CN115082744B - 一种基于人工智能的太阳能集热效率分析方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的太阳能集热效率分析方法及系统。该方法根据图像像素点的像素值进行初次判定，获得第一异常区域。根据第一纹理特征将色差区域剔除，获得第二异常区域。根据第二异常区域的尺寸形态获得疑似裂纹区域，根据疑似裂纹区域中的第二纹理特征进行分类，筛选出裂纹区域和脏污区域。根据脏污区域的特征和裂纹区域的特征对太阳能热水器的集热效率进行分析。本发明将缺陷类型进行分类，针对缺陷类型对集热效率实现准确的预测分析。

Description

一种基于人工智能的太阳能集热效率分析方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的太阳能集热效率分析方法及系统。

背景技术

太阳能热水器是常用的加热装置，通过吸收太阳光中的热能将水加热，以满足人们在生活生产中的热水使用。常见的太阳能热水器为真空管式热水器。对于需要区域性集热的地区会为了节省资源，设置多组太阳能热水器实现区域性集热供水。

真空管式的太阳能热水器大多由间隔真空和背面反射层构成，太阳光经过反射进入真空管，然后被内胆吸收。真空管为能量转换的最初始位置，因此真空管的状态会影响集热情况。由于太阳能热水器往往布置在室外，会因为环境影响产生多种多样的缺陷，比如因为雨渍、鸟粪等造成脏污缺陷；或是由于外力因素导致管道出现裂纹缺陷；随着真空管道的工作，在管道上还会出现因为老化或者其他原因造成的色差缺陷。这几种缺陷中脏污缺陷和裂纹会显著影响集热效率，而色差缺陷影响较小甚至不会影响吸热能力，在现有的缺陷检测中效率最高最常用的是利用计算机视觉技术通过图像识别缺陷区域，但是在分析过程中不能将色差缺陷和脏污缺陷很好的区别开来，导致检测不准确，从而影响后续的集热分析。如果使用机器学习技术，利用神经网络识别缺陷像素点，则需要大量缺陷数据对网络进行训练，增加了检测成本。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的太阳能集热效率分析方法及系统，所采用的技术方案具体如下：

本发明提出了一种基于人工智能的太阳能集热效率分析方法，所述方法包括：

获得连续多帧的太阳能管道图像；根据所述太阳能管道图像中像素点的像素值进行分类，获得异常像素点和正常像素点；根据所述异常像素点获得第一异常区域；

获得所述第一异常区域的第一灰度共生矩阵；根据所述第一灰度共生矩阵获得第一纹理特征；去除与标准管道纹理特征相似的所述第一纹理特征对应的所述第一异常区域，获得第二异常区域；

根据所述第二异常区域的尺寸识别出条状异常区域，以所述条状异常区域作为疑似裂纹区域，其他所述第二异常区域为脏污区域；获得所述疑似裂纹区域每个像素点在预设邻域范围内的第二灰度共生矩阵，根据所述第二灰度共生矩阵获得每个所述疑似裂纹区域的第二纹理特征集合；以具有相同相似度的所述第二纹理特征集合对应的所述疑似裂纹区域作为一类区域类别；以数据量最少的所述区域类别作为裂纹区域，其他为所述脏污区域；

获得所述脏污区域的颜色信息，根据所述颜色信息获得脏污厚度；根据所述脏污厚度和所述脏污区域的面积获得整体脏污特征；根据所述裂纹区域在连续多帧所述太阳能管道图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征；以所述裂纹变化特征和所述裂纹区域的面积作为整体裂纹特征；根据所述整体脏污特征、所述整体裂纹特征和当前环境数据预测太阳能集热效率。

