ES2882172T3 - Sistema y método automatizados de inspección de una planta fotovoltaica - Google Patents
Sistema y método automatizados de inspección de una planta fotovoltaica Download PDFInfo
- Publication number
- ES2882172T3 ES2882172T3 ES17842384T ES17842384T ES2882172T3 ES 2882172 T3 ES2882172 T3 ES 2882172T3 ES 17842384 T ES17842384 T ES 17842384T ES 17842384 T ES17842384 T ES 17842384T ES 2882172 T3 ES2882172 T3 ES 2882172T3
- Authority
- ES
- Spain
- Prior art keywords
- image
- module
- modules
- identified
- trapezoids
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007689 inspection Methods 0.000 title claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 29
- 230000006978 adaptation Effects 0.000 claims description 28
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 20
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000001931 thermography Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
Se proporcionan sistemas y métodos para inspeccionar automáticamente instalaciones fotovoltaicas (FV). El sistema utiliza drones que vuelan rutas preprogramadas para llevar a cabo una termografía aérea de módulos FV para su inspección (es decir, la recogida de imágenes IR de los módulos FV). El sistema realiza el análisis de las imágenes recogidas para determinar defectos en los módulos FV de la instalación FV, clasifica los defectos detectados, emite informes automáticamente, y guarda los datos técnicos de cada módulo incluido en la base de datos de una instalación FV para análisis de tendencias y análisis de mantenimiento preventivo y predictivo.
Description
DESCRIPCIÓN
Sistema y método automatizados de inspección de una planta fotovoltaica
OBJETO DE LA INVENCIÓN
La presente invención se refiere generalmente a sistemas y métodos para la inspección de plantas de energía fotovoltaica. Más particularmente, esta invención concierne a sistemas y métodos para la inspección de células fotovoltaicas (FV) en una planta de energía fotovoltaica mediante la captura y revisión de imágenes infrarrojas (es decir, imágenes térmicas) de las células FV.
ANTECEDENTES DE LA INVENCIÓN
La energía renovable en general y la energía fotovoltaica (FV) en particular están creciendo en el mercado de la energía comercial. Se han instalado en todo el mundo plantas FV de multimegavatios. Los módulos FV deben inspeccionarse periódicamente debido a que se degradan y fallan a lo largo del tiempo, reduciendo la producción de estas instalaciones. La inspección térmica de varios miles a millones de módulos FV es casi imposible de gestionar usando los métodos actualmente utilizados. Los documentos ES 2482891A y US 2017/277966 A1 son apropiados para esta divulgación.
Las plantas de energía FV solar de tan gran escala requieren enormes cantidades de recursos tanto para su inspección como para su gestión. Es una práctica común de las plantas de generación la contratación de personal para comprobar manualmente los paneles. Sin embargo, el uso de personal humano para identificar paneles defectuosos requiere un equipo de ingenieros y operarios para inspeccionar constantemente la planta. E incluso con las inspecciones manuales en curso, con grandes plantas de energía FV, esta tarea es tan grande que es raramente posible realizar una comprobación anual de todos los módulos.
Adicionalmente, una vez que se han tomado las imágenes termográficas (por ejemplo, imágenes IR) de la instalación FV, el posprocesamiento y análisis de grandes plantas FV implica una cantidad prohibitivamente grande de tiempo (cerca de un año) cuando se inspeccionan y se revisan semimanualmente usando el software de las cámaras de Ir . Hay una evidencia creciente del bajo rendimiento de los paneles debido a las condiciones medioambientales adversas (por ejemplo, “suciedad” en áreas desérticas polvorientas).
A modo de ejemplo, la planta FV solar “El Romero” en Chile que pertenece al solicitante requiere la revisión de más de 18.000 imágenes térmicas en infrarrojo (IR) correspondientes a 780.000 módulos FV para realizar una única inspección, semiautomatizada de los módulos del complejo. Este proceso lleva generalmente más de 3 meses y se están construyendo instalaciones de plantas FV más grandes.
El sistema y método para la inspección de plantas de energía fotovoltaica de la presente invención resuelve todos los problemas anteriormente mencionados.
DESCRIPCIÓN DE LA INVENCIÓN
Se proporcionan sistemas y métodos para inspeccionar automáticamente instalaciones fotovoltaicas (FV). El sistema utiliza drones que vuelan rutas preprogramadas para realizar una termografía aérea de los módulos FV para su inspección (es decir, la recogida de imágenes IR de los módulos FV). El sistema realiza el análisis de las imágenes recogidas para determinar defectos en los módulos FV de la instalación FV, clasifica los defectos detectados, emite informes automáticamente y guarda datos técnicos de cada módulo incluido en la base de datos de una instalación FV para análisis de tendencias y análisis de mantenimiento preventivo y predictivo.
En un aspecto, el sistema para la inspección automática de instalaciones fotovoltaicas tal como se relata en la reivindicación 1 y un sistema tal como se relata en la reivindicación 18.
Las realizaciones ventajosas adicionales se relatan en las reivindicaciones dependientes. Independientemente de los contenidos de la siguiente descripción, debe entenderse que el alcance de la invención se determina única y totalmente por el conjunto de reivindicaciones adjuntas.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
La figura 1 es un diagrama de bloques de un sistema para inspeccionar automáticamente una instalación fotovoltaica (FV) de un complejo para la generación de electricidad según una realización de la invención.
La figura 2 es una vista en perspectiva de células que forman un módulo, módulos que forman un panel y paneles que forman una matriz.
La figura 3 es un diagrama de flujo de un método para inspeccionar automáticamente la instalación FV de un complejo para la generación de electricidad según una realización de la invención.
La figura 4 es un diagrama de flujo de una realización de un método de análisis termográfico e identificación de defectos del método de la figura 3.
La figura 5 es un diagrama de flujo de una realización de un algoritmo de adaptación del método de la figura 4.
La figura 6 es un diagrama de flujo de una realización de un algoritmo de verificación y ajuste del método de la figura 4.
Se hará ahora referencia en detalle a realizaciones opcionales de la invención, cuyos ejemplos se ilustran en los dibujos adjuntos. Siempre que sea posible, se usan los mismos números de referencia en los dibujos y en la descripción al referirse a las mismas partes o similares.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN
Una finalidad de la invención es automatizar el posprocesamiento de las imágenes de inspección termográfica, mejorando la velocidad y fiabilidad de la inspección mediante la realización de análisis consistentes y automáticos, seguimiento de forma automática de tendencias a través de bases de datos históricas. El sistema interpreta automáticamente imágenes para información, notifica la información interpretada y actúa como guía para dirigir la información reflejada en los resultados notificados.
El sistema elimina el factor humano cuando identifica cada imagen térmica infrarroja con el panel o módulo correspondiente. El sistema reduce el tiempo de inspección de grandes instalaciones FV (por ejemplo, plantas solares de megavatios). El sistema incrementa la fiabilidad de los procesos de inspección para plantas solares fotovoltaicas. El sistema incrementa la eficiencia de las plantas solares fotovoltaicas mediante la rápida identificación de equipos o de dispositivos defectuosos.
Un sistema de inspección termográfica automatizado usa unos VANT (UAV en inglés) (es decir, drones) y un procesamiento automático de imágenes para llevar a cabo auditorías automáticas de la degradación de módulos en grandes plantas fotovoltaicas. El sistema inspecciona las imágenes en el espectro térmico y visual, detecta automáticamente defectos y tendencias de degradación con identificación precisa de los módulos afectados. El sistema se integra con el sistema SCADA y supervisa los módulos garantizando un mantenimiento y seguimiento mejorados.
El sistema realiza una serie de etapas básicas comenzando con la adquisición de las imágenes IR de la planta FV (es decir, la instalación) y datos de identificación de la geolocalización (por ejemplo, coordenadas GPS) de cada estructura (por ejemplo, seguidor) y módulo de la instalación FV. Los módulos y estructuras se identifican entonces en las imágenes IR o termográficas. Es decir, las imágenes se correlacionan con los módulos y estructuras en la base de datos. Las imágenes se analizan automáticamente por el sistema para identificar defectos en los módulos. Los defectos se notifican junto con las acciones correctivas sugeridas y los defectos se almacenan en una base de datos para análisis de tendencias. El análisis de tendencias puede permitir que se desarrollen rutinas de mantenimiento preventivo.
