TWI810863B - 一種發電設備異常檢查系統、方法及其電腦可讀媒介 - Google Patents
一種發電設備異常檢查系統、方法及其電腦可讀媒介 Download PDFInfo
- Publication number
- TWI810863B TWI810863B TW111111158A TW111111158A TWI810863B TW I810863 B TWI810863 B TW I810863B TW 111111158 A TW111111158 A TW 111111158A TW 111111158 A TW111111158 A TW 111111158A TW I810863 B TWI810863 B TW I810863B
- Authority
- TW
- Taiwan
- Prior art keywords
- power generation
- abnormal
- generation equipment
- equipment
- analysis
- Prior art date
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 399
- 238000010248 power generation Methods 0.000 title claims abstract description 366
- 238000007689 inspection Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 103
- 238000011161 development Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims description 221
- 238000001514 detection method Methods 0.000 claims description 84
- 230000008859 change Effects 0.000 claims description 35
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Control Of Eletrric Generators (AREA)
- Radiation Pyrometers (AREA)
Abstract
本發明係提供一種發電設備異常檢查系統、方法及其電腦可讀媒介，係包括拍攝裝置及設備異常檢查裝置，其中，設備異常檢查裝置偵測與分析拍攝裝置所拍攝之可見光照片及熱顯影照片，以利用標記於可見光照片及熱顯影照片上的異常特徵框進行比較，進而判斷發電設備是否異常。是以，本發明透過可見光照片及熱顯影照片，綜合考量造成發電裝置的異常的可能性，且準確地提供發電設備評估意見，以有效提升發電設備的巡檢效率及快速發現發電設備異常情形。
Description
本發明係關於一種設備異常檢查技術，尤其指一種發電設備異常檢查系統、方法及其電腦可讀媒介。
隨著太陽能發電設備已廣泛建置，為了維持太陽能發電設備的發電效益，日常定期的巡檢與維護保養，以延長設備使用壽命與維持發電量收益，是必須進行的工作項目。然而，為了獲得最大發電量，業主通常會在有限的土地、水面或建物上鋪設最大規模的太陽能發電面板，故傳統人力巡檢時，會面臨其危險性與巡檢效率低等問題。
雖現有技術已提出利用兩個不同巡檢時間點所拍攝的照片進行比對，當照片比對不相符時，再進行此兩個時間點的發電量比對，但此方法須先建立第一次的照片作為比對基礎，不適用於首次巡檢，且僅比對該拍攝兩個時間點的發電量，較不準確且容易因天候因素而產生誤判。
此外，也有利用太陽能電池啟動與短路時所獲得的電池電性資料，以多個電池之電性平均資料分別計算其電池電性資料差值後，再與資料伺服器之一電池參考值進行比對，來判斷電池效能健康度之方法。但此方式較不易察覺發電設備的實際外表狀況，當太陽能面板因長期鳥糞髒污異物附著等產生持續性的熱斑現象，而加快劣化程度，導致發現電池效能不佳時往往已是該設備無法復原的損失。
因此，如何提供一種發電設備異常檢查技術，能有效提升發電設備的巡檢效率及快速發現發電設備異常情形，遂成為業界亟待解決的課題。
為解決前述習知的技術問題或提供相關之功效，本發明提供一種發電設備異常檢查系統，係包括：拍攝裝置，係拍攝一發電場域中之一發電設備，以得到該發電設備之影像資訊；以及設備異常檢查裝置，係接收來自該拍攝裝置之該發電設備之影像資訊，其中，該設備異常檢查裝置包括：偵測模組，係利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，判斷該發電設備為一異常發電設備，且產生該異常發電設備之異常偵測結果；分析模組，係依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結
果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；及輸出模組，係依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告。
本發明提供一種設備異常檢查裝置，係接收來自一發電設備之影像資訊，其中，該設備異常檢查裝置包括：偵測模組，係利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，判斷該發電設備為一異常發電設備，且產生該異常發電設備之異常偵測結果；分析模組，係依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；及輸出模組，係依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告。