进一步地，所述获得连续多帧的太阳能管道图像包括：

采集连续多帧的太阳能热水器图像；将所述太阳能热水器图像送入预先训练好的管道分割网络中，获得所述太阳能管道图像；所述太阳能管道图像包括正面管道图像和背面管道图像。

进一步地，所述根据所述第一灰度共生矩阵获得第一纹理特征包括：

以所述第一灰度共生矩阵的能量、对比度、局部相关度和熵作为所述第一纹理特征。

进一步地，所述去除与标准管道纹理特征相似的所述第一纹理特征对应的所述第一异常区域包括：

获得所述第一纹理特征和所述标准管道纹理特征的二范数差异，以所述二范数差异的倒数作为判定指标；去除大于预设判定指标阈值的所述判定指标对应的所述第一异常区域。

进一步地，所述根据所述第二灰度共生矩阵获得每个所述疑似裂纹区域的第二纹理特征集合包括：

将所述第二灰度共生矩阵转换至一维空间，获得一维特征向量；以所述疑似裂纹区域内所有像素点的所述一维特征向量的集合作为所述第二纹理特征集合。

进一步地，所述获得所述脏污区域的颜色信息，根据所述颜色信息获得脏污厚度包括：

将所述脏污区域转换至HIS颜色空间，以所述HIS颜色空间中饱和度和亮度信息作为所述颜色信息；

根据脏污厚度计算公式获得每个所述脏污区域的所述脏污厚度；所述脏污厚度计算公式包括：

其中，为所述脏污厚度，为所述亮度信息，为所述饱和度信息；

进一步地，所述根据所述脏污厚度和所述脏污区域的面积获得脏污特征包括：

根据所述正面管道图像和所述背面管道图像获得正面脏污区域和背面脏污区域；根据预设的正面脏污权重分别调整所述正面脏污区域的面积和所述脏污厚度；根据预设的背面脏污权重分别调整所述背面脏污区域的面积和所述脏污厚度；

将调整后的所述正面脏污区域的面积和所述背面脏污区域的面积累加，获得整体脏污面积信息；将调整后的所述正面脏污区域的所述脏污厚度和所述背面脏污区域的所述脏污厚度累加并求均值，获得整体脏污厚度信息；以所述整体脏污面积信息和所述整体脏污厚度信息的作为所述整体脏污特征。

进一步地，所述根据所述裂纹区域在连续多帧所述太阳能管道图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征包括：

根据尺寸大小变化公式获得所述尺寸大小变化；所述尺寸大小变化公式包括：

其中，为第个所述裂纹区域的所述尺寸大小变化，为第帧所述太阳能管道 图像中的所述裂纹区域的面积，为所述太阳能管道图像的帧数量；

根据像素值大小变化公式获得所述像素值大小变化；所述像素值大小变化公式包括：

其中，为第个所述裂纹区域的所述像素值大小变化，为第帧所述太阳能管 道图像中的所述裂纹区域的平均像素值，为所述太阳能管道图像的帧数量；

以所述尺寸大小变化和所述像素值大小变化的乘积作为所述裂纹变化特征。

进一步地，所述根据所述脏污特征、所述裂纹特征和当前环境数据预测太阳能集热效率包括：

将所述脏污特征、所述裂纹特征和所述当前环境数据输入至预先训练好的集热效率预测网络中，输出所述太阳能集热效率。

本发明还提出了一种基于人工智能的太阳能集热效率分析系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的太阳能集热效率分析方法的步骤。

本发明具有如下有益效果：

1.本发明实施例首先根据像素值的差异区分出缺陷像素点，获得第一异常区域。因为色差区域的纹理信息并不会发生改变，因此将与标准管道纹理特征相似的第一纹理特征对应的第一异常区域去除，实现了区分色差区域，获得包含脏污区域和裂纹区域的第二异常区域。根据脏污区域和裂纹区域的形态进行初步划分获得疑似裂纹区域，进一步考虑裂纹区域的分布数量，将裂纹区域筛选出来，实现缺陷的分类。

2.本发明实施例根据脏污的颜色信息和面积获得脏污特征，根据裂纹的尺寸大小变化和像素值大小变化结合面积获得裂纹特征，根据脏污特征和裂纹特征有效的分析了缺陷对太阳能集热效率的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的太阳能集热效率分析方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的太阳能集热效率分析方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的太阳能集热效率分析方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的太阳能集热效率分析方法流程图，该方法包括：

步骤S1：获得连续多帧的太阳能管道图像；根据管道图像中像素点的像素值进行分类，获得异常像素点和正常像素点；根据异常像素点获得第一异常区域。

在太阳能热水器周围设置相机，使得相机可以采集到太阳能管道所在的正视图像，保证后续图像中的管道信息完整。

优选的，为了消除背景影响，仅保留管道信息，通过相机采集连续多帧的太阳能热水器图像。将太阳能热水器图像送入预先训练好的管道分割网络中，获得太阳能管道图像。太阳能管道图像包括正面管道图像和背面管道图像。因为缺陷在管道的正面和反面的影响不同，因此需要独立分析。在本发明实施例中，管道分割网络的具体训练方法包括：

（1）以包含太阳能管道的图像作为训练数据。将太阳能管道像素标注为1，其他像素标注为0，获得标签数据。

（2）语义分割网络采用编码-解码结构，将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征，获得特征图。语义分割编码器将特征图进行采样变换，输出语义分割结果。可根据语义分割结果获得遮罩，通过与太阳能热水器图像相乘获得太阳能管道图像。需要说明的是，为了便于后续分析太阳能管道图像为所有真空管道图像信息的结合，即将单个管道的图像拼接堆叠为一个太阳能管道图像，便于后续数据分析。

