些芯片通过光照产生电流，并将其输出为直流电。该光伏组件的表面通常由透明的抗紫外线玻璃或其他材料覆盖，其可以单独使用，如太阳能电池板，也可以组合成光伏电池阵列，构成光伏电站。
其中，初始热红外图像为最初获取或捕获的热红外图像，该初始热红外图像可以通过热红外相机或红外摄像机等设备拍摄或采集，在初始热红外图像中，目标物体或场景的热量分布以不同的颜色或灰度级别来表示。
以下，对计算机设备获取待识别的光伏组件的初始热红外图像的过程进行示例性地说明。
在一种可能的实施方式中，若计算机设备为远程服务器时，该远程服务器通过其与无人机之间的通信协议和/或数据传输机制，向无人机发送获取待识别的光伏组件的初始热红外图像的指令，无人机在接收到该获取待识别的光伏组件的初始热红外图像的指令后，则将采集并存储的一个或多个光伏组件的初始热红外图像传输至远程服务器。
在另一种可能的实施方式中，若计算机设备为无人机时，该无人机首先通过搭载的热红外相机或红外摄像机执行任务，飞行至待识别的光伏组件位置，一旦到达待识别的光伏组件的目标位置，无人机则通过其内部的图像采集模块对待识别的光伏组件进行拍摄或采集，获取该待识别的光伏组件的初始热红外图像，在获取初始热红外图像之后，无人机对采集到的一个或多个待识别的光伏组件的初始热红外图像进行存储。
这样，通过上述任一实施方式，计算机设备则可以获取待识别的光伏组件的初始热红外图像，例如，计算机设备为一远程服务器，通过与携带热红外相机的无人机建立通信，发送指令以获取待识别的光伏组件的初始热红外图像，无人机接收到该指令后，启动并飞行至待识别的光伏组件位置，一旦到达目标位置，搭载的热红外相机开始拍摄待识别的光伏组件的初始热红外图像，获取到的初始热红外图像数据由无人机存储并传输回至该远程服务器。
步骤102，利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像；其中，目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配。
预设的图像转换工具为Caffe框架（深度学习框架，用于实现卷积神经网络等深度学习模型）中的convert_imageset工具，用于将图像数据集转换成Caffe框架所需的数据格式，由于Caffe框架通常需要特定的数据格式和结构来进行有效的训练和测试，该convert_imageset工具则可以将图像数据集中的图像文件和相应的标签文件转换成Caffe框架所支持的数据库格式，例如lmdb格式（lightning memory-mapped database）或leveldb（分布式键值存储系统），该convert_imageset工具可通过命令行参数指定输入图像文件夹、标签文件以及输出数据库的相关信息。
其中，预设的光伏组件热斑识别模型为预先设计构建的深度学习模型，用于识别光伏组件上的热斑，该预设的光伏组件热斑识别模型通过学习和训练，能够在初始热红外图像中自动检测和标识光伏组件热斑的位置和特征；目标热红外图像为经过预设的图像转换工具（如Caffe框架中的convert_imageset工具）处理后的热红外图像，其文件格式和结构与预设的光伏组件热斑识别模型所需的深度学习环境相适配。
本申请实施例中，计算机设备将获取的初始热红外图像作为输入，通过预设的图像转换工具对该初始热红外图像进行处理，可以包括图像格式的转换、大小调整、色彩空间变换或其他预处理步骤，得到该初始热红外图像对应的目标热红外图像，该目标热红外图像与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配。
步骤103，根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。
热斑为物体表面的局部区域，其温度相对于周围区域更高，在热红外图像中，热斑通常呈现为明亮或高温的区域，反映了物体在这些位置上的热量辐射或传导较高；在光伏电站领域中，热斑为光伏组件表面上出现的局部温度升高的区域，光伏组件上的热斑可能是由于局部的故障、阻塞、损伤或其他问题引起的。
如上文所述，计算机设备将已通过预设的图像转换工具转换的目标热红外图像输入至光伏组件热斑识别模型中，该光伏组件热斑识别模型通过学习和训练能够分析该目标热红外图像，并识别该目标热红外图像中光伏组件上的热斑，其识别结果可能包括热斑的位置坐标、大小、温度等信息，描述热斑在目标热红外图像中的特征和属性，光伏组件热斑识别模型再根据输出的热斑识别结果，对应到初始热红外图像上，即确定初始热红外图像中对应位置存在热斑的信息。
上述光伏组件热斑识别方法、装置、计算机设备和存储介质，首先，获取待识别的光伏组件的初始热红外图像，再利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像，其中，目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配，最后根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。这样，本申请实施例在获取待识别的光伏组件的初始热红外图像后，通过预设的图像转换工具自动将该初始热红外图像转换为目标热红外图像，确保目标热红外图像的文件格式与深度学习环境中预设的光伏组件热斑识别模型的文件格式相适配，再通过该光伏组件热斑识别模型可以自动识别光伏组件热红外图像中的热斑，无需通过人工进行查找识别，提高了识别光伏组件热斑的效率与准确性。