Con referencia a la figura 1, en una realización, un sistema 100 para realizar inspecciones automatizadas de una instalación FV incluye una base de datos de identificación 102, una fuente de imágenes 104, un procesador 106 y una base de datos de defectos históricos 108. La base de datos de identificación tiene datos de identificación (por ejemplo, números de serie y coordenadas GPS o número de columna y fila del seguidor) para cada módulo de la instalación FV. La fuente de imágenes 104 puede ser un dron que ejecuta una trayectoria de vuelo preprogramada y que devuelva imágenes termográficas y visuales (RGB) de la instalación FV. El procesador 106 utiliza la base de datos de identificación 102 y la fuente de imágenes 104 para determinar defectos en los módulos de la instalación FV. El procesador 106 almacena los defectos detectados en la base de datos de defectos históricos 108 para comparación con otras inspecciones y análisis de tendencias.
Con referencia a la figura 2, se muestra un ejemplo de una nomenclatura de una gran instalación. Una pluralidad de células 202 forman un módulo 204. Una pluralidad de módulos 204 forman un panel 206. Una pluralidad de paneles 206 forman una matriz 208. En una realización, hay una matriz 208 por seguidor. Un seguidor es un montaje físico para una matriz 208 que puede estar fijo y orientado hacia una posición solar promedio o puede seguir activamente la posición del sol para maximizar la eficiencia de la matriz 208 instalada sobre el seguidor. Tal como se usa en el presente documento, una matriz 208 y seguidor son sinónimos suponiendo que hay una matriz por seguidor, pero se contempla dentro del alcance de las reivindicaciones que pueda haber más de una matriz por seguidor.
Con referencia a la figura 3, se muestra una vista general de una realización de un método 300 ejecutado por el sistema 100. En 302, se lleva a cabo la referencia geográfica para cada módulo de la instalación FV. Es decir, se registran las coordenadas GPS y/o número de fila y columna del seguidor para cada módulo de la instalación FV. En 304, se recogen datos de ingeniería tales como números de serie para cada módulo dentro de la instalación FV y se referencian de forma cruzada con los datos de referencia geográfica. En la etapa 306, se reciben imágenes por el sistema 100 y los módulos FV se identifican dentro de las imágenes basándose en los datos de referencia geográfica recogidos en las etapas 302 y 304. El análisis termográfico detecta defectos dentro de los módulos representados por las imágenes recibidas en 306. En 308, los defectos en los módulos detectados en 306 se clasifican y registran en la base de datos de defectos históricos 108. En 310, los defectos detectados se notifican a un usuario. En 312, los defectos registrados en la base de datos de defectos históricos 108 son tendencias analizadas. En 314, los defectos registrados se corrigen y el sistema 100 vuelve en bucle a la etapa 312 para identificar el resultado de las acciones correctivas sobre las tendencias de defectos. Generalmente, el método incluye la inspección de una instalación FV de un complejo para la generación de electricidad. El método incluye recibir imágenes termográficas de la instalación FV en el procesador 106. La instalación FV incluye el menos una matriz formada por una pluralidad de módulos FV en la que cada módulo incluye una pluralidad de células FV.
El procesador 106 recibe la base de datos 102 que tiene datos de identificación para cada módulo de la instalación FV. El procesador identifica cada módulo FV en las imágenes termográficas adquiridas de la instalación FV, calcula una temperatura promedio de la al menos una matriz y determina una condición de fallo de al menos una célula en función de la diferencia entre la temperatura de la al menos una célula y una temperatura promedio de la matriz.
Los análisis termográficos acometidos en 306 son un conjunto detallado de subrutinas y algoritmos diseñados para analizar automáticamente las imágenes recibidas para determinar seguidores y módulos defectuosos en la instalación FV. Con referencia a la figura 4, el análisis incluye una pluralidad de fases que pueden incluir combinaciones de adaptación de imagen 402, vectorización 404, análisis homográfico 406, optimización 408 y verificación y ajuste 410.
ADAPTACIÓN 402
En esta etapa, se aplica una secuencia de filtros a los datos de la imagen original para eliminar ruido, detectar bordes y preparar las imágenes para la fase de vectorización. La vectorización 404 se realiza sobre las imágenes adaptadas.
Con referencia a la figura 5, en una realización del método de inspección la instalación FV del complejo para la generación de electricidad y el algoritmo de adaptación 402 o identificación inicial de módulos se muestra en detalle. El procesamiento de cada imagen incluye ejecutar por medio del procesador 106, al menos un algoritmo de adaptación sobre la imagen. La ejecución de al menos un algoritmo de adaptación sobre la imagen incluye ejecutar el algoritmo de adaptación con cada uno de una pluralidad de parámetros del algoritmo de adaptación para generar un conjunto de imágenes adaptadas correspondientes a la imagen. Ejecutar el al menos un algoritmo de adaptación sobre la imagen incluye adicionalmente convertir cada imagen adaptada en una imagen binaria para producir un conjunto de imágenes binarias.
El resultado de la etapa de adaptación es un conjunto consistente de rectángulos, sin embargo estos no forman la rejilla de un seguidor. Los algoritmos de la etapa de adaptación implementan un filtro que incrementa las posibilidades de que los rectángulos detectados pertenezcan a los módulos del seguidor. Sin embargo, estos rectángulos detectados pueden incluso no ser módulos del seguidor. Por ejemplo, podrían ser personas, infraestructuras externas al seguidor, vehículos u otros elementos del entorno que pueden tener una forma similar al seguidor o módulo FV (piedras, áreas con hierbas sobre el terreno, caminos, etc.). Durante esta fase puede no haber información usada con relación al contenido de la imagen, el momento del año, la hora del día, el tipo de entorno existente, la paleta usada o incluso el campo solar al que va dirigido. Por lo tanto, la adaptación debe gestionar las particularidades de cada una de estas variables. Por ello, la imagen original se adapta para la detección correcta de los bordes de objetos que aparecen en la imagen. Se ha desarrollado una variedad de estrategias de adaptación que se conforman a los diversos tipos de imágenes que han formado parte de la etapa de desarrollo, sin embargo, este conjunto de estrategias de adaptación puede extenderse dentro del alcance de las reivindicaciones. Estos algoritmos realizan diversas operaciones en un nivel de píxel incluyendo suavizado (es decir, desenfoque) y operaciones morfológicas (por ejemplo, erosión, dilatación, etc.). Cada algoritmo de adaptación está compuesto por una serie de parámetros que deben configurarse apropiadamente para llevar a cabo una adaptación correcta. Por lo tanto, se realiza un barrido a través de los diferentes valores que pueden tener estos parámetros para determinar los parámetros apropiados. La adaptación concluye con una binarización de la imagen (es decir, conversión de la imagen a blanco y negro) y ejecución del algoritmo de detección de bordes de Canny. La imagen binaria generada y los bordes detectados son la base inicial para la ejecución de los algoritmos de detección de polígonos.
El procesamiento de cada imagen incluye adicionalmente ejecutar un algoritmo de detección de bordes sobre cada imagen binaria del conjunto de imágenes binarias para generar un conjunto de bordes asociado con cada uno de la pluralidad de parámetros del algoritmo de adaptación. Las imágenes con los bordes detectados se usan para obtener bordes geométricos según los algoritmos para la obtención de formas o polígonos en imágenes binarias. Estas formas representan potencialmente los módulos de uno o más seguidores. Sin embargo, durante esta etapa del algoritmo de adaptación hay un elevado número de falsos positivos. Cualquier objeto o textura en la imagen puede detectarse potencialmente como un candidato a módulo. El procesamiento de cada imagen incluye adicionalmente el filtrado de formas no trapezoidales de la imagen binaria convertida. Se llevan a cabo una serie de mecanismos de filtrado durante esta etapa que considera las propiedades geométricas de cada forma individualmente obtenida. Estas formas obtenidas se filtran con relación a un área o a la geometría de la forma calculada (es decir, formas con una gran área superficial o una pequeña área superficial que no pueden ser módulos solares dadas las proporciones conocidas de los módulos y seguidores FV objetivo). Adicionalmente, formas con un aspecto que es demasiado alargado pueden excluirse como candidatas a módulos. Estas formas obtenidas cuya forma es similar a un elemento rectangular con una orientación arbitraria se filtran a continuación. En la práctica, los módulos solares forman geometrías trapezoidales, no rectangulares, debido al efecto de la perspectiva (es decir, el efecto keystone). Sin embargo, estas geometrías pueden convertirse aproximadamente en rectángulos con una orientación arbitraria que se adapta en la mayoría de los casos a su área superficial. El resultado de esta etapa es un conjunto de rectángulos que representa candidatos al módulo seguidor. Muchos de estos rectángulos pueden ser aún falsos positivos de objetos externos al seguidor o rectángulos que pertenecen a otros seguidores.