（3）采用交叉熵损失函数对网络进行训练。

在本发明实施例中，为了保证图像的质量，避免光照导致的真空管表面出现镜面反射或漫反射等现象，在获得太阳能热水器图像后，进行灰度化及直方图均衡化，用于降低图像光照不均匀及反光的呢过影响，在其他实施例中也可以选择其他图像预处理手段，在此不做限定。

在图像中缺陷区域的像素点会与管道本身像素点具有较大差异，因此可以根据太阳能管道图像中像素点的像素值进行初始分类，获得异常像素点和正常像素点。分类方法有多种选择，在本发明实施例中采用均值聚类算法将像素点分为两类，因为管道本身像素点占大多数，缺陷像素点占少数，因此样本数据量多的一类为正常像素点，样本数据量少的一类为异常像素点。将异常像素点保留进行连通域分析，获得多个第一异常区域。

步骤S2：获得第一异常区域的第一灰度共生矩阵；根据第一灰度共生矩阵获得第一纹理特征；去除与标准管道纹理特征相似的第一纹理特征对应的第一异常区域，获得第二异常区域。

因为脏污缺陷和裂纹缺陷对太阳能集热效率影响较大，色差缺陷为管道使用过程中的正常现象或者本身固有的特征并不会影响太阳能集热效率。第一异常区域是根据像素值进行获取的，因此会同时包含脏污缺陷、裂纹缺陷和色差缺陷，色差缺陷与脏污缺陷都为管道上颜色不一致的区域，因此二者会存在混识别现象，为了准确对集热效率进行分析需要将第一异常区域中的色差区域去除。

需要说明的是，色差区域仅是管道在一些局部区域与管道本身产生的色差效果，因此色差区域的纹理信息应与管道正常区域的纹理信息相同，因此可以根据纹理信息将色差区域筛选出来并剔除，具体包括：

获得每个第一异常区域的第一灰度共生矩阵。灰度共生矩阵可以描述一个区域的纹理信息，灰度共生矩阵的获取方法为常规技术手段，在此不做过多赘述，仅简述在本发明实施例中，获得第一灰度共生矩阵的方法：

（1）为了方便数据分析，首先进行灰度级量化，在不影响纹理特征的前提下将第一异常区域的灰度级压缩到较小的范围，在本发明实施例中，将第一异常区域的灰度级压缩到8级，以便减小灰度共生矩阵的尺寸，方便后续分析，即将每个像素点的灰度除以32并取整，将0~255灰度级变换为0~7灰度级。

（2）在本发明实施例中，采用5*5大小的滑动窗口，滑动步长为1，处理第一异常区域。为了便于分析，本发明选取0°，45°，90°，135°四个方向计算灰度共生矩阵，即滑动窗口每滑动一次，都对着四个方向的数据取平均值作为最终灰度共生矩阵的数据，直至遍历整个第一异常区域，获得对应的第一灰度共生矩阵。

根据第一灰度共生矩阵中可以获得多种数据表示纹理特征，优选的，为了使得第一灰度共生矩阵获得的第一纹理特征更清楚的描述纹理特征，以第一灰度共生矩阵的能量、对比度、局部相关度和熵作为第一纹理特征。能量、对比度、局部相关度和熵为灰度共生矩阵的性质，获取方法属于常规技术手段，在此不多赘述，仅简述在本发明实施例中的获取方法：

（1）能量：能量可以反映出纹理的粗细程度，具体计算公式为：

其中，为能量，为第一灰度共生矩阵中处的元素值。

（2）对比度：灰度共生矩阵的对比度可以反映第一异常区域的局部变化情况，对比对为灰度共生矩阵主对角线附近的惯性矩阵信息，体现了矩阵值的分布，反映了纹理的深浅，具体计算公式为：

其中，为对比度，为第一灰度共生矩阵中处的元素值。

（3）局部相关度：局部相关度可基于第一异常区域行列方向上像素灰度级的相似程度进行分析，用于表示第一异常区域局部灰度的相关性，具体计算公式为：

其中，为局部相关度，为灰度等级数量，为第一异常区域的灰度均值，为第一异常区域的灰度方差，为第一灰度共生矩阵中处的元素值。

（4）熵：熵可以反映第一异常区域的纹理复杂度，具体计算公式包括：

其中，为熵，为第一灰度共生矩阵中处的元素值。

第一纹理特征为向量形式，即第个第一异常区域的第一纹理特征为。 将第一纹理特征与标准管道纹理进行对比，剔除相似的第一异常区域即可获得没有色差区 域的第二异常区域，具体包括：