本發明復提供一種發電設備異常檢查方法，係包括：由拍攝裝置拍攝一發電場域中之一發電設備，以得到該發電設備之影像資訊；由設備異常檢查裝置接收來自該拍攝裝置之該發電設備之影像資訊；由該設備異常檢查裝置利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片
中具有至少一異常影像特徵時，判斷該發電設備為一異常發電設備，且產生該異常發電設備之異常偵測結果；由該設備異常檢查裝置依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；以及由該設備異常檢查裝置依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告。
於一實施例中，該設備異常檢查裝置更包括一擷取模組，係接收該發電設備之影像資訊，以依據該影像資訊中之定位資訊比對該發電場域中之該發電設備及其他發電設備之定位資訊而確認該影像資訊係屬於該發電設備。
於一實施例中，於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，該偵測模組標記相對應之異常特徵框於該可見光照片及該熱顯影照片中之異常影像特徵上，以形成標記有該異常特徵框之該可見光照片及該熱顯影照片，俾產生該異常偵測結果。
於一實施例中，該分析模組將該異常偵測結果中之標記有該異常特徵框之該可見光照片及該熱顯影照片進行影像重疊，以得到該異常特徵框之重疊數量、第一異常特徵框重疊率或/及第二異常特徵框重疊率，進而產生該重疊分析結果。
於一實施例中，該分析模組將本次巡檢及前次巡檢之異常偵測結果中之標記有該異常特徵框之該可見光照片及該熱顯影照片分別依據其影像類型進行影像重疊，以計算本次巡檢及前次巡檢之該可見光照片之間的第三異常特徵框重疊率，及計算本次巡檢及前次巡檢之該熱顯影照片之間的第四異常特徵框重疊率，進而產生該異常變化分析結果。
於一實施例中，該分析模組依據該異常發電設備之設備資料取得其鄰近且未偵測到異常狀態的另一正常發電設備，且再分別取得該異常發電設備及該正常發電設備於一週期中之各月平均發電量，以進行平均發電量異常分析，俾產生該發電量分析結果。
於一實施例中，該分析模組將標記有該異常特徵框之該熱顯影照片進行影像調色之溫差程度分析，以判斷該熱顯影照片中之熱斑溫度是否異常，俾產生該溫度分析結果。
本發明又提供一種電腦可讀媒介，應用於具有處理器及/或記憶體的電腦或計算裝置中，該電腦或該計算裝置透過處理器及/或記憶體執行一目標程式及電腦可讀媒介，並用於執行電腦可讀媒介時執行如上所述之使用數位分身之發電設備異常檢查方法。
由上可知，本發明之發電設備異常檢查系統、方法及其電腦可讀媒介，主要藉由設備異常檢查裝置偵測與分析由拍攝裝置所拍攝之可見光照片及熱顯影照片中的異常影像特徵，以判斷發電設備是否產生異常，且利用標記於可見光照片及熱顯影照片上的異常特徵框進行比較，進而判斷發電裝置產生的異常，故相較於現有技術，僅單純用熱顯影照片判斷發電設備是否異常，本發明能綜合考量造成發電裝置的異常的可能性，且準
確地提供發電設備評估意見，以有效提升發電設備的巡檢效率及快速發現發電設備異常情形。
1:發電設備異常檢查系統
10:拍攝裝置
20:設備異常檢查裝置
21:擷取模組
22:偵測模組
23:分析模組
24:儲存模組
25:輸出模組
A,B,C,D:異常特徵框
S41至S49:步驟
圖1係為本發明之發電設備異常檢查系統1之架構示意圖。
圖2A係為本發明之本次巡檢的發電設備之可見光照片。
圖2B係為本發明之本次巡檢的發電設備之熱顯影照片。
圖2C係為本發明之本次巡檢的發電設備之標記有異常特徵框之可見光照片。
圖2D係為本發明之本次巡檢的發電設備之標記有異常特徵框之熱顯影照片。
圖2E係為本發明之前次巡檢的發電設備之標記有異常特徵框之熱顯影照片。
圖2F係為本發明之前次巡檢的發電設備之標記有異常特徵框之可見光照片。
圖2G係為本發明之本次巡檢地點之佐證圖片。
圖3係為本發明之異常通知報告。
圖4係為本發明之發電設備異常檢查方法之流程示意圖。
以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「一」、「第一」、「第二」、「上」及「下」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當視為本發明可實施之範疇。
圖1係為本發明之發電設備異常檢查系統1之架構示意圖，係包括：一拍攝裝置10及一設備異常檢查裝置20，其中，設備異常檢查裝置20包含一擷取模組21、一偵測模組22、一分析模組23、一儲存模組24及一輸出模組25。
具體而言，拍攝裝置10係為可見光相機或紅外線熱顯影相機等，以及設備異常檢查裝置20可建立於伺服器(如通用型伺服器、檔案型伺服器、儲存單元型伺服器等)及電腦等具有適當演算機制之電子設備中，其中，設備異常檢查裝置20中之各個模組均可為軟體、硬體或韌體；若為硬體，則可為具有資料處理與運算能力之處理單元、處理器、電腦或伺服
器；若為軟體或韌體，則可包括處理單元、處理器、電腦或伺服器可執行之指令，且可安裝於同一硬體裝置或分布於不同的複數硬體裝置。
所述之拍攝裝置10，係拍攝一太陽能發電場域中之複數發電設備(如太陽能發電設備)其中一者(以下簡稱發電設備)的影像資訊，其中，影像資訊包含但不限於可見光照片(如圖2A所示)、熱顯影照片(如圖2B所示)、拍攝地點之定位資訊及拍攝時間等，以及發電設備可為太陽能發電面板、接線盒、連接線、邊框、外殼、逆變器(Inverter)或前述元件交互組合所形成之單位。
具體而言，可透過人工手持拍攝裝置10，或是具有拍攝裝置10之空拍機拍攝一太陽能發電面板之可見光照片及熱顯影照片，其中，可見光照片及熱顯影照片所拍攝之範圍相同，而定位資訊可為GPS(Global Positioning System，全球定位系統)資訊。