El procesamiento de cada imagen incluye adicionalmente identificación de trapezoides dentro de conjuntos de los bordes generados a partir de todas las imágenes binarias del conjunto de imágenes binarias. Se identifica al menos una agrupación de trapezoides en el trapezoide identificado. El trapezoide en cada agrupación identificada se filtra en función del área superficial, orientación y relación de aspecto del trapezoide para eliminar trapezoides duplicados y trapezoides que excedan un umbral de variación predeterminado para cualquiera del área superficial, orientación y relación de aspecto
promedio de la agrupación para generar una agrupación candidata a seguidor. Este proceso aplica un segundo filtro a cada conjunto de rectángulos. Existe un grupo de conjuntos de rectángulos, uno para cada fase de adaptación. Cada una de estas detecciones de rectángulos (módulos candidatos) puede detectar algunas zonas de la imagen mejor que otras. Para cada grupo, se lleva a cabo un filtrado adicional sobre los rectángulos, basándose en los principios de similitud de todos los módulos del seguidor: área superficial, orientación y relación de aspecto. Esta etapa es por lo tanto un análisis estadístico para descartar casos extraños basándose en los parámetros anteriores. Además, el conjunto de módulos candidatos obtenido debe cumplir dos principios adicionales para sobrevivir al filtro: no debe haber pares de candidatos solapados y geométricamente agrupados. Tras la aplicación de estos filtros, las agrupaciones de módulos se obtienen que identifican potencialmente de manera correcta módulos de alguna parte del seguidor (u otros seguidores) de la instalación FV. La agrupación con el número más elevado de elementos de todos los grupos de rectángulos identifica correctamente una parte del seguidor principal. La mayor limitación a este resultado es que el número de módulos candidatos detectado es normalmente menor que el deseado. Este aspecto se resuelve en la siguiente etapa: extensión del conjunto.
El procesamiento de cada imagen incluye adicionalmente determinar si cada agrupación candidata a seguidor es completa identificando cualquier trapezoide en cualquiera de las imágenes binarias del conjunto de imágenes binarias que tenga trapezoides dentro del umbral de variación predeterminado para todos del área superficial, orientación y relación de aspecto promedios de la agrupación candidata a seguidor. Cualquier trapezoide identificado se añade a la agrupación candidata a seguidor. La intención de esta etapa es obtener un conjunto consistente mayor de módulos candidatos.
Comenzando con un conjunto consistente de módulos candidatos puede ser posible recuperar otros módulos candidatos de otras imágenes adaptadas que verifiquen los mismos parámetros de similitud y solape. Para hacer esto se añaden iterativamente en orden de similitud.
VECTORIZACIÓN 404
La vectorización se realiza para obtener un conjunto inicial de geometrías primitivas dentro de cada imagen a partir de la que comenzar la identificación de módulos FV representados en la imagen. En una realización, se construye un gráfico basándose en el algoritmo de los k vecinos más próximos y se obtiene un patrón reticular consistente que forma la hipótesis inicial del seguidor (es decir, una matriz que incluye módulos FV).
Identificar la al menos una agrupación de trapezoides en el trapezoide identificado incluye identificar una pluralidad de agrupaciones de trapezoides y filtrar los trapezoides en cada agrupación identificada da como resultado la generación de una pluralidad de agrupaciones candidatas a seguidor. En este caso, el procesamiento de cada imagen incluye adicionalmente generar un conjunto de líneas generalmente horizontales mediante la conexión del centro de cada trapezoide en cada agrupación a cada trapezoide horizontalmente adyacente en la agrupación. En este caso, por una línea generalmente horizontal se quiere indicar que incluye cualquier línea que sea más horizontal que vertical con respecto a la imagen. Se genera un conjunto de líneas generalmente verticales mediante la conexión del centro de cada trapezoide en cada agrupación a cada trapezoide verticalmente adyacente en la agrupación. En este caso, una línea generalmente vertical es más vertical que horizontal con respecto a la imagen. El procesador 106 elimina entonces cada agrupación que corresponde a líneas generalmente horizontales o líneas generalmente verticales que no coincidan con una pluralidad de las líneas generalmente horizontales y líneas generalmente verticales creadas para que la imagen identifique una pluralidad de módulos candidatos, correspondiendo cada uno a una intersección de las líneas generalmente horizontales y líneas generalmente verticales restantes. El procesador 106 almacena el trapezoide correspondiente a cada uno de la pluralidad de módulos candidatos identificados. Este proceso ordena el conjunto de módulos candidatos en forma de rejilla para verificar el número de filas y columnas introducidas en la entrada. El punto de inicio es la construcción de una pseudorejilla basándose en la proximidad de los módulos. Los centros de los rectángulos se conectan a otros rectángulos vecinos. Estos patrones de líneas se seleccionan y filtran aceptando solamente aquellos que son paralelos o perpendiculares a la orientación rectangular típica. Esas líneas son candidatas a ser filas o columnas de la rejilla. Un problema que surge durante esta etapa es la existencia de módulos candidatos que son falsos positivos. Posteriormente, cualquier línea generada puede pertenecer a objetos externos (por ejemplo, vehículos, rocas, personas) u otros módulos de otros seguidores. Para atenuar este problema, las líneas rectas se agrupan en conjuntos de líneas rectas con un cierto grado de paralelismo geométrico. Si aparecen más de dos grupos (es decir, horizontal y vertical) en la agrupación, las líneas rectas se descartan dado que contienen falsos positivos (es decir, indican un seguidor y módulos FV que no son realmente unos seguidores y módulos FV). El conjunto de líneas rectas se clasifica según su orientación (vertical u horizontal). Las líneas rectas se detectan y categorizan en dos grupos: horizontal y vertical basándose en los ejes horizontal y vertical de la imagen (basado en que está dentro de un umbral de paralelismo predeterminado con los ejes horizontal y vertical tal como 15 grados). Si cualquier grupo tiene líneas que se intersecan dentro de los límites de la imagen, entonces el candidato a seguidor correspondiente se elimina. Las líneas rectas no son totalmente paralelas dada la existencia de un efecto de perspectiva (es decir, efecto keystone), pero deberían no intersecarse realmente si se ajustan a cualquier seguidor. Los conjuntos de líneas rectas horizontales y verticales se ordenan y se lleva a cabo un análisis estadístico de las distancias entre las líneas rectas. Los grupos de líneas rectas deben tener una separación similar con una distancia que se incrementa o disminuye monótonamente (debido a la perspectiva o keystone). Por ello, pueden identificarse huecos inconsistentes o líneas rectas que están demasiado próximas. El conjunto de líneas rectas puede dividirse en dos o más partes, en este caso se selecciona el subconjunto mayor y mejor alineado. De esta forma, se eliminan la mayoría de las filas y columnas que contienen falsos módulos o módulos que pertenecen a otros seguidores próximos.
La vectorización concluye con la obtención de un patrón de rejilla rectangular o matriz basado en las intersecciones entre los conjuntos de líneas rectas y paralelas, en el que la mayoría de las intersecciones coincide con el centro de un módulo candidato. Este módulo candidato se almacena en una matriz de candidatos. Además, hay intersecciones que no coinciden con la detección de ningún módulo candidato, estas son detecciones negativas de módulos. Se construye un módulo artificial con una orientación y tamaño similar a sus vecinos localizados en el centro de la intersección. La matriz candidata resultante puede contener todos los módulos del seguidor en cuestión, una parte de ellos, o incluso un número mayor de filas y columnas debido a la existencia de falsos positivos externos tales como otros seguidores u otros objetos alineados correctamente.
CÁLCULO DE LA MATRIZ HOMOGRÁFICA 406
El análisis homográfico detecta la pose (es decir, perspectiva y orientación) de un seguidor objeto dentro de una imagen. Es decir, el análisis homográfico o cálculo matricial tiene en cuenta la orientación y corrección de keystone para ajustar un seguidor o matriz de módulos a un patrón de rejilla idealizado de tamaño y dimensiones conocidas. El patrón de rejilla idealizado se determina a partir de los datos de ingeniería (base de datos de identificación 102) para la instalación FV.