获得第一纹理特征和标准管道纹理特征的二范数差异，以二范数差异的倒数作为判定指标。当判定指标大于预设判定指标阈值时，认为对应的第一异常区域与正常管道的纹理特征相似，因此属于色差区域。去除大于预设判定指标阈值的判定指标对应的第一异常区域，即将对应像素点的像素值置0，获得包含脏污区域和裂纹区域的第二异常区域。

步骤S3：根据第二异常区域的尺寸识别出条状异常区域，以条状异常区域作为疑似裂纹区域，其他第二异常区域为脏污区域；获得疑似裂纹区域每个像素点在预设邻域范围内的第二灰度共生矩阵，根据第二灰度共生矩阵获得每个疑似裂纹区域的第二纹理特征集合；以具有相同相似度的第二纹理特征集合对应的疑似裂纹区域作为一类区域类别；以数据量最少的区域类别作为裂纹区域，其他为脏污区域。

第二异常区域包括脏污区域和裂纹区域，裂纹区域因为形状特殊，属于条状区域，因此可根据形状对两个区域进行初次划分，识别出第二异常区域中的条状异常区域，以条状异常区域作为疑似裂纹区域，其他为脏污区域。在本发明实施例中，条状异常区域的判定方法为根据第二异常区域的最小外接矩形的长宽比进行判定，以最小外接矩形最长的边与最短的边的比值作为条状置信度，以大于预设条状置信度阈值的第二异常区域作为条状区域，在其他实施例中可以采用其他手段识别条状区域，在此不做限定。

疑似裂纹区域不仅包含裂纹区域，还包含由于雨水冲刷等导致的条形脏污区域。不同裂纹区域的大小形状虽然不同，但是纹理具有一致性，脏污区域同理，因为脏污区域都为外接产生的污渍，不仅与裂纹区域的纹理信息不同，而且脏污区域的分布量也远大于裂纹区域，因此可以根据纹理信息将疑似裂纹区域分类，根据数据量筛选出裂纹区域，具体包括：

(1)获得疑似裂纹区域每个像素点的邻域范围内的第二灰度共生矩阵。在本发明实施例中，邻域范围设置的方法包括：过目标像素点做垂直于疑似裂纹区域最小外接矩形的最长边的垂线，在垂线上以目标像素点为中心，选取两侧各7个像素点，即选取的7个像素点与目标像素点组成邻域范围。第二灰度共生矩阵的大小设置为10*10，即将疑似裂纹区域内灰度等级分为10个灰度等级。邻域范围内的第二灰度共生矩阵描述了在垂线方向上不同灰度值组合所出现的概率，表示了目标像素点在该垂线上单的邻域像素灰度分布特征与分布特点。

(2)将第二灰度共生矩阵转换至一维空间，获得一维特征向量。以疑似裂纹区域内所有像素点的一维特征向量的集合作为第二纹理特征集合。

(3)因为管道为经过安全审查后质量过关的产品，且在室外环境下更容易形成脏 污区域，因此脏污区域分布远大于裂纹区域，所以在疑似裂纹区域中可根据第二纹理特征 集合进行分类，以具有相同相似度的第二纹理特征集合对应的疑似裂纹区域作为一类区域 类别，以数据量最少的区域类别作为裂纹区域，其他为脏污区域。在本发明实施例中，采用 最大加权举止差异法对任意两个第二纹理特征集合进行分析，获取特征差异，根据相似 度获取公式获得相似度：。相似度越大，说明两个第二纹理特征集合越相似， 在其他实施例中也可以根据其他方法，如最大均值差异法等方法进行获取特征差异进而计 算相似度，在此不做限定。在本发明实施例中，根据相似度进行聚类分析，每个聚类簇为一 类区域类别。

步骤S4：获得脏污区域的颜色信息，根据颜色信息获得脏污厚度；根据脏污厚度和脏污区域的面积获得整体脏污特征；根据裂纹区域在连续多帧太阳能管道图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征；以裂纹变化特征和裂纹区域的面积作为整体裂纹特征；根据整体脏污特征、整体裂纹特征和当前环境数据预测太阳能集热效率。

根据步骤S2和步骤S3的处理，可获得脏污区域和裂纹区域。因为脏污区域在管道正面和管道背面对集热效率的影响有不同，因此可以设置不同权重进行整体分析。因为管道裂纹对集热效率的影响主要体现在热量流失方面，因此正面背面所在位置不同对集热效率的影响是相同的。