基于图2所示的实施例，参见图3，本实施例涉及的是步骤103中计算机设备根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果的过程，该过程包括图3所示的步骤201和步骤202：
步骤201，对目标热红外图像进行网格化处理，获取目标热红外图像对应的多个网格图像。
其中，网格化处理指的是使用网格将图像划分为均匀的格子或单元格，并在每个格子内对图像中的特定信息进行标注。
本申请实施例中，计算机设备通过网格化处理将获得的目标热红外图像划分为均匀的网格，在该目标热红外图像上形成多个规则的小区域，每个网格代表目标热红外图像中的一个局部区域，可以被单独标注，使得目标热红外图中的特定区域与相应的标签或注释相关联。
这样，经过网格化处理后的目标热红外图像上的每个网格，都可以形成一个对应的网格图像，该网格图像包含了与目标热红外图像相对应的热红外特征，计算机设备则可以获取该目标热红外图像对应的多个网格图像。
步骤202，将多个网格图像输入光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。
其中，光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块。
卷积模块主要包括卷积层，该卷积层利用多个权值共享的卷积核对输入的图像进行卷积操作，用来提取图像的特征信息，每个卷积核对输入的图像进行滑动窗口式的卷积操作，通过加权和来构建该图像输出的特征图；池化模块主要包括池化层，利用池化核对卷积模块输出的特征图进行降采样，该降采样通过池化核在特征图上移动并进行操作，比如最大池化或平均池化，来减小特征图输出的维数；全连接模块主要包括全连接层，该全连接层中的神经元与前一层的所有神经元相连接，每个连接都有一个权重，全连接层的输出神经元数量通常与光伏组件热斑识别模型需要分类的类别数相匹配。
作为可选的实施例，计算机设备获取初始热红外图像中光伏组件上的热斑的识别结果的过程包括将多个网格图像输入卷积模型，得到各网格图像的特征信息，再将各网格图像的特征信息输入池化模块，对各网格图像的特征信息进行降采样处理，得到各网格图像降采样后的特征信息，最后，将各网格图像降采样后的特征信息输入全连接模块，得到初始热红外图像中光伏组件上的热斑的识别结果。
在本实施例中，计算机设备将获取的多个网格图像输入至光伏组件热斑识别模型，作为一种可选的实施方式，该光伏组件热斑识别模型的具体结构可以为：首先是第一卷积层，第一层有96个卷积核，大小为7×7×96；第二层为第一最大池化层，大小为3×3的池化核；第三层为第二卷积层，有256个卷积核，大小为5×5×256；第四层为第二最大池化层，大小为2×2的池化核；接着，第五层、第六层及第七层分别为第三卷积层、第四卷积层和第五卷积层，都有512个卷积核，大小都为3×3×512；第八层为第三最大池化层，大小为3×3的池化核；该光伏组件热斑识别模型的最后三层都是全连接层，最终一层为softmax层，该Softmax层可以用于构建光伏组件热斑识别模型的目标函数，该目标函数是一种度量模型输出类别与真实类别之间差别的评估指标，从而在训练过程中优化模型。
可以理解的是，光伏组件热斑识别模型通过卷积操作、池化操作和全连接操作，从输入的多个网格图像中提取并组合特征，获得到多个网格图像对应的初始热红外图像中光伏组件上热斑的识别结果，该识别结果可以是每个网格图像所属类别的概率分布，其中概率最高的类别即为该初始热红外图像中光伏组件上热斑的识别结果。
这样，通过上述方式，计算机设备首先将目标热红外图像进行网格化处理，使得目标热红外图像被划分为多个规则的小区域，有助于局部信息的精细标注和特征提取，接着，将多个网格图像输入光伏组件热斑识别模型，得到初始热红外图像中光伏组件上热斑的识别结果，通过该光伏组件热斑识别模型合理的网络结构有助于提高光伏组件热斑识别的准确性和效率。
在一个实施例中，基于图2所示的实施例，参见图4，本实施例涉及的是步骤101中计算机设备获取待识别的光伏组件的初始热红外图像的过程，该过程包括图4所示的步骤301：
步骤301，从无人机的图像存储器中获取初始热红外图像。
本申请实施例中，当计算机设备为无人机时，该无人机首先飞行至待识别的光伏组件位置，并通过搭载的热红外相机或红外摄像机对待识别的光伏组件进行拍摄或采集，获取该光伏组件的初始热红外图像。在获取到该光伏组件的初始热红外图像后，无人机中的计算机处理系统可以通过图像处理和编码操作对获取的初始热红外图像进行处理，包括压缩和格式调整等处理，接着，将处理后的待识别的光伏组件的初始热红外图像存储在无人机的图像存储器中，最后，通过无人机中的计算机处理系统或控制系统访问该图像存储器，读取存储器中的原始热红外图像文件，从该原始热红外图像文件中获取初始热红外图像传输至需要进行后续处理的计算机处理系统中。
这样，通过上述方式，无人机通过执行图像采集和处理，可以在实地即时地获取待识别的光伏组件的初始热红外图像，避免了传统技术中手动获取初始热红外图像的不便。其次，将获取的初始热红外图像存储在无人机的图像存储器中，可实现初始热红外图像数据的即时保存和备份，确保数据的安全性和可用性。最后，通过在需要时访问图像存储器，可以迅速检索并获取原始热红外图像，提高了效率和响应速度。