El procesamiento de cada imagen incluye adicionalmente identificar las esquinas de cada uno de los trapezoides almacenados correspondiente a cada uno de la pluralidad identificada de módulos candidatos. El procesador 106 determina la matriz homográfica para hacer coincidir las esquinas identificadas de cada trapezoide almacenado con una rejilla ideal de proporciones predeterminadas correspondiente a los módulos representados en la imagen. El procesador 106 traduce las esquinas identificadas de cada uno de los trapezoides almacenados a la rejilla ideal por medio de la matriz homográfica. El procesador 106 aplica entonces un algoritmo de compensación a las esquinas identificadas trasladadas y a la rejilla ideal para determinar la posición de la rejilla ideal con respecto a las esquinas identificadas trasladadas. El procesador 106 traslada entonces la rejilla ideal en la posición determinada de la rejilla ideal a la imagen a través de una inversa de la matriz homográfica. En una realización, el algoritmo de compensación es uno de entre un algoritmo de consenso de muestra aleatoria (RANSAC) y un algoritmo de mínimos cuadrados. La intención de esta etapa es obtener una definición más precisa de los módulos, que tenga cuenta los efectos de perspectiva (es decir, el efecto keystone) para deducir con precisión la posición del seguidor sobre la imagen termográfica original. Esto también permite al sistema obtener una imagen ortogonal del seguidor en un plano rectangular ideal de la imagen termográfica original. Esta etapa se basa en la premisa de que todos los módulos son iguales en tamaño y forma real de modo que forman una matriz ideal de filas y columnas. Por ello, el único factor que afecta a la forma de los módulos detectados en la imagen termográfica original es la perspectiva (es decir, keystone). Esta suposición se usa para hallar la fórmula que correlaciona la vista o perspectiva de la imagen original con la vista ortogonal ideal. Comenzando con una matriz de módulos candidatos, cada módulo candidato es una versión aproximada de un módulo real. El módulo candidato contiene errores (aunque no excesivamente altos): en orientación, área superficial y forma. La forma de los módulos en la imagen original es trapezoidal debido a la perspectiva de la cámara, sin embargo, los módulos candidatos fotografiados en ese momento son rectangulares. Con la intención de obtener la forma trapezoidal de los módulos con mayor precisión, se toma un promedio de las esquinas de los rectángulos con las esquinas más próximas a los módulos contiguos más cercanos a esa esquina. En otras palabras, para cada matriz 2x2 de rectángulos, se obtiene la esquina compartida por estos cuatro módulos con mayor precisión. Las esquinas de los módulos en la imagen original no se calculan a la perfección, cada una puede tener un error. Sin embargo, los errores de cada esquina pueden compensarse entre sí partiendo de la suposición de que los módulos son iguales y sus diferencias son solo debidas a la perspectiva. Partiendo de la posición inicial conocida de estas esquinas en la vista ortogonal ideal, se lleva a cabo una búsqueda de la matriz homográfica que asocia las esquinas en la imagen original a las esquinas en la imagen ortogonal ideal. Para hacer esto, se usa una variante del algoritmo RANSAC, aunque para acelerar su funcionamiento puede usarse un algoritmo de mínimos cuadrados. Una vez se obtiene la matriz de transformación homográfica, las esquinas de los módulos seguidores se calculan con más precisión. Comenzando a partir de la posición ideal de las esquinas en la imagen ortogonal, se aplica la matriz homográfica inversa de modo que se obtengan las esquinas corregidas en la imagen en perspectiva original. Como resultado, se reducirá el conjunto de la suma de los errores de las esquinas con relación al seguidor ideal. Adicionalmente, se obtiene ahora un conjunto de esquinas que tiene en cuenta que todos los módulos seguidores tienen el mismo tamaño y forma real. La precisión de las esquinas se incrementa y es más consistente.
OPTIMIZACIÓN DE ESQUINAS 408
La optimización de esquinas u optimización de descenso de gradiente optimiza, refina y ajusta los bordes de los módulos de la rejilla para ajustar más precisamente la rejilla idealizada con el seguidor en la imagen que se está procesando.
El procesamiento de cada imagen incluye adicionalmente optimizar la posición de la rejilla ideal trasladada con respecto a la imagen que el procesador de imágenes 106 mueve iterativamente la rejilla ideal trasladada 1 píxel en cada dirección hasta una cantidad de píxeles igual a 2 veces una cantidad de las esquinas identificadas de cada uno de los trapezoides almacenados correspondientes a cada uno de la pluralidad de módulos candidatos identificados; aplica un algoritmo de gradiente a la rejilla traslada para determinar el ajuste; y selecciona la posición de la rejilla ideal trasladada con respecto a la imagen que tiene el encaje más elevado según el algoritmo de gradiente aplicado. En una realización, cada imagen de la pluralidad de imágenes termográficas recibidas incluye atributos de imagen que incluyen latitud, longitud, altitud, cabeceo, alabeo y dirección. En una realización, cada imagen de la pluralidad de imágenes termográficas recibidas incluye adicionalmente atributos de imagen que incluyen fecha, hora y una imagen visual correspondiente en rojo, verde, azul (RGB). La fase de optimización de esquinas mejora la precisión del seguidor y sus módulos. Durante esta fase, se ejecutan
una serie de algoritmos en un nivel de píxel que mejoran la precisión en la forma de la rejilla con respecto a los módulos representados en la imagen original y que corrigen y mejoran la precisión de la matriz homográfica que compara la imagen original con la imagen ortogonal (la imagen de rejilla ideal). Esta fase consiste en diversos algoritmos de optimización basados en dos principios: la optimización directa sobre la imagen en perspectiva y la optimización sobre la imagen ortogonal. En la optimización directa sobre la imagen original, se lleva a cabo un algoritmo de optimización mediante la realización de pequeñas modificaciones en todas las direcciones de las esquinas de los módulos. El área de búsqueda de este algoritmo es n-dimensional en donde n es 2 * (número de esquinas) de la imagen. La función de coste/ajuste para optimizar se define como la suma del valor de intensidad de todas las líneas internas del seguidor. Como resultado, todos los bordes internos de los módulos tienden a moverse hacia los bordes que siempre se representan con un color más oscuro que el del seguidor. Después de cada pequeña modificación, se lleva a cabo una evaluación del coste/calidad de la nueva versión modificada. El algoritmo calcula el gradiente en el área de búsqueda llevando a cabo la modificación más pertinente (que mejora más la calidad de la coincidencia de rejilla a la matriz de seguidores) hasta que alcanza una calidad que no puede mejorarse adicionalmente.
ANÁLISIS DELIBERATIVO 410
La verificación y ajuste o análisis deliberativo utiliza una técnica de aprendizaje por máquina en árbol de decisión ID3. Identifica falsos positivos y verdaderos negativos en la detección de módulos basándose en parámetros estadísticos de las zonas de las imágenes que son candidatas a pertenecer a un módulo.
Con referencia a la figura 6, en una realización, la rejilla identifica módulos candidatos en la base de datos de módulos y el procesamiento de cada imagen incluye adicionalmente determinar una hipótesis de seguidor en función de los atributos de imagen asociados con la imagen y la base de datos que incluye datos de identificación para cada módulo de la instalación FV. La hipótesis de seguidor incluye una cantidad de módulos en filas y columnas de un seguidor representado en la imagen. De modo que el procesamiento incluye adicionalmente aplicar al menos uno de: extensión de fila y columna, eliminación de fila y columna, límites de sombra y límites de distancia, a los módulos candidatos identificados por la rejilla para añadir o eliminar módulos de los módulos candidatos identificados por la rejilla y expandir o reducir la rejilla en función de los módulos candidatos añadidos o eliminados. El procesador asocia datos de identificación de la base de datos con cada módulo identificado por la rejilla reducida o expandida. La fase de análisis deliberativo detecta, usando reglas lógicas, cualquier fallo posible en la detección obtenida por todos los algoritmos previos del método, enfocándose particularmente en tres áreas: detección del resto de seguidores parcialmente detectados; identificación de seguidores con filas o columnas incorrectamente detectadas y su eliminación; y determinación de si un seguidor detectado es un seguidor incompleto. Brevemente, esta fase se enfoca en la verificación y corrección, usando reglas lógicas, de los resultados obtenidos en las fases previas según criterios geométricos y matemáticos. El sistema sigue una arquitectura modular de componentes que puede activarse opcionalmente. Los componentes desarrollados son: extensor de fila y columna, eliminador de fila y columna, detección de límites de distancia entre módulos y detección de límites de sombra. Con finalidades de funcionamiento interno, todos estos componentes hacen uso de una herramienta adicional: el “sistema de identificación de células”. Este sistema actúa como un oráculo de tal manera que puede discernir si una zona del espacio que pertenece a un módulo seguidor, el entorno o un área de borde. Los componentes anteriormente descritos usan el sistema de identificación de célula cuando la información para inferir si el área del espacio es o no un módulo seguidor, es confusa o incompleta.
DETECCIÓN DE DEFECTOS 308
Volviendo a referirnos a la figura 4, en una realización, se determina por el procesador 106 la temperatura promedio de la matriz mediante el promediado de un valor de temperatura de cada píxel de las imágenes termográficas correspondientes a la matriz. En otra realización, el procesador descarta cualquier imagen por encima de 1 por matriz FV e incluye en el valor de la temperatura promedio solamente píxeles que correspondan a paneles de la matriz.