所述之設備異常檢查裝置20，係通訊連接拍攝裝置10，以接收來自拍攝裝置10之影像資訊。
在一實施例中，擷取模組21係取得影像資訊，以依據發電設備之影像資訊中之定位資訊比對太陽能發電場域中之複數發電設備之設備資料(包含定位資訊)，以將影像資訊與複數發電設備逐一進行匹配，俾確認影像資訊係屬於複數發電設備中之何者，及影像資訊所拍攝之範圍。於另一實施例中，設備異常檢查裝置20係包含一儲存模組24以儲存複數發電設備之影像資訊及設備資料，其中，設備資料包括發電設備之類型、規格或/及設置地點等，於此不限。
在一實施例中，偵測模組22係利用人工智慧(Artificial Intelligence,AI)影像偵測模型對影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於影像資訊係為異常時，判斷該照片(即可見光照片及熱顯影照片)所對應之發電設備係為異常發電設備，進而產生一異常偵測結果，其中，異常偵測結果包含標記為異常狀態之異常發電設備，以及異常發電設備的標記有異常特徵框A,B(或稱異常影像特徵之邊界框)之可見光照片及熱顯影照片(如圖2A及圖2B所示)。此外，儲存模組24儲存異常偵測結果。
具體而言，如圖2C及圖2D所示，偵測模組22利用人工智慧影像偵測模型偵測可見光照片中之發電設備的表面異物、髒污、破裂或缺損等異常類型的異常影像特徵，以及偵測熱顯影照片中之發電設備的熱斑之異常類型的異常影像特徵，藉此標記異常特徵框A,B於該些異常影像特徵上，且判斷發電設備係為異常發電設備。
再者，人工智慧影像偵測模型為採用卷積深度神經網路(convolutional neural networks,CNN)所產生的在影像辨識應用之多層次模型，且於本實施中係採用可達到即時(real time)演算的方法，例如：Faster R-CNN、SSD(Single Shot MultiBox Detecto)，YOLO(You only look once)等，但不以此為限。於另一實施例中，可僅依據發電設備之可見光照片的異常影像特徵資料集(包含歷史的可見光照片)訓練人工智慧影像偵測模型，以使人工智慧影像偵測模型能偵測可見光照片中之發電設備的異常影像特徵；亦可僅依據發電設備之熱顯影照片的異常影像特徵資料集(包含歷史的熱顯影照片)訓練另一人工智慧影像偵測模型，以使另一人工智慧影
像偵測模型能偵測熱顯影照片中之發電設備的異常影像特徵；或是依據發電設備之可見光照片及熱顯影照片的異常影像特徵資料集訓練又一人工智慧影像偵測模型，以使又一人工智慧影像偵測模型能同時偵測可見光照片及熱顯影照片中之發電設備的異常影像特徵。
在一實施例中，分析模組23係從儲存模組24中取得每一個標記為異常狀態之異常發電設備及其異常偵測結果，並依據異常偵測結果對異常發電設備進行異常分析，其中，分析模組23所執行之異常分析包含：
(1)分析模組23從儲存模組24中取得異常偵測結果，且將異常偵測結果中之標記有異常特徵框A,B之可見光照片及熱顯影照片進行比較，以產生一重疊分析結果，並儲存於儲存模組24中。
具體而言，分析模組23調整標記有異常特徵框A,B之可見光照片及熱顯影照片以形成一致性，且將標記有異常特徵框A,B之可見光照片及熱顯影照片進行影像重疊，以判斷出異常特徵框A,B的相對應位置，進而得到異常特徵框之重疊數量及位置，例如：分析模組23將熱顯影照片中之異常特徵框B對應於在同一發電設備的可見光照片之異常特徵框A，以計算重疊的異常特徵框之重疊數量。
接著，分析模組23依據異常特徵框之重疊數量及熱顯影照片之異常特徵框數量計算出第一異常特徵框重疊率，及依據異常特徵框之重疊數量及可見光照片之異常特徵框數量計算出第二異常特徵框重疊率，藉此依據第一異常特徵框重疊率及第二異常特徵框重疊率進行分析，以產生重疊分析結果，進而提供管理人員判斷異常發電設備的異常狀況，其中，第一異常特徵框重疊率係為異常特徵框之重疊數量/熱顯影照片之異常特
徵框數量，而第二異常特徵框重疊率係為異常特徵框之重疊數量/可見光照片之異常特徵框數量。
在一實施例中，分析模組23透過影像旋轉、移動、影像縮小放大等方式，以依據異常發電設備之範圍及影像特徵(如太陽能發電面板邊框)調整標記有異常特徵框A,B之可見光照片及熱顯影照片之形狀及大小，使其具有一致性，進而判斷標記有異常特徵框A,B之可見光照片及熱顯影照片中有重疊之異常特徵框A,B。
在一實施例中，分析模組23依據標記有異常特徵框A,B之可見光照片及熱顯影照片進行分析以產生重疊分析結果，俾由分析模組23依據重疊分析結果提供分析建議。舉例而言，若重疊分析結果係為第一異常特徵框重疊率及第二異常特徵框重疊率皆大於等於一重疊率門檻值(如60%，於此不限)，則分析模組23判斷出異常發電設備係有較多的如表面髒污、異物等異常類型的異常影像特徵，而引發熱斑，且異常發電設備本身尚未有較嚴重之損毀，進而提供一清潔異常發電設備之分析建議；或是，若重疊分析結果係為第一異常特徵框重疊率小於重疊率門檻值(如60%)，且第二異常特徵框重疊率大於等於重疊率門檻值(如60%)，則分析模組23判斷出異常發電設備係有較多的熱斑之異常類型的異常影像特徵，且異常發電設備內部產生較多損毀區以形成熱斑，進而提供一查修異常發電設備之分析建議。再者，重疊分析結果包含不同大小的第一異常特徵框重疊率及第二異常特徵框重疊率之組合，如下表1所示：
表1：重疊分析結果
於另一實施例中，重疊分析結果亦可僅為第一異常特徵框重疊率或第二異常特徵框重疊率其中一者，其中，當重疊分析結果為第一異常特徵框重疊率小於重疊率門檻值(如60%)時，分析模組23判斷出異常發電設備的內部可能產生較多損毀區，及當重疊分析結果為第一異常特徵框重疊率大於等於重疊率門檻值(如60%)時，分析模組23判斷出異常發電設備的外表髒污引起熱斑；或是，當重疊分析結果為第二異常特徵框重疊率小於重疊率門檻值(如60%)時，分析模組23判斷出異常發電設備的外表髒污較少，而其內部可能產生較多損毀區，及當重疊分析結果為第二異常特徵框重疊率大於等於重疊率門檻值(如60%)時，分析模組23判斷出異常發電設備的外表有較多髒污。