基于图2所示的实施例，参见图5，本实施例光伏组件热斑识别方法还可以包括图5所示的步骤401、步骤402和步骤403：
步骤401，获取训练样本集，训练样本集包括待识别的光伏组件的样本热红外图像和样本红外图像对应的金标准识别结果。
其中，样本热红外图像为光伏组件热斑识别模型中用于训练的热红外图像，可以使得光伏组件热斑识别模型学习并识别热红外图像的特征或属性。
以下，对计算机设备获取训练样本集的过程进行示例性地说明。
作为可选的实施例，计算机设备首先获取待识别的光伏组件的样本热红外图像，再采用labelme工具对样本热红外图像进行网格化标注，得到样本红外图像对应的金标准识别结果。
具体地，计算机设备可以通过搭载在无人机上的热红外相机或红外摄像机对待识别的光伏组件进行拍摄或采集，获取该光伏组件的样本热红外图像，在拍摄过程中，无人机需注意其姿态，确保俯仰角和翻滚角保持在0°。其中，该红外摄像机实际上是将监控摄像机、防护罩、红外灯、供电散热单元等多个组件综合成一体的监控设备。在监控工程中，最常用的红外摄像机属于主动红外类型，通常由发光二极管LED（Light Emitting Diode）发出红外线，利用CCD或CMOS感知红外光的光谱特性，并配合红外灯作为“照明源”，该红外摄像机则可以实现夜视成像，其摄像系统能感应绝对零度以上的物体发出的红外线辐射，物体的温度越高，辐射出的红外线越多并且容易成像。labelme工具为用于图像标注和语义分割的工具，该labelme工具支持多种标注类型，包括目标检测、语义分割和实例分割。使用labelme工具可以在原始图像上创建详细而准确的标注信息，在保存该标注信息的同时可以与原始图像的进行关联。
接着，计算机设备将获取的样本热红外图像导入至labelme工具中，通过labelme工具对样本热红外图像对进行网格化标注，标注样本热红外图像中的热斑信息，得到获取的所有样本热红外图像的标注信息，该标注信息包括但不限于所有样本热红外图像中每个热斑的坐标、所属的网格单元、面积、边框等信息，通过该标注过程，计算机设备得到样本红外图像对应的金标准识别结果，即包含详细标注信息的红外图像，该金标准识别结果可以用于训练光伏组件热斑识别模型。
步骤402，利用预设的图像转换工具，将样本热红外图像转换为目标样本热红外图像；其中，目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配。
如上文所述，计算机设备使用预设的图像转换工具，即Caffe框架中的convert_imageset工具，对样本热红外图像进行转换处理，该转换处理过程可以包括将样本热红外图像进行格式转换、大小调整、色彩空间变换等预处理步骤，以转换成目标样本热红外图像，该目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配。
步骤403，根据目标样本热红外图像和金标准识别结果，对初始光伏组件热斑识别模型进行训练，得到光伏组件热斑识别模型。
作为可选的实施例，计算机设备得到光伏组件热斑识别模型的过程包括对目标样本热红外图像进行网格化处理，获取目标样本热红外图像对应的多个样本网格图像，再将多个样本网格图像输入初始光伏组件热斑识别模型中，得到样本热红外图像中光伏组件上的热斑的样本识别结果，最后根据样本识别结果和金标准识别结果，对初始光伏组件热斑识别模型进行训练，得到光伏组件热斑识别模型。
具体地，计算机设备首先对目标样本热红外图像进行网格化处理，将目标样本热红外图像划分为均匀的网格，形成多个规则的小区域，每个网格代表目标样本热红外图像中的一个局部区域，每个网格生成一个对应的样本网格图像，该样本网格图像包含了与目标样本热红外图像相对应的热红外特征，并带有相应的标签或注释。接着，计算机设备将获取的多个样本网格图像输入初始光伏组件热斑识别模型，该初始光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块，通过卷积操作、池化操作和全连接操作，从输入的多个样本网格图像中提取并组合特征，即，该初始光伏组件热斑识别模型包括卷积层、池化层和全连接层等多个层次，通过这些层次的处理，得到样本热红外图像中光伏组件上的热斑的样本识别结果。最后，计算机设备基于样本识别结果和金标准识别结果，对初始光伏组件热斑识别模型进行训练，得到光伏组件热斑识别模型。
以下，对计算机设备获得光伏组件热斑识别模型的过程进行示例性地说明。
Caffe框架是一个深度学习框架，采用纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口，可在CPU和GPU之间切换，主要用于研究机器视觉的开源卷积神经网络框架，其模块性设计支持轻松扩展新的数据格式、网络层和损失函数，通过表示和实现分离的原则，采用谷歌的Protocol Buffer可以定义模型文件。此外，Caffe框架提供Python和MATLAB接口，并支持GPU加速，所使用的计算库如MKL、OpenBLAS、cuBLAS。Caffe框架的数据结构以Blobs（数据块）-layers（层）-Net（网络）的形式存在，其中，Blobs为4维向量（num，channel，height，width）存储权重、激活值等数据；Layers是神经网络的基本单元，接收底层输入的Blobs并在每层进行前向传播和后向传播；Net由多个层连接而成，形成有向无环图。