En la detección de marcas calientes 704, se usa una imagen termográfica auxiliar en la que cada píxel toma como su valor una identidad de punto de calor a la que se asigna. Se usa un barrido de temperatura de umbral (desde la temperatura máxima en el módulo a una temperatura mínima de umbral predeterminado) para decidir si se ha de crear un nuevo punto caliente. Si aparece un píxel aislado en el que la temperatura de umbral se supera posteriormente, este se etiqueta como un nuevo punto caliente marcado. El efecto de súper fragmentación de puntos calientes surge de modo regular, dado que incluso algunos píxeles contiguos que parecen tener el mismo nivel de intensidad están sometidos a pequeñas variaciones que forman máximos de intensidad, convirtiéndose así en candidatos a puntos calientes.
Para evitar la superfragmentación, es necesario considerar que los píxeles contiguos que comparten la misma temperatura de umbral pertenecen al mismo punto caliente. Así puede usarse un algoritmo de desbordamiento que comienza con el píxel seleccionado para descubrir de una manera recursiva el conjunto de píxeles contiguos que comparten la misma temperatura. Todos los píxeles desbordados se etiquetan con el mismo identificador de punto caliente. Este mecanismo de desbordamiento por empuje se usa en la creación de un nuevo punto caliente, pero no puede usarse para crear un punto caliente mientras continúe el barrido de temperaturas. Si el mecanismo de desbordamiento por empuje se usa cuando están próximos múltiples puntos calientes, esto puede dar como resultado la mezcla de un punto caliente con otro punto caliente. Este efecto se evita usando el mecanismo de desbordamiento con atracción. El mecanismo de desbordamiento con atracción se usa para etiquetar un nuevo píxel de tal manera que busque el punto caliente más próximo. Este mecanismo actúa cuando el píxel no está etiquetado como un punto caliente y ninguno de sus vecinos son
puntos calientes. De ese modo, el nuevo píxel “busca de modo recursivo” su punto caliente más próximo. El procedimiento es como sigue: el píxel se desborda con los píxeles contiguos que verifican el umbral de temperatura actual hasta alcanzar un punto caliente existente. El primer punto caliente alcanzado es el considerado como la marca para estos píxeles (siguiendo criterios de proximidad). En este caso, todos los píxeles desbordados pertenecen al punto caliente más próximo existente previamente. Si el desbordamiento no alcanza un punto caliente existente (debido a la temperatura del barrido actual), todo el grupo se etiqueta como un nuevo punto caliente, y a continuación se activará el mecanismo de desbordamiento por empuje. El mecanismo de segregación por empuje funciona correctamente en la mayoría de situaciones. Sin embargo, en caso de que la zona no etiquetada sea contigua a más de un punto caliente la situación no se gestiona completamente.
La implementación actual tiene una desviación en la selección de puntos calientes en el área superior izquierda de un módulo. Esto se debe a que el píxel original del algoritmo de atracción se selecciona usando una ejecución simple de filas y columnas de la imagen comenzando en la esquina superior izquierda. En una realización, una mejora para el algoritmo de atracción es identificar la zona no etiquetada (conjunto de píxeles con el mismo nivel de intensidad) comenzando desde su centro de gravedad. De ese modo, se añadiría un punto caliente más próximo previamente existente basándose en su centro de gravedad. Dado que toda la región de píxeles no etiquetados tiene el mismo nivel de intensidad, podría considerarse la segregación de la región en varias subregiones, en la que cada una se anexaría al punto caliente más próximo.
Después de realizar el barrido completo de temperaturas, se ha determinado un conjunto de puntos calientes. Cada punto caliente forma un gradiente descendente, desde su marca con el máximo valor, en el interior del punto caliente, a sus bordes más exteriores con el valor mínimo del punto caliente. Los puntos calientes se filtran a continuación por tamaño y forma en donde solo se aceptan puntos calientes que tienen un área cuadrada con un lado más grande que el umbral dado como un parámetro. Hay puntos calientes que, a pesar de no satisfacer los criterios de forma y tamaño, son vecinos (comparten bordes) con otros puntos calientes. Para el ojo humano, el efecto resultante es el de un punto caliente grande que ignora algunas áreas con altas temperaturas en sus bordes más exteriores. En un nivel teórico esto es correcto dado que es un punto caliente de un tamaño pequeño que ha sido descartado. En una realización, cuando un punto caliente pequeño (que no satisface las restricciones de tamaño) comparte un borde con otro punto caliente más grande, el punto caliente más grande se mezcla con el punto caliente más pequeño. De esta forma, la marca caliente resultante tiene más de un punto caliente. En el caso en el que el punto caliente tenga esté contiguo a más de un punto caliente, entonces el punto caliente de tamaño más pequeño se divide de modo que sus píxeles pertenezcan al punto caliente más cercano de tamaño suficiente, según el algoritmo de desbordamiento con atracción. Esto evita la división en las áreas de mayor intensidad del punto caliente descartado.
La matriz incluye una pluralidad de filas de módulos, teniendo cada fila de la matriz una altura vertical diferente que las otras filas de la matriz. La temperatura promedio de la matriz se determina, por medio del procesador 106, promediando un valor de temperatura de cada píxel en las imágenes termográficas correspondientes a una fila de módulos dada en la matriz. Determinar una condición de fallo incluye comparar la temperatura de cada célula en la matriz con la temperatura promedio de la fila a la que corresponde la célula.
La matriz incluye una pluralidad de módulos. La temperatura promedio de la matriz se determina por medio del procesador 106 promediando un valor de temperatura de cada píxel en las imágenes termográficas correspondientes a un módulo seleccionado en la matriz. El procesador determina entonces una condición de fallo mediante la comparación de la temperatura de cada píxel en la imagen correspondiente al módulo con la temperatura promedio del módulo. El procesador 106 determina una marca caliente en el módulo seleccionado cuando un píxel supera la temperatura promedio del módulo en el umbral de temperatura mínima predeterminado. En una realización, cuando el procesador 106 determina una marca caliente, los píxeles adyacentes determinados como una marca caliente se agrupan juntos en una única marca caliente. El procesador 106 descarta la marca caliente única cuando un tamaño de la marca caliente única no supera un umbral de tamaño mínimo predeterminado.
El algoritmo detector de banda 706 es una estrategia complementaria para detectar defectos que se usa opcionalmente en paralelo con el sistema Detector Puntos Calientes en Marcas 704. El algoritmo evalúa inicialmente la temperatura media de cada columna individualmente para cada módulo. Para hacer esto, usa la imagen termográfica ortogonal. Durante esta reevaluación de las columnas, un porcentaje de los píxeles en la parte superior e inferior de la columna es ignorado debido a los píxeles oscuros que aparecen típicamente en los bordes superior e inferior de cada columna. En una realización, este valor por omisión es del 5 %. Las columnas que superan la temperatura mínima son destacadas. Este parámetro de umbral de temperatura es el mismo que el usado por el algoritmo “Detector de Puntos Calientes en Marcas”. De ese modo, el detector de banda 706 busca un número de columnas consecutivas marcadas como defectuosas para alcanzar un defecto de una banda que supere un ancho predeterminado del módulo. En una realización, este ancho es con relación al ancho total del módulo. En una realización, el valor por omisión de este parámetro de ancho es del 18 %.
El procesamiento de la imagen incluye trasladar los píxeles de la imagen del módulo por medio de una matriz homográfica a una rejilla ideal. En esta realización, determinar una condición de fallo incluye determinar una columna defectuosa cuando los píxeles trasladados correspondientes a cada módulo en cada columna de la rejilla ideal exceden la temperatura promedio en el umbral predeterminado. La parte superior e inferior de los píxeles de cada columna de la rejilla ideal se ignoran debido a que son típicamente oscuros. Se determina una banda defectuosa cuando una cantidad de columnas
defectuosas determinadas adyacentes supera un umbral predeterminado con el del módulo. En una realización, la parte de los píxeles de cada columna que se ignora es del 5 % y el umbral predeterminado con el módulo es del 18 %.
Los expertos en la materia entenderán que la navegación entre vistas de interfaz de usuario se lleva a cabo seleccionando una pestaña u objeto en una vista de interfaz de usuario actual correspondiente a otra vista de interfaz de usuario, y en respuesta a la selección de la pestaña u objeto, la interfaz de usuario se actualiza con dicha otra vista de interfaz de usuario correspondiente a la pestaña u objeto seleccionado.