在一實施例中，分析模組23從儲存模組24中取得本次巡檢中之至少一其他異常偵測結果，亦調整其他異常偵測結果中之標記有異常特徵框之可見光照片及熱顯影照片以形成一致性，且比對異常偵測結果與
其他異常偵測結果，以確認是否有標記錯誤之異常特徵框。換言之，利用本次巡檢所拍攝發電裝置之其他可見光照片及熱顯影照片，以進一步確認異常特徵框A,B是否標記錯誤。
(2)分析模組23從儲存模組24中取得異常發電設備的前次巡檢之異常偵測結果(包含標記有異常特徵框A,B之可見光照片及熱顯影照片，且該些照片係為前次巡檢之歷史影像)，以將其與本次巡檢之異常偵測結果進行分析，以判斷是否產生新的損壞或髒污等異常影像特徵，俾產生異常發電設備的異常變化分析結果，且異常變化分析結果包含前次巡檢之可見光照片及熱顯影照片(如圖2E及圖2F所示)，並儲存於儲存模組24中。
具體而言，分析模組23將本次巡檢之標記有異常特徵框A,B之可見光照片及熱顯影照片與前次巡檢之標記有異常特徵框之可見光照片及熱顯影照片分別依據其影像類型進行影像重疊，以計算本次巡檢與前次巡檢之可見光照片之間的第三異常特徵框重疊率，及計算本次巡檢與前次巡檢之熱顯影照片之間的第四異常特徵框重疊率，藉此產生異常變化分析結果，進而判斷是否有新的損壞或髒污等異常影像特徵產生，以及過去異常發電設備障礙是否有排除，其中，異常變化分析結果包含歷史的標記有異常特徵框之可見光照片及熱顯影照片之影像類型及拍攝時間、第三異常特徵框重疊率及第四異常特徵框重疊率。此外，異常變化分析結果更包含以文字描述各個異常影像特徵之異常類型(如表面髒污、異物)及前次巡檢之處理方式，也以數量方式記載前次巡檢之異常特徵框數量等。此外，於此不限定以何種計算方式計算第三及第四異常特徵框重疊率。
(3)分析模組23依據異常發電設備的設備資料，從儲存模組24中取得其鄰近且未偵測到異常狀態的正常發電設備，且分析模組23再從儲存模組24中分別取得異常發電設備與正常發電設備於一週期(如3個月或半年等)中之各月平均發電量，以進行平均發電量異常分析，俾產生一發電量分析結果，並儲存於儲存模組24中。
具體而言，分析模組23將異常發電設備於一週期中之各月平均發電量分別進行比對，若各月平均發電量中之一者相較於各月平均發電量中之另一者之第一發電量差值低於一第一發電量降損警示閥值(如30%~50%，於此不限)，則判斷異常發電設備之發電量異常；以及分析模組23將異常發電設備與正常發電設備之一週期中之各月平均發電量進行比對，若異常發電設備與正常發電設備之相對應月份的月平均發電量之間的第二發電量差值低於一第二發電量降損警示閥值(如5%~15%，於此不限)，則亦判斷異常發電設備之發電量異常，藉此產生異常發電設備係為發電量異常之發電量分析結果。
(4)分析模組23將標記有異常特徵框B之熱顯影照片進行影像調色之溫差程度分析，以判斷熱顯影照片中之熱斑溫度是否異常，俾產生一溫度分析結果，並儲存於儲存模組24中。
具體而言，分析模組23依據一熱顯影色彩與溫度對照資訊與利用電腦視覺技術，以取得熱顯影照片中之複數熱斑分別於其異常特徵框B中的影像分佈顏色所代表之第一溫度值，及複數熱斑之異常特徵框B外週邊範圍之影像分佈顏色所代表之第二溫度值，並計算複數熱斑的第一溫度值與第二溫度值之間的溫度差，且判斷溫度差是否大於一溫差警示閥值
(如攝氏10度等，於此不限)，若溫度差大於溫差警示閥值，則分析模組23產生異常發電設備係為熱斑溫度異常之溫度分析結果。
於另一實施例中，分析模組23係依據異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果或/及溫度分析結果其中至少一者產生一發電設備評估意見。
在一實施例中，輸出模組25係從儲存模組24中取得異常發電設備之設備資料，以及異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果、溫度分析結果或/及發電設備評估意見其中至少一者產生異常發電設備之異常通知報告(如圖3所示)。此外，本實施例之異常通知報告可依據前述分析模組23之該些分析結果中之至少一者所形成之，且異常通知報告更包含本次巡檢地點及日期、設備資料及其佐證圖片(如圖2G所示)、熱顯影照片(如圖2D所示)及其資訊(如圖3所示)、可見光照片(如圖2C所示)及其資訊(如圖3所示)等，於此不限。
圖4係為本發明之發電設備異常檢查方法之流程示意圖，且一併參閱圖1說明之，其中，該方法流程包含下列步驟S41至步驟S49：
於步驟S41中，於本次巡檢時，拍攝裝置10拍攝一發電設備之影像資訊(包含可見光照片、熱顯影照片、拍攝地點之定位資訊及拍攝時間)。
於步驟S42中，設備異常檢查裝置20中之擷取模組21接收發電設備之影像資訊，且依據發電設備之影像資訊比對太陽能發電場域中之複數發電設備之設備資料，以確認影像資訊係屬於複數發電設備中之何者。
於步驟S43中，設備異常檢查裝置20中之偵測模組22係利用人工智慧影像偵測模型對影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，且透過異常特徵框將可見光照片及熱顯影照片之異常影像特徵進行標記，並判斷發電設備係為異常發電設備，以產生異常偵測結果。
於步驟S44中，設備異常檢查裝置20中之分析模組23將異常偵測結果中之標記有異常特徵框之可見光照片及熱顯影照片進行比較，以透過將標記有異常特徵框之可見光照片及熱顯影照片進行影像重疊，以得到異常特徵框之重疊數量及位置，進而產生重疊分析結果。
於步驟S45中，分析模組23取得異常發電設備的前次巡檢之異常偵測結果，以將其與本次巡檢之異常偵測結果進行分析，俾判斷是否有新的損壞或髒污等異常影像特徵產生及前次巡檢之異常發電設備的障礙是否有排除，進而產生異常變化分析結果。