其中，在初始光伏组件热斑识别模型训练过程前，使用Caffe框架中的compute_image_mean命令对上述目标样本热红外图像进行均值计算，并将均值计算后目标样本热红外图像数据拆分成训练样本集和测试样本集，该训练样本集和测试样本集数据可以表示为(X,Y)，X代表目标样本热红外图像，Y代表目标样本红外图像对应的金标准识别结果，这里，X可以表示为，用来描述目标样本热红外图像的网格化信息的二维矩阵，Y可以表示为/>，用来描述热斑信息的标签的向量。
示例性地，首先，搭建Caffe框架的运行环境，该运行环境的硬件配置为内存容量为32GB的服务器和内存容量为12GB的独立显卡，例如，NVIDIA GeForce GTX Titan X以及更高配置的硬件；该运行环境的软件环境为64位的Ubuntu15.10操作系统，及Caffe框架所依赖的其他第三方库。接着，在搭建的Caffe框架的运行环境中，使用上述训练样本集，按照初始光伏组件热斑识别模型中的结构描述文件和求解描述文件，通过fine-tune方法对初始光伏组件热斑识别模型进行训练，逐步求解该初始光伏组件热斑识别模型中各层的参数。在训练过程中，采用梯度下降算法，对初始光伏组件热斑识别模型中各层的误差进行梯度计算，在每个迭代过程中沿着能够使梯度下降最迅速的方向更新各层的参数，同时调整参数的权重更新大小，并使用测试样本集对训练完成的初始光伏组件热斑识别模型进行性能评估，以达到预期性能后停止训练并保存各层参数，实现初始光伏组件热斑识别模型的收敛，得到光伏组件热斑识别模型。最后，可以通过训练获得光伏组件热斑识别模型对原始热红外图像中的热斑进行识别，即，光伏组件热斑识别模型根据输入的初始热红外图像输出该初始热红外图像中相应标签的概率值，并将概率最大的标签作为待识别的初始热红外图像所属的类别。
其中，结构描述文件为描述光伏组件热斑识别模型整体架构的文件，在Caffe框架的运行环境中，该结构描述文件包含了该光伏组件热斑识别模型的层次结构、每一层的类型（如卷积层、池化层等）、以及每一层的超参数（如卷积核大小、步幅等）；求解描述文件为描述光伏组件热斑识别模型训练过程中的优化算法、学习率等参数的文件，在Caffe框架的运行环境中，该求解描述文件包含了该光伏组件热斑识别模型的优化器类型（如随机梯度下降法）、学习率衰减策略、权重衰减等信息，其作用是配置光伏组件热斑识别模型在训练期间的优化设置；Fine-tune（微调）方法是在已经预训练好的模型基础上，通过继续训练模型以适应特定任务或数据集的方法，在Caffe框架的运行环境中，fine-tune方法通过光伏组件热斑识别模型，使用特定的训练样本集，根据结构描述文件和求解描述文件对该光伏组件热斑识别模型进行进一步训练。
这样，通过上述方式，计算机设备获取大量的样本热红外图像和其对应的金标准识别结果来训练初始光伏组件热斑识别模型，通过学习和理解样本热红外图像中热斑的特征和属性，训练出更准确的光伏组件热斑识别模型，使用该光伏组件热斑识别模型可以提高对光伏组件上的热斑进行快速、自动和准确识别，从而有利于光伏电站的维护和管理工作。
在一个实施例中，提供了一种光伏组件热斑识别方法，用于计算机设备，参见图6，该方法包括以下步骤：
步骤501，获取待识别的光伏组件的样本热红外图像。
步骤502，采用labelme工具对样本热红外图像进行网格化标注，得到样本红外图像对应的金标准识别结果。
步骤503，利用预设的图像转换工具，将样本热红外图像转换为目标样本热红外图像，对目标样本热红外图像进行网格化处理，获取目标样本热红外图像对应的多个样本网格图像。
步骤504，将多个样本网格图像输入初始光伏组件热斑识别模型中，得到样本热红外图像中光伏组件上的热斑的样本识别结果，再根据样本识别结果和金标准识别结果，对初始光伏组件热斑识别模型进行训练，得到光伏组件热斑识别模型。
步骤505，从无人机的图像存储器中获取初始热红外图像。
步骤506，利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像，对目标热红外图像进行网格化处理，获取目标热红外图像对应的多个网格图像。
步骤507，将多个网格图像输入卷积模型，得到各网格图像的特征信息，将各网格图像的特征信息输入池化模块，对各网格图像的特征信息进行降采样处理，得到各网格图像降采样后的特征信息。
步骤508，将各网格图像降采样后的特征信息输入全连接模块，得到初始热红外图像中光伏组件上的热斑的识别结果。
以下，对上述实施例光伏组件热斑识别方法的实现进行示例性地说明。
如图7所示，首先，搭建一个适合Caffe深度学习框架运行的软硬件环境，该软硬件环境硬件配置为内存容量为32GB的服务器和内存容量为12GB的独立显卡；软件环境为64位的Ubuntu15.10操作系统以及Caffe框架所依赖的其他第三方库。接着，计算机设备通过搭载在无人机上的热红外相机或红外摄像机对待识别的光伏组件进行拍摄或采集，获取该光伏组件的样本热红外图像，再将获取的样本热红外图像导入至labelme工具中，通过labelme工具对样本热红外图像对进行网格化标注，标注样本热红外图像中的热斑信息。