Los expertos en la materia entenderán que proporcionar datos al sistema o a la interfaz de usuario puede llevarse a cabo mediante clics (por medio de un ratón o alfombrilla táctil) sobre un objeto o área particular de un objeto visualizado por la interfaz de usuario, o mediante el toque del objeto visualizado en el caso de una implementación de pantalla táctil.
Los expertos en la materia entenderán que la información y señales pueden representarse usando cualquiera de una variedad de diferentes tecnologías y técnicas (por ejemplo, datos, instrucciones, órdenes, información, señales, bits, símbolos y chips pueden representarse por tensiones, corrientes, ondas electromagnéticas, campos o partículas magnéticas, campos o partículas ópticas o cualquier combinación de los mismos). De la misma manera, los diversos bloques lógicos ilustrativos, módulos, circuitos y etapas de algoritmo descritas en el presente documento pueden implementarse como hardware electrónico, software informático o combinaciones de ambos, dependiendo de la aplicación y funcionalidad. Más aún, los diversos bloques lógicos, módulos y circuitos descritos en el presente documento pueden implementarse o realizarse con un procesador de finalidad general (por ejemplo, microprocesador, procesador convencional, controlador, microcontrolador, máquina de estado o combinación de dispositivos informáticos), un procesador de señal digital (“DSP”), un circuito integrado de aplicación específica (“ASIC”), una matriz de puertas programables en campo (“FPGA”) u otro dispositivo lógico programable, puertas discretas o lógica de transistores, componentes de hardware discretos o cualquier combinación de los mismos diseñada para realizar las funciones descritas en el presente documento. De modo similar, las etapas de un método o proceso descrito en el presente documento pueden realizarse directamente en hardware, en un módulo de software ejecutado por un procesador, o en una combinación de los dos. Un módulo de software puede residir en una memoria rAm , memoria flash, memoria ROM, memoria EPROM, memoria EEPROM, grabadoras, discos duros, un disco extraíble, un CD-ROM o cualquier otra forma de medio de almacenamiento conocida en la técnica. Aunque se han descrito en detalle realizaciones de la presente invención, se entenderá por los expertos en la materia que pueden realizarse diversas modificaciones en ellas sin apartarse del espíritu y alcance de la invención tal y como se expone en las reivindicaciones adjuntas.
Un controlador, procesador, dispositivo informático, dispositivo informático cliente u ordenador, tal y como se describe en el presente documento, incluye al menos uno o más procesadores o unidades de procesamiento y una memoria del sistema. El controlador puede incluir también al menos alguna forma de medios legibles por ordenador. A modo de ejemplo y no de limitación, los medios legibles por ordenador pueden incluir medios de almacenamiento informáticos y medios de comunicación. Los medios de almacenamiento legibles por ordenador pueden incluir medios volátiles y no volátiles, extraíbles y no extraíbles implementados en cualquier método o tecnología que permita el almacenamiento de información, tal como instrucciones, estructuras de datos, módulos de programa u otros datos legibles por ordenador. Los medios de comunicación pueden englobar instrucciones, estructuras de datos, módulos de programa u otros datos legibles por ordenador en una señal de datos modulada tal como en una onda portadora u otro mecanismo de transporte e incluir cualquier medio de suministro de información. Los expertos en la materia deben estar familiarizados con la señal de datos modulada, que tiene una o más de sus características ajustadas o cambiadas de tal manera que codifiquen información en la señal. Las combinaciones de cualquiera de lo anterior también se incluyen dentro del alcance de los medios legibles por ordenador. Tal como se usa en el presente documento, no se pretende que servidor haga referencia a un único ordenador o dispositivo informático. En la implementación, un servidor incluirá generalmente un servidor de límite, una pluralidad de servidores de datos, una base de datos de almacenamiento (por ejemplo, una matriz RAID de gran escala) y varios componentes de red. Se contempla que estos dispositivos o funciones puedan implementarse también en máquinas virtuales y dispersarse a través de múltiples dispositivos informáticos físicos.
Esta descripción escrita usa ejemplos para divulgar la invención y también para permitir a cualquier experto en la materia poner en práctica la invención, incluyendo la realización y uso de cualquier dispositivo o sistema y la realización de cualquier método incorporado. El alcance patentable de la invención se define por las reivindicaciones y puede incluir otros ejemplos que se les ocurran a los expertos en la materia. Se pretende que tales otros ejemplos estén dentro del alcance de las reivindicaciones si tienen elementos estructurales que no difieren del lenguaje literal de las reivindicaciones o si incluyen elementos estructurales equivalentes con diferencias insustanciales respecto a los lenguajes literales de las reivindicaciones.
Claims (19)
1. Método (300) de inspección de una instalación fotovoltaica (FV) de un complejo para la generación de electricidad, comprendiendo dicho método:
- recibir imágenes termográficas de la instalación FV en un procesador (106), comprendiendo dicha instalación FV al menos una matriz (208) formada por una pluralidad de módulos FV, en la que cada módulo (204) comprende una pluralidad de células FV (202);
- recibir, en el procesador (106), una base de datos (102) que tiene datos de identificación para cada módulo (204) de la instalación FV;
- identificar, por medio del procesador (106), cada módulo FV (204) en las imágenes termográficas adquiridas de la instalación FV, en el que la identificación de cada módulo FV (204) comprende:
- procesar cada imagen, en el que el procesamiento de cada imagen comprende:
- ejecutar, por medio del procesador (106), al menos un algoritmo de adaptación (402) sobre la imagen, en el que dicha ejecución del al menos un algoritmo de adaptación (402) sobre la imagen comprende:
- ejecutar el algoritmo de adaptación (402) con cada uno de una pluralidad de parámetros del algoritmo de adaptación para generar un conjunto de imágenes adaptadas correspondientes a la imagen; y
- convertir cada imagen adaptada en una imagen binaria para producir un conjunto de imágenes binarias.
- ejecutar un algoritmo de detección de bordes sobre cada imagen binaria del conjunto de imágenes binarias para generar un conjunto de bordes asociados con cada uno de la pluralidad de parámetros del algoritmo de adaptación.
- filtrar formas no trapezoidales a partir de la imagen binaria convertida.
- calcular, por medio del procesador (106), una temperatura promedio de la al menos una matriz (208); y
- determinar, por medio del procesador (106) una condición de defecto de al menos una célula (202) en función de una diferencia entre una temperatura de la al menos una célula (202) y la temperatura promedio de la matriz (208).
2. Método (300) según la reivindicación 1, en el que identificar cada módulo FV (204) comprende adicionalmente:
- procesar cada imagen, en el que el procesamiento de cada imagen comprende adicionalmente:
- identificar trapezoides dentro de los conjuntos de bordes generados a partir de todas las imágenes binarias del conjunto de imágenes binarias;
- identificar al menos una agrupación de trapezoides en los trapezoides identificados;
- filtrar los trapezoides en cada agrupación identificada en función del área superficial, orientación y relación de aspecto de cada trapezoide para eliminar trapezoides duplicados y trapezoides que excedan un umbral de variación predeterminado para cualquiera de entre área superficial, orientación y relación de aspecto promedios de la agrupación para generar una agrupación candidata a seguidor.
3. Método (300) según la reivindicación 2, en el que identificar cada módulo FV (204) comprende adicionalmente:
- procesar cada imagen, en el que el procesamiento de cada imagen comprende adicionalmente:
- determinar si cada agrupación candidata a seguidor está completa mediante la identificación de cualquier trapezoide dentro de cualquiera de las imágenes binarias del conjunto de imágenes binarias que tenga trapezoides dentro del umbral de variación predeterminado para todos de entre promedios de área superficial, orientación y relación de aspecto de la agrupación candidata a seguidor; y
- añadir cualquier trapezoide identificado a la agrupación candidata a seguidor.
4. Método (300) según la reivindicación 3, en el que identificar cada módulo FV (204) comprende adicionalmente:
- procesar cada imagen, en el que identificar la al menos una agrupación de trapezoides en los trapezoides identificados incluye identificar una pluralidad de agrupaciones de trapezoides y filtrar los trapezoides en cada agrupación identificada da como resultado la generación de una pluralidad de agrupaciones candidatas a seguidor, y en el que el procesamiento de cada imagen comprende adicionalmente:
- generar un conjunto de líneas generalmente horizontales mediante la conexión del centro de cada trapezoide en cada agrupación a cada trapezoide horizontalmente adyacente en la agrupación, en el que cada línea generalmente horizontal es más horizontal que vertical con respecto a la imagen;
- generar un conjunto de líneas generalmente verticales mediante la conexión del centro de cada trapezoide en cada agrupación a cada trapezoide verticalmente adyacente en la agrupación en el que cada línea generalmente vertical es más vertical que horizontal con respecto a la imagen;
- eliminar cada agrupación que corresponde a líneas generalmente horizontales o líneas generalmente verticales que no coinciden con una pluralidad de las líneas generalmente horizontales y líneas generalmente verticales generadas para que la imagen identifique una pluralidad de módulos candidatos, correspondiendo cada uno a una intersección de las líneas generalmente horizontales y líneas generalmente verticales restantes; y
- almacenar el trapezoide correspondiente a cada uno de la pluralidad de módulos candidatos identificados.