於步驟S46中，分析模組23依據異常發電設備的設備資料取得其鄰近且未偵測到異常狀態的正常發電設備，以進行平均發電量異常分析，俾判斷發電量是否異常，進而產生發電量分析結果。
於步驟S47中，分析模組23將標記有異常特徵框之熱顯影照片進行影像調色之溫差程度分析，以判斷熱顯影照片中之熱斑溫度是否異常，進而產生溫度分析結果。
於步驟S48中，分析模組23係依據異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果或/及溫度分析結果其中至少一者產生發電設備評估意見。
於步驟S49中，設備異常檢查裝置20中之輸出模組25依據異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果、溫度分析結果或/及發電設備評估意見其中至少一者，以產生異常發電設備之異常通知報告。
此外，本發明還揭示一種電腦可讀媒介，係應用於具有處理器(例如，CPU、GPU等)及/或記憶體的計算裝置或電腦中，且儲存有指令，並可利用此計算裝置或電腦透過處理器及/或記憶體執行此電腦可讀媒介，以於執行此電腦可讀媒介時執行上述之方法及各步驟。
下列係為本發明之發電設備異常檢查系統1之實施例，且一併參閱圖1至圖4說明。
於本實施例中，一具有拍攝裝置10之空拍機拍攝一太陽能發電場域中之一發電設備(設備編號：SP03A0109)的影像資訊，且影像資訊包含可見光照片(如圖2A所示)、熱顯影照片(如圖2B所示)、設備位置(A區第1列第9模組)、拍攝地點之定位資訊(GPS：23.725153,120.512123)及拍攝時間(2021/10/01 10：00)等，由拍攝裝置10再將影像資訊傳送至設備異常檢查裝置20。
設備異常檢查裝置20中之擷取模組21依據影像資訊中之定位資訊比對太陽能發電場域中之複數發電設備之定位資訊，以確認影像資訊係屬於複數發電設備中之何者。接著，設備異常檢查裝置20中之偵測模組22係利用人工智慧影像偵測模型對影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以透過異常特徵框A,B將可見光照片及熱顯影照片之異常影像特徵進行標記，俾得到標記有異常特徵框A,B之可見光
照片及熱顯影照片(如圖2C及圖2D所示)，且判斷發電設備係為異常發電設備，進而產生異常偵測結果。
詳言之，如圖2C、圖2D及圖3所示，異常偵測結果中熱顯影照片之異常特徵框數量係為12處、異常類型係為熱斑(即異常影像特徵)，而可見光照片之異常特徵框數量係為14處，異常類型係為表面髒污、異物(即異常影像特徵)。
再者，設備異常檢查裝置20中之分析模組23依據異常偵測結果對異常發電設備進行異常分析，如下所述：
分析模組23對標記有異常特徵框A,B之可見光照片及熱顯影照片進行比較，以判斷出可見光照片及熱顯影照片中重疊的異常特徵框，及其異常特徵框之重疊數量(即10處重疊)。是以，分析模組23計算第一異常特徵框重疊率(10/12×100%=83.3%)，及第二異常特徵框重疊率(10/14×100%=71.4%)，且分析出第一異常特徵框重疊率(83.3%)高於一重疊率門檻值(如60%)，而第二異常特徵框重疊率(71.4%)也高於一重疊率門檻值(如60%)，故分析模組23依據上述表1判斷出異常發電設備係有如表面髒污、異物等異常類型的異常影像特徵，以引起熱斑，且異常發電設備本身尚未有較嚴重之損毀，進而提供一清潔異常發電設備之分析建議，藉此產生重疊分析結果。
分析模組23比對本次巡檢之異常偵測結果與前次巡檢之異常偵測結果。詳言之，本次巡檢之異常偵測結果包含標記有異常特徵框之可見光照片(14處)及熱顯影照片(12處)，而前次巡檢之異常偵測結果包含標記有異常特徵框C之熱顯影照片(如圖2E所示，1處)及未標記有異常特
徵框D之可見光照片(如圖2F所示，1處)，且分析模組23分別依據其影像類型進行影像重疊，以計算本次巡檢與前次巡檢之可見光照片之間的第三異常特徵框重疊率，及計算本次巡檢與前次巡檢之熱顯影照片之間的第四異常特徵框重疊率，其中，本次巡檢與前次巡檢之可見光照片之間的異常特徵框並未重疊，且熱顯影照片之間的異常特徵框也未重疊，故分析模組23計算出第三異常特徵框重疊率與第四異常特徵框重疊率皆為0%。是以，分析模組23判斷出本次巡檢所標記之異常影像特徵係為新的異常影像特徵，藉此產生異常變化分析結果。
分析模組23依據異常發電設備的設備資料取得其鄰近且未偵測到異常狀態的正常發電設備(設備編號：SP03A0108)，以及取得異常發電設備與正常發電設備於一週期(如4個月)中之各月平均發電量，如下表2所示：
表2：發電設備於一週期中之各月平均發電量
再著，分析模組23進行平均發電量異常分析。具體而言，分析模組23將異常發電設備於一週期中之各月(6月~9月)平均發電量分別進行比對，以得到異常發電設備於一週期中之各月平均發電量之間的第一發電量差值，且各月平均發電量之間的第一發電量差值並未低於第一發電量
降損警示閥值(如30%~50%，於此不限)；以及分析模組23將異常發電設備與正常發電設備之一週期中之各月平均發電量進行比對，以得到異常發電設備與正常發電設備之相對應月份的月平均發電量之間的第二發電量差值，且相對應月份的月平均發電量之間的第二發電量差值也未低於一第二發電量降損警示閥值(如5%~15%，於此不限)，故分析模組23判斷異常發電設備之發電量係為正常，藉此產生發電量分析結果。
分析模組23將標記有異常特徵框B之熱顯影照片進行影像調色之溫差程度分析，以取得熱顯影照片中之複數熱斑分別於其異常特徵框B中的影像分佈顏色所代表之第一溫度值，及複數熱斑之異常特徵框B外週邊範圍之影像分佈顏色所代表之第二溫度值，其中，熱顯影照片中12處熱斑(即異常特徵框B中)的第一溫度值之溫度範圍約53℃~56℃，而熱斑之周圍(即異常特徵框B外)溫度範圍約39℃~42℃，故分析模組23計算出12處熱斑的第一溫度值與第二溫度值之間的溫度差小於一溫差警示閥值(如攝氏15度等)，藉此產生溫度分析結果。