之后，计算机设备使用Caffe框架中的convert_imageset工具，对样本热红外图像进行转换处理，得到目标样本热红外图像，再使用Caffe框架中的compute_image_mean命令对上述目标样本热红外图像进行均值计算，并将均值计算后目标样本热红外图像数据拆分成训练样本集和测试样本集，这样，则可以获取到训练样本集，该训练样本集包括待识别的光伏组件的样本热红外图像和样本红外图像对应的金标准识别结果。
然后，基于Caffe深度学习框架的构建初始光伏组件热斑识别模型，定义各层的结构，包括卷积层、池化层、全连接层和softmax层，使用上述获取的训练样本集，按照初始光伏组件热斑识别模型中的结构描述文件和求解描述文件，通过fine-tune方法对初始光伏组件热斑识别模型进行训练，逐步求解该初始光伏组件热斑识别模型中各层的参数。在训练过程中，采用梯度下降算法，对初始光伏组件热斑识别模型中各层的误差进行梯度计算，在每个迭代过程中沿着能够使梯度下降最迅速的方向更新各层的参数，达到预期性能后停止训练并保存各层参数，得到训练后的光伏组件热斑识别模型。
最后，可以通过训练获得光伏组件热斑识别模型对原始热红外图像中的热斑进行识别，即，光伏组件热斑识别模型根据输入的初始热红外图像输出该初始热红外图像中相应标签的概率值，并将概率最大的标签作为待识别的初始热红外图像所属的类别。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的光伏组件热斑识别方法的光伏组件热斑识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个光伏组件热斑识别装置实施例中的具体限定可以参见上文中对于光伏组件热斑识别方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种光伏组件热斑识别装置，包括：
第一获取模块601，用于获取待识别的光伏组件的初始热红外图像；
第一转换模块602，用于利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
第二获取模块603，用于根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述第二获取模块603，包括：
第一处理单元，用于对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
第一获取单元，用于将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述第一获取单元具体用于将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息，再将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息，最后将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，所述第一获取模块601，包括：
第二获取单元，用于从无人机的图像存储器中获取所述初始热红外图像。
在其中一个实施例中，所述装置还包括：
第三获取模块，用于获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
第二转换模块，用于利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
训练模块，用于根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，所述训练模块，包括：
第二处理单元，用于对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
输入单元，用于将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
训练单元，用于根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，所述第三获取模块，包括：
第三获取单元，用于获取待识别的光伏组件的样本热红外图像；
标注单元，用于采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
上述光伏组件热斑识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储热红外图像数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光伏组件热斑识别方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待识别的光伏组件的初始热红外图像；
利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该处理器执行计算机程序时具体实现以下步骤：对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该处理器执行计算机程序时具体实现以下步骤：
将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该处理器执行计算机程序时具体实现以下步骤：
从无人机的图像存储器中获取所述初始热红外图像。
在其中一个实施例中，该处理器执行计算机程序时还实现以下步骤：