5. Método (300) según la reivindicación 4, en el que identificar cada módulo FV (204) comprende adicionalmente:
- procesar cada imagen, en el que el procesamiento de cada imagen comprende adicionalmente:
- identificar las esquinas de cada uno de los trapezoides almacenados correspondientes a cada uno de la pluralidad de módulos candidatos identificados;
- determinar una matriz homográfica para hacer coincidir las esquinas identificadas de cada uno de los trapezoides almacenados con una rejilla ideal de proporciones predeterminadas correspondiente a los módulos representados en la imagen;
- trasladar, por medio de la matriz homográfica, las esquinas identificadas de cada uno de los trapezoides almacenados a la rejilla ideal;
- aplicar un algoritmo de compensación a las esquinas identificadas trasladadas y a la rejilla ideal para determinar una posición de la rejilla ideal con respecto a las esquinas identificadas trasladadas; y
- trasladar, por medio de una inversa de la matriz homográfica la rejilla ideal en la posición determinada de la rejilla ideal a la imagen.
6. Método (300) según la reivindicación 5 en el que el algoritmo de compensación es uno de un algoritmo de consenso de muestra aleatoria (RANSAC) y un algoritmo de mínimos cuadrados.
7. Método (300) según la reivindicación 5, en el que identificar cada módulo FV (204) comprende adicionalmente:
- procesar cada imagen, en el que el procesamiento de cada imagen comprende adicionalmente:
- optimizar la posición de la rejilla ideal trasladada con respecto a la imagen de forma iterativa.
- mover la rejilla ideal trasladada un píxel en cada dirección hasta una cantidad de píxeles igual a dos veces una cantidad de las esquinas identificadas de cada uno de los trapezoides almacenados correspondientes a cada uno de la pluralidad de módulos candidatos identificados; y
- aplicar un algoritmo de gradiente a la rejilla movida para determinar el ajuste; y
- seleccionar la posición de la rejilla ideal trasladada con respecto a la imagen que tiene el ajuste más alto según el algoritmo de gradiente aplicado.
8. Método (300) según la reivindicación 7, en el que cada imagen de la pluralidad de imágenes termográficas recibidas comprende atributos de imagen que comprenden: latitud, longitud, altitud, cabeceo, alabeo y dirección.
9. Método (300) según la reivindicación 7, en el que cada imagen de la pluralidad de imágenes termográficas recibidas comprende atributos de imagen que comprenden: una fecha y hora, una imagen en rojo, verde, azul (RGB) correspondiente, latitud, longitud, altitud, cabeceo, alabeo y dirección.
10. Método (300) según la reivindicación 8, en el que identificar cada módulo FV (204) comprende adicionalmente: - procesar cada imagen, en el que la rejilla identifica módulos candidatos en la base de datos de módulos, y en el que el procesamiento de cada imagen comprende adicionalmente:
- determinar una hipótesis de seguidor en función de los atributos de imagen asociados con la imagen y de la base de datos que comprende datos de identificación para cada módulo de la instalación FV, en el que dicha hipótesis de seguidor comprende una cantidad de módulos en filas y columnas de un seguidor en la imagen;
- aplicar al menos uno de: extensión de fila y columna, eliminación de fila y columna, límites de sombra y límites de distancia, a los módulos candidatos identificados por la rejilla para añadir o eliminar módulos de los módulos candidatos identificados por la rejilla y expandir o reducir la rejilla en función de los módulos candidatos añadidos o eliminados; y
- asociar datos de identificación desde la base de datos (102) con cada módulo (204) identificado por la rejilla reducida o expandida.
11. Método (300) según la reivindicación 1, en el que la temperatura promedio de la matriz se determina, por medio del procesador, mediante el promediado de un valor de temperatura de cada píxel de las imágenes termográficas correspondientes a la matriz (208).
12. Método (300) según la reivindicación 11, en el que:
- el procesador (106) descarta cualquier imagen por encima de una por panel; e
- incluye en el valor de la temperatura promedio solamente píxeles que corresponden a paneles de la matriz (208).
13. Método (300) según la reivindicación 1, en el que:
- la matriz (208) comprende una pluralidad de filas de módulos (204), teniendo cada fila de la matriz (208) una altura vertical diferente de las otras filas de la matriz (208);
- la temperatura promedio de la matriz (208) se determina, por medio del procesador (106), mediante el promediado de un valor de temperatura de cada píxel en las imágenes termográficas correspondientes a una fila dada de módulos (204) en la matriz (208); y
- determinar una condición de defecto comprende comparar la temperatura de cada célula (202) en la matriz (208) con la temperatura promedio de la fila a la que corresponde la célula (202).
14. Método (300) según la reivindicación 1, en el que:
- la matriz comprende una pluralidad de módulos (204);
- la temperatura promedio de la matriz (208) se determina, por medio del procesador (106), mediante el promediado de un valor de temperatura de cada píxel en las imágenes termográficas correspondientes a un módulo seleccionado (204) en la matriz (208); y
- determinar una condición de defecto comprende comparar la temperatura de cada píxel en la imagen correspondiente al módulo (204) con la temperatura promedio; y
- determinar una marca caliente en el módulo seleccionado (204) cuando un píxel excede la temperatura promedio del módulo (204) en un umbral de temperatura mínimo predeterminado.
15. Método (300) según la reivindicación 14, en el que:
- píxeles adyacentes determinados como una marca caliente se agrupan juntos en una única marca caliente; y - descartar la marca caliente única cuando un tamaño de la marca caliente única no supera un umbral de tamaño mínimo predeterminado.
16. Método (300) según la reivindicación 14, en el que:
- procesar la imagen comprende trasladar los píxeles de la imagen del módulo (204) por medio de una matriz homográfica a una rejilla ideal; y
- determinar una condición de defecto comprende:
- determinar una columna defectuosa cuando los píxeles trasladados correspondientes a cada módulo (204) en cada columna de la rejilla ideal exceden la temperatura promedio en un umbral predeterminado, en el que una parte superior e inferior de los píxeles en cada columna de la rejilla ideal se ignoran; y
- determinar una banda defectuosa cuando una cantidad de columnas defectuosas determinadas excede un ancho de umbral predeterminado del módulo (204).
17. Método (300) según la reivindicación 16, en el que:
la parte de los píxeles en cada columna es del 5 % y el ancho de umbral predeterminado del módulo es del 18 %.
18. Sistema (100) para inspeccionar automáticamente instalaciones fotovoltaicas de un complejo para la generación de electricidad implementando el método según la reivindicación 1 que comprende:
- un procesador (106) para recibir imágenes termográficas de la instalación fotovoltaica, comprendiendo dicha instalación fotovoltaica al menos una matriz (208) formada por una pluralidad de módulos fotovoltaicos (204), en el que cada módulo (204) comprende una pluralidad de células fotovoltaicas (202);
- una base de datos (102) que comprende datos de identificación para cada módulo (204) de la instalación fotovoltaica; en el que el procesador (106) comprende:
- medios para identificar cada módulo fotovoltaico (204) en las imágenes termográficas adquiridas de la instalación fotovoltaica;
medios para calcular una temperatura promedio de la al menos una matriz (208); y
- medios para determinar una condición de defecto de al menos una célula (202) en función de una diferencia entre una temperatura de la al menos una célula (202) y la temperatura promedio de la matriz (208).