又，分析模組23係依據異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果及溫度分析結果，以產生一發電設備評估意見，其中，發電設備評估意見係為於本次巡檢中異常發電設備有熱斑12處、表面髒污異物14處，而前次巡檢熱斑1處及異物1處，且第三及第四異常特徵框重疊率0%，故異常影像特徵為本次巡檢所新增的異常，以及本次巡檢之異常為表面髒污與異物所引起的熱斑，而發電量無降損警示，非嚴重熱斑，故請派員清潔發電設備。
最後，輸出模組25係從儲存模組24中取得異常發電設備之設備資料，以及異常發電設備之重疊分析結果、異常變化分析結果、發電量分析結果、溫度分析結果及發電設備評估意見，以產生異常發電設備之異常通知報告(如圖3所示)，其中，異常通知報告更包含本次巡檢地點及日期、設備資料及其佐證圖片(如圖2G所示)、熱顯影照片(如圖2D所示)及其資訊(如圖3所示)、可見光照片(如圖2C所示)及其資訊(如圖3所示)等。
綜上所述，本發明之發電設備異常檢查系統、方法及其電腦可讀媒介，藉由設備異常檢查裝置偵測與分析由拍攝裝置所拍攝之可見光照片及熱顯影照片中的異常影像特徵，以判斷發電設備是否產生異常，且利用標記於可見光照片及熱顯影照片上的異常特徵框進行比較，以進一步判斷發電裝置產生的異常，故相較於現有技術，僅單純用熱顯影照片判斷發電設備是否異常，本發明能綜合考量造成發電裝置的異常的可能性，且準確地提供發電設備評估意見，以有效提升發電設備的巡檢效率。
此外，本發明之發電設備異常檢查系統、方法及其電腦可讀媒介，係具備下列優點或技術功效：
一、本發明利用人工智慧(AI)影像偵測技術可以偵測出熱顯影照片中的設備表面熱斑與可見光照片中的面板表面異物、髒污、缺損等異常影像特徵，而無需透過人工事先將可見光照片與熱顯影照片分類及辨識異常。又，利用影像資訊中的定位資訊(GPS)自動將可見光照片與熱顯影照片對應於所屬之發電設備，亦無需將照片以拍攝位置進行拼接或配對成對照影像。
二、本發明以AI影像偵測技術協助巡檢人員從大量的太陽能面板影像中找出表面有發生異常的發電設備，並透過比對熱顯影照片與可見光照片影像、比對歷史影像、平均發電量、分析熱斑溫差程度等分析方式，可準確地紀錄異常事件與熱斑演變情況，分析發電設備之功能狀態。
三、透過本發明之發電設備異常檢查方法，可大幅提升對太陽能發電案場定期設備巡檢的效率，包含篩選設備異常影像與分析設備異常原因與影響範圍，改善目前維運商因人工分析作業會產生誤判不準確的議題，並可長期降低巡檢與維護成本。
四、本發明搭配無人機空拍巡檢的效益更為顯著，可快速分析空拍巡檢回傳的即時或是批次的大量設備影像資訊，可幫助管理與維護單位縮短巡檢間隔週期，盡早進行預防性保養、排除輕度面板異狀，延長設備使用壽命。再者，藉由預防性維護的方式，減少過去須由發電監控系統出現告警發電效率降低，才進行損毀設備的更換，延長設備使用壽命和維持發電效率是目前案場業主與維運商所重視的項目。
五、本發明產出的異常通知報告能提供異常發電設備的多種分析資訊及其評估意見，以進一步協助維護單位在第一時間快速了解狀況，迅速派工處理，進而提升巡檢效率。
上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍應如申請專利範圍所列。
1:發電設備異常檢查系統
10:拍攝裝置
20:設備異常檢查裝置
21:擷取模組
22:偵測模組
23:分析模組
24:儲存模組
25:輸出模組
Claims (10)
- 一種發電設備異常檢查系統，係包括：拍攝裝置，係拍攝一發電場域中之一發電設備，以得到該發電設備之影像資訊；以及設備異常檢查裝置，係接收來自該拍攝裝置之該發電設備之影像資訊，其中，該設備異常檢查裝置包括：偵測模組，係利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，判斷該發電設備為一異常發電設備，且產生該異常發電設備之異常偵測結果；分析模組，係依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；及輸出模組，係依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告，其中，由該分析模組將該異常發電設備之該異常偵測結果中之標記有異常特徵框之可見光照片及熱顯影照片進行比較，以產生該重疊分析結果； 由該分析模組取得該異常發電設備的前次巡檢之異常偵測結果，且將其與本次巡檢之異常偵測結果進行分析，以判斷是否產生新的損壞或髒污等異常影像特徵，俾產生該異常發電設備之該異常變化分析結果；由該分析模組取得其鄰近且未偵測到異常狀態的正常發電設備，且再分別取得該異常發電設備及該正常發電設備於一週期中之各月平均發電量，以進行平均發電量異常分析，俾產生該發電量分析結果；及由該分析模組將標記有該異常特徵框之該熱顯影照片進行影像調色之溫差程度分析，以判斷該熱顯影照片中之熱斑溫度是否異常，俾產生該溫度分析結果。
- 如請求項1所述之發電設備異常檢查系統，其中，該設備異常檢查裝置更包括一擷取模組，係接收該發電設備之影像資訊，以依據該影像資訊中之定位資訊比對該發電場域中之該發電設備及其他發電設備之定位資訊而確認該影像資訊係屬於該發電設備。
- 如請求項1所述之發電設備異常檢查系統，其中，於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，該偵測模組標記相對應之異常特徵框於該可見光照片及該熱顯影照片中之異常影像特徵上，以形成標記有該異常特徵框之該可見光照片及該熱顯影照片。