获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，该处理器执行计算机程序时具体实现以下步骤：
对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，该处理器执行计算机程序时具体实现以下步骤：
获取待识别的光伏组件的样本热红外图像；
采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
在一个实施例中，提供了一种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以下步骤：
获取待识别的光伏组件的初始热红外图像；
利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，计算机程序被处理器执行时具体实现以下步骤：
对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，计算机程序被处理器执行时具体实现以下步骤：
将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，计算机程序被处理器执行时具体实现以下步骤：
从无人机的图像存储器中获取所述初始热红外图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，计算机程序被处理器执行时具体实现以下步骤：
对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，计算机程序被处理器执行时具体实现以下步骤：
获取待识别的光伏组件的样本热红外图像；
采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待识别的光伏组件的初始热红外图像；
利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该计算机程序被处理器执行时具体实现以下步骤：
对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该计算机程序被处理器执行时具体实现以下步骤：
将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
在其中一个实施例中，该计算机程序被处理器执行时具体实现以下步骤：从无人机的图像存储器中获取所述初始热红外图像。
在其中一个实施例中，该计算机程序被处理器执行时还实现以下步骤：
获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，该计算机程序被处理器执行时具体实现以下步骤：对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
在其中一个实施例中，该计算机程序被处理器执行时具体实现以下步骤：获取待识别的光伏组件的样本热红外图像；
采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种光伏组件热斑识别方法，其特征在于，所述方法包括：
获取待识别的光伏组件的初始热红外图像；
利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
对所述目标热红外图像进行网格化处理，获取所述目标热红外图像对应的多个网格图像；
将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
3.根据权利要求2所述的方法，其特征在于，所述光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块；所述将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
4.根据权利要求1所述的方法，其特征在于，所述获取待识别的光伏组件的初始热红外图像，包括：
从无人机的图像存储器中获取所述初始热红外图像。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型，包括：
对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
7.根据权利要求5所述的方法，其特征在于，所述获取训练样本集，包括：
获取待识别的光伏组件的样本热红外图像；
采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
8.一种光伏组件热斑识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取待识别的光伏组件的初始热红外图像；
第一转换模块，用于利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
第二获取模块，用于根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619686.8A CN117576593A (zh) | 2023-11-30 | 2023-11-30 | 光伏组件热斑识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311619686.8A CN117576593A (zh) | 2023-11-30 | 2023-11-30 | 光伏组件热斑识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117576593A true CN117576593A (zh) | 2024-02-20 |