19. Sistema (100) según la reivindicación 18, en el que los medios para identificar cada módulo fotovoltaico comprenden adicionalmente:
- medios para procesar cada imagen, que comprenden adicionalmente:
- medios para ejecutar, por medio del procesador (106), al menos un algoritmo de adaptación sobre la imagen, que comprenden adicionalmente:
- medios para ejecutar el algoritmo de adaptación con cada uno de una pluralidad de parámetros del algoritmo de adaptación para generar un conjunto de imágenes adaptadas correspondientes a la imagen; y
- medios para convertir cada imagen adaptada a una imagen binaria para producir un conjunto de imágenes binarias.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/ES2017/070815 WO2019115843A1 (es) | 2017-12-14 | 2017-12-14 | Sistema y método automatizados de inspección de una planta fotovoltaica |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2882172T3 true ES2882172T3 (es) | 2021-12-01 |
Family
ID=61244630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES17842384T Active ES2882172T3 (es) | 2017-12-14 | 2017-12-14 | Sistema y método automatizados de inspección de una planta fotovoltaica |
Country Status (7)
Country | Link |
---|---|
US (1) | US11451192B2 (es) |
EP (1) | EP3726729B1 (es) |
ES (1) | ES2882172T3 (es) |
HR (1) | HRP20211235T1 (es) |
MX (1) | MX2020006302A (es) |
PT (1) | PT3726729T (es) |
WO (1) | WO2019115843A1 (es) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190361466A1 (en) * | 2018-05-23 | 2019-11-28 | Raptor Maps, Inc. | Real-time system and method for asset management using unmanned aerial systems and edge computing |
EP4248539A1 (en) | 2020-11-19 | 2023-09-27 | Enphase Energy, Inc. | Methods and apparatus for servicing distributed energy generation systems using an unmanned aerial vehicle |
AU2021429051A1 (en) * | 2021-02-23 | 2023-09-07 | Huawei Digital Power Technologies Co., Ltd. | Photovoltaic cell testing method and apparatus, and system, medium, and chip |
CN114972150B (zh) * | 2021-02-24 | 2023-12-05 | 正泰集团研发中心(上海)有限公司 | 光伏组件尺寸缺陷检测方法 |
WO2022246580A1 (es) * | 2021-05-24 | 2022-12-01 | Universidad Técnica Federico Santa María | Método y sistema para la medición de la pérdida de potencia de módulos solares fotovoltaicos |
CN113286129B (zh) * | 2021-07-23 | 2021-10-22 | 北京图知天下科技有限责任公司 | 一种光伏电站的巡检方法及系统 |
CN113485432A (zh) * | 2021-07-26 | 2021-10-08 | 西安热工研究院有限公司 | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 |
CN113344002B (zh) * | 2021-07-29 | 2022-02-01 | 北京图知天下科技有限责任公司 | 一种目标坐标去重方法、系统、电子设备及可读存储介质 |
CN113421260A (zh) * | 2021-08-23 | 2021-09-21 | 旻投电力发展有限公司 | 一种基于红外图像诊断光伏组件缺陷的检测方法 |
CN113793322A (zh) * | 2021-09-16 | 2021-12-14 | 上海安稷软件科技有限公司 | 一种对磁性材料自动检测的方法、电子设备和存储介质 |
US12125262B2 (en) | 2022-03-08 | 2024-10-22 | Inventus Holdings, Llc | Unmanned aerial vehicle based system to track solar panel system construction and commissioning |
CN115169730A (zh) * | 2022-07-29 | 2022-10-11 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、系统及存储介质 |
CN115825088B (zh) * | 2022-12-26 | 2023-10-13 | 众芯汉创(北京)科技有限公司 | 一种基于无人机双光变电站故障检测方法 |
US20240258968A1 (en) * | 2023-01-31 | 2024-08-01 | Nextracker Llc | Tracker health |
CN118264190B (zh) * | 2024-05-29 | 2024-07-30 | 江苏贝壳能源系统集成有限公司 | 光伏电站光伏板的清洁系统和方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321687B2 (en) * | 2002-03-07 | 2008-01-22 | Canon Kabushiki Kaisha | Apparatus and method for image processing to label an object in a binary image |
US8090216B2 (en) * | 2008-04-16 | 2012-01-03 | Aptina Imaging Corporation | Image noise level estimation from JPEG data |
TW201144831A (en) * | 2010-06-04 | 2011-12-16 | Internat Test & Amp Engineering Services Co Ltd | Solar panel EL inspection system and EL inspection method |
US20120310427A1 (en) * | 2011-05-31 | 2012-12-06 | Williams B Jeffery | Automatic Monitoring and Adjustment of a Solar Panel Array |
US20130279758A1 (en) * | 2012-04-23 | 2013-10-24 | Xerox Corporation | Method and system for robust tilt adjustment and cropping of license plate images |
WO2014033707A1 (en) * | 2012-08-28 | 2014-03-06 | Ofer Sadka | A system and methods for determination of potential solar installable surface area |
ES2482891B1 (es) * | 2013-02-01 | 2015-08-05 | Barlovento Recursos Naturales, S.L. | Sistema y procedimiento de detección de paneles defectuosos en instalaciones fotovoltaicas mediante termografía |
EP3136090A4 (en) * | 2014-04-22 | 2018-03-21 | Skyrobot Inc. | Solar power panel failure detection and searching system |
WO2016095985A1 (en) * | 2014-12-17 | 2016-06-23 | Abb Technology Ltd | Inspecting a solar panel using an unmanned aerial vehicle |
WO2017172611A1 (en) * | 2016-03-28 | 2017-10-05 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
TWI727785B (zh) * | 2020-05-06 | 2021-05-11 | 有成精密股份有限公司 | 太陽能模組檢測系統 |
-
2017
- 2017-12-14 EP EP17842384.4A patent/EP3726729B1/en active Active
- 2017-12-14 ES ES17842384T patent/ES2882172T3/es active Active
- 2017-12-14 WO PCT/ES2017/070815 patent/WO2019115843A1/es active Search and Examination
- 2017-12-14 MX MX2020006302A patent/MX2020006302A/es unknown
- 2017-12-14 HR HRP20211235TT patent/HRP20211235T1/hr unknown
- 2017-12-14 US US16/772,930 patent/US11451192B2/en active Active
- 2017-12-14 PT PT178423844T patent/PT3726729T/pt unknown
Also Published As
Publication number | Publication date |
---|---|
MX2020006302A (es) | 2021-01-20 |
EP3726729B1 (en) | 2021-05-12 |
US20210167726A1 (en) | 2021-06-03 |
EP3726729A1 (en) | 2020-10-21 |
US11451192B2 (en) | 2022-09-20 |
WO2019115843A1 (es) | 2019-06-20 |
HRP20211235T1 (hr) | 2022-02-18 |
PT3726729T (pt) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2882172T3 (es) | Sistema y método automatizados de inspección de una planta fotovoltaica | |
Bommes et al. | Computer vision tool for detection, mapping, and fault classification of photovoltaics modules in aerial IR videos | |
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 | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CA2994508C (en) | Vegetation management for power line corridor monitoring using computer vision | |
CN107735794B (zh) | 使用图像处理的状况检测 | |
de Oliveira et al. | Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography | |
Patel et al. | Defect detection in PV arrays using image processing | |
Guerriero et al. | Automatic edge identification for accurate analysis of thermographic images of solar panels | |
Francesco et al. | A semi-automated method for defect identification in large photovoltaic power plants using unmanned aerial vehicles | |
Wu et al. | Aerial image recognition and matching for inspection of large-scale photovoltaic farms | |
Imenes et al. | A deep learning approach for automated fault detection on solar modules using image composites | |
Bommes et al. | Georeferencing of photovoltaic modules from aerial infrared videos using structure‐from‐motion | |
Zhong et al. | Combining photogrammetric Computer vision and semantic segmentation for fine-grained understanding of coral reef growth under climate change | |
Xiao et al. | Individual tree detection and crown delineation with 3D information from multi-view satellite images | |
Ying et al. | Anchor points based accurate fault locating in large-scale photovoltaic plants via aerial infrared videos | |
Kong et al. | Infrared vision based automatic navigation and inspection strategy for photovoltaic power plant using UAVs | |
Ji et al. | Discriminating saltcedar (Tamarix ramosissima) from sparsely distributed cottonwood (Populus euphratica) using a summer season satellite image | |
Cardoso et al. | Automated detection and tracking of photovoltaic modules from 3D remote sensing data | |
Wang et al. | A greyscale voxel model for airborne lidar data applied to building detection | |
Zhao | Photovoltaic (PV) Solar Panel Identification and Fault Detection Using Unmanned Aerial Vehicles (UAVs): A Case Study of a 0.5 MW PV System | |
de Oliveira et al. | Automatic Inspection of Photovoltaic Power Plants Using Aerial Infrared Thermography: A Review. Energies 2022, 15, 2055 | |
Xu et al. | An improved YOLOX autonomous UAV-based system for monitoring photovoltaic panel failures | |
Yang et al. | A new framework for GEOBIA: accurate individual plant extraction and detection using high-resolution RGB data from UAVs | |
Chang et al. | A Transmission Line Defect Detection Method Based on YOLOv7 and Multi‐UAV Collaboration Platform |