- 如請求項1所述之發電設備異常檢查系統，其中，該分析模組將該異常偵測結果中之標記有該異常特徵框之該可見光照片及該熱顯影照片進行影像重疊，以得到該異常特徵框之重疊數量、第一異常特徵框重疊率或/及第二異常特徵框重疊率，進而產生該重疊分析結果。
- 一種設備異常檢查裝置，係接收一發電設備之影像資訊，其中，該設備異常檢查裝置包括：偵測模組，係利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，判斷該發電設備係為一異常發電設備，且產生該異常發電設備之異常偵測結果；分析模組，係依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；以及輸出模組，係依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告，其中，由該分析模組將該異常發電設備之該異常偵測結果中之標記有異常特徵框之可見光照片及熱顯影照片進行比較，以產生該重疊分析結果；由該分析模組取得該異常發電設備的前次巡檢之異常偵測結果，且將其與本次巡檢之異常偵測結果進行分析，以判斷是否產生新的損壞或髒污等異常影像特徵，而產生該異常發電設備之該異常變化分析結果；由該分析模組取得其鄰近且未偵測到異常狀態的正常發電設備，且再分別取得該異常發電設備及該正常發電設備於一週期中之各月平均發電量，以進行平均發電量異常分析，俾產生該發電量分析結果；及 由該分析模組將標記有該異常特徵框之該熱顯影照片進行影像調色之溫差程度分析，以判斷該熱顯影照片中之熱斑溫度是否異常，俾產生該溫度分析結果。
- 一種發電設備異常檢查方法，係包括：由拍攝裝置拍攝一發電場域中之一發電設備，以得到該發電設備之影像資訊；由設備異常檢查裝置接收來自該拍攝裝置之該發電設備之影像資訊；由該設備異常檢查裝置利用一人工智慧影像偵測模型對該影像資訊中之可見光照片及熱顯影照片進行異常影像特徵偵測，以於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，判斷該發電設備係為一異常發電設備，且產生該異常發電設備之異常偵測結果；由該設備異常檢查裝置依據該異常發電設備之異常偵測結果或/及發電量對該異常發電設備進行異常分析，以得到一重疊分析結果、一異常變化分析結果、一發電量分析結果或/及一溫度分析結果，進而依據該重疊分析結果、該異常變化分析結果、該發電量分析結果或/及該溫度分析結果其中至少一者產生一發電設備評估意見；以及由該設備異常檢查裝置依據該異常發電設備之該重疊分析結果、該異常變化分析結果、該發電量分析結果、該溫度分析結果或/及該發電設備評估意見其中至少一者產生該異常發電設備之異常通知報告，其中，由該分析模組將該異常發電設備之該異常偵測結果中之標記有異常特徵框之可見光照片及熱顯影照片進行比較，以產生該重疊分析結果； 由該分析模組取得該異常發電設備的前次巡檢之異常偵測結果，且將其與本次巡檢之異常偵測結果進行分析，以判斷是否產生新的損壞或髒污等異常影像特徵，而產生該異常發電設備之該異常變化分析結果；由該分析模組取得其鄰近且未偵測到異常狀態的正常發電設備，且再分別取得該異常發電設備及該正常發電設備於一週期中之各月平均發電量，以進行平均發電量異常分析，俾產生該發電量分析結果；及該分析模組將標記有該異常特徵框之該熱顯影照片進行影像調色之溫差程度分析，以判斷該熱顯影照片中之熱斑溫度是否異常，俾產生該溫度分析結果。
- 如請求項6所述之發電設備異常檢查方法，更包括由該設備異常檢查裝置接收該發電設備之影像資訊，以依據該影像資訊中之定位資訊比對該發電場域中之該發電設備及其他發電設備之定位資訊而確認該影像資訊係屬於該發電設備。
- 如請求項6所述之發電設備異常檢查方法，更包括於該可見光照片及該熱顯影照片中具有至少一異常影像特徵時，由該設備異常檢查裝置標記相對應之異常特徵框於該可見光照片及該熱顯影照片中之異常影像特徵上，以形成標記有該異常特徵框之該可見光照片及該熱顯影照片。
- 如請求項6所述之發電設備異常檢查方法，更包括由該設備異常檢查裝置將該異常偵測結果中之標記有該異常特徵框之該可見光照片及該熱顯影照片進行影像重疊，以得到該異常特徵框之重疊數量、第一異常特徵框重疊率或/及第二異常特徵框重疊率，進而產生該重疊分析結果。
- 一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行如請求項6至9之任一者所述之發電設備異常檢查方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111111158A TWI810863B (zh) | 2022-03-24 | 2022-03-24 | 一種發電設備異常檢查系統、方法及其電腦可讀媒介 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111111158A TWI810863B (zh) | 2022-03-24 | 2022-03-24 | 一種發電設備異常檢查系統、方法及其電腦可讀媒介 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI810863B true TWI810863B (zh) | 2023-08-01 |
| TW202338388A TW202338388A (zh) | 2023-10-01 |
Family