Family
ID=89886081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311619686.8A Pending CN117576593A (zh) | 2023-11-30 | 2023-11-30 | 光伏组件热斑识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576593A (zh) |
-
2023
- 2023-11-30 CN CN202311619686.8A patent/CN117576593A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Fruit detection and positioning technology for a Camellia oleifera C. Abel orchard based on improved YOLOv4-tiny model and binocular stereo vision | |
| CN111723786B (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
| Komorowski et al. | Minkloc++: lidar and monocular image fusion for place recognition | |
| CN113076816B (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
| Lin et al. | Local and global encoder network for semantic segmentation of Airborne laser scanning point clouds | |
| CN114283137A (zh) | 基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法 | |
| CN115376125A (zh) | 一种基于多模态数据融合的目标检测方法以及基于目标检测模型的在体果实采摘方法 | |
| CN115546735B (zh) | 一种冷却塔结冰检测识别系统、方法和存储介质 | |
| CN115527036A (zh) | 电网场景点云语义分割方法、装置、计算机设备和介质 | |
| CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
| CN117876874A (zh) | 基于高点监控视频的森林火灾检测和定位方法及系统 | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| Sridharan et al. | Deep learning-based ensemble model for classification of photovoltaic module visual faults | |
| CN116580324A (zh) | 一种基于YOLOv5的无人机对地目标检测方法 | |
| CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges | |
| Dhanalakshmi et al. | [Retracted] Application of Machine Learning in Multi‐Directional Model to Follow Solar Energy Using Photo Sensor Matrix | |
| CN114494586A (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
| Li et al. | Building an online defect detection system for large-scale photovoltaic plants | |
| Nacir et al. | YOLO V5 for traffic sign recognition and detection using transfer learning | |
| CN113343966A (zh) | 一种红外与可见光图像文本描述生成方法 | |
| Hu et al. | Automatic detection of pecan fruits based on Faster RCNN with FPN in orchard | |
| CN117173631A (zh) | 一种生物多样性的监控方法和系统 | |
| CN117576593A (zh) | 光伏组件热斑识别方法、装置、计算机设备和存储介质 |
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 |