ID=88585485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111111158A TWI810863B (zh) | 2022-03-24 | 2022-03-24 | 一種發電設備異常檢查系統、方法及其電腦可讀媒介 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI810863B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| KR102133224B1 (ko) * | 2020-03-26 | 2020-07-13 | 주식회사 스카이텍 | 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템 |
| CN112288761A (zh) * | 2020-07-07 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种异常发热的电力设备检测方法、装置和可读存储介质 |
| CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
| CN113899973A (zh) * | 2021-10-11 | 2022-01-07 | 四川华能嘉陵江水电有限责任公司 | 基于红外热成像和可见光图像的发电设备故障诊断方法 |
-
2022
- 2022-03-24 TW TW111111158A patent/TWI810863B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| KR102133224B1 (ko) * | 2020-03-26 | 2020-07-13 | 주식회사 스카이텍 | 태양광 어레이 설치용 cad 설계도면을 활용한 태양광 어레이 자동 진단 시스템 |
| CN112288761A (zh) * | 2020-07-07 | 2021-01-29 | 国网江苏省电力有限公司常州供电分公司 | 一种异常发热的电力设备检测方法、装置和可读存储介质 |
| CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
| CN113899973A (zh) * | 2021-10-11 | 2022-01-07 | 四川华能嘉陵江水电有限责任公司 | 基于红外热成像和可见光图像的发电设备故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202338388A (zh) | 2023-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11361423B2 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
| US8756085B1 (en) | Systems and methods for assessing property damage | |
| CN111626139A (zh) | 一种机房it设备故障信息精准检测方法 | |
| CN111949809A (zh) | 一种输电线路红外巡检数据智能处理方法 | |
| US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
| WO2022127683A1 (zh) | 一种基于流态视频监测的过水建筑物结构损伤诊断方法及系统 | |
| US20230042106A1 (en) | System and method for the statistical analysis of images of photovoltaic panels | |
| CN109631766A (zh) | 一种基于图像的木材板尺寸测量方法 | |
| CN116627178A (zh) | 一种基于无人机影像智能分析的电力巡检方法 | |
| CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| Belloni et al. | Tack project: tunnel and bridge automatic crack monitoring using deep learning and photogrammetry | |
| CN116993665A (zh) | 一种基于计算机视觉的建筑工程作业面施工进度的智能检测方法 | |
| KR102688780B1 (ko) | 무인항공기를 이용한 송전설비의 진단방법 | |
| Kong et al. | Detecting type and size of road crack with the smartphone | |
| TWI810863B (zh) | 一種發電設備異常檢查系統、方法及其電腦可讀媒介 | |
| CN102223483A (zh) | 调整道路交通监控设备位置的方法和装置 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| Terzoglou et al. | Employing deep learning framework for improving solar panel defects using drone imagery | |
| TWI465699B (zh) | 水位量測方法 | |
| CN111738148A (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
| Di et al. | Research on Real-Time Power Line Damage Detection Method Based on YOLO Algorithm | |
| TWI487884B (zh) | 多區塊水位量測方法 | |
| CN114354622A (zh) | 显示屏的缺陷检测方法、装置、设备和介质 |