脏污区域的颜色信息可以有效表示出脏污的深浅，即脏污区域颜色越深，表示脏污越厚，可根据颜色信息获得脏污厚度，具体包括：

将脏污区域的RGB图像转换至HIS颜色空间，以HIS颜色空间中饱和度和亮度信息作为颜色信息。HIS颜色空间转换为常规技术手段在此不多赘述。

根据脏污厚度计算公式获得每个脏污区域的脏污厚度。脏污厚度计算公式包括：

其中，为脏污厚度，为亮度信息，为饱和度信息。

根据正面管道图像和背面管道图像获得正面脏污区域和背面脏污区域。根据预设的正面脏污权重分别调整正面脏污区域的面积和脏污厚度。根据预设的背面脏污权重分别调整背面脏污区域的面积和脏污厚度。

将调整后的正面脏污区域的面积和背面脏污区域的面积累加，获得整体脏污面积 信息；将调整后的正面脏污区域的脏污厚度和背面脏污区域的脏污厚度累加并求均值，获 得整体脏污厚度信息；以整体脏污面积信息和整体脏污厚度信息作为整体脏污特征。即整 体脏污面积信息为：

其中，为整体脏污面积信息，为第个正面脏污区域的面积，为第 个背面脏污区域的面积，为正面脏污权重，为背面脏污权重。在本发明实施例中，。

整体脏污厚度为为：

其中，为整体脏污厚度，为第个正面脏污区域的脏污厚度，为第个背面 脏污区域的脏污厚度，为背面脏污区域的数量，为正面脏污区域的数量。

即整体脏污特征为。

裂纹区域不仅会对管道产生热量损失，还会随着时间变化逐渐展开，使得裂纹加长加深，因此需要对裂纹进行动态分析，更准确的分析裂纹的影响。具体包括：

根据裂纹区域在连续多帧太阳能管道图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征。需要说明的是，数据的采集时间可以根据任务需要自行设置，本发明实施例提出的连续多帧为经过多个较长采集时间段的数据序列，在本发明实施例中采样时间设置为一周，即连续多帧太阳能管道图像中每一帧代表了当前周的管道信息。在分析当前周的集热效率时，当前帧图像与之前的帧图像组成一个图像序列，用于动态分析裂纹变化，序列长度可以根据任务需求自行设置在此不做赘述。

根据尺寸大小变化公式获得尺寸大小变化。尺寸大小变化公式包括：

其中，为第个裂纹区域的尺寸大小变化，为第帧太阳能管道图像中的裂纹 区域的面积，为太阳能管道图像的帧数量，即为第帧太阳能管道图像中的裂纹区域 的面积，为第帧太阳能管道图像中的裂纹区域的面积。尺寸大小变化表示了裂纹大 小的动态变化情况。

根据像素值大小变化公式获得像素值大小变化。像素值大小变化公式包括：

其中，为第个裂纹区域的像素值大小变化，为第帧太阳能管道图像中的裂 纹区域的平均像素值，为太阳能管道图像的帧数量。像素值大小变化表示了裂纹深浅的 动态变化情况。

以尺寸大小变化和像素值大小变化的乘积作为裂纹变化特征。进一步将每个裂纹 的裂纹变化特征累加求平均，与裂纹区域的累加面积共同作为整体裂纹特征()。

根据整体脏污特征、整体裂纹特征和当前环境数据即可根据历史数据预测出太阳能集热效率。优选的，将脏污特征、裂纹特征和当前环境数据输入至预先训练好的集热效率预测网络中，输出太阳能集热效率。集热效率预测网络采用常用的深度神经网络，具体训练方法为常规技术手段在此不做赘述。

工作人员可根据太阳能集热效率判断当前太阳能热水器的工作情况，当工作情况不理想时，说明缺陷对集热效率的影响较大，需要工作人员对太阳热水器进行检修。

综上所述，本发明实施例根据图像像素点的像素值进行初次判定，获得第一异常区域。根据第一纹理特征将色差区域剔除，获得第二异常区域。根据第二异常区域的尺寸形态获得疑似裂纹区域，根据疑似裂纹区域中的第二纹理特征进行分类，筛选出裂纹区域和脏污区域。根据脏污区域的特征和裂纹区域的特征对太阳能热水器的集热效率进行分析。本发明实施例将缺陷类型进行分类，针对缺陷类型对集热效率实现准确的预测分析。

本发明还提出了一种基于人工智能的太阳能集热效率分析系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现任意一项一种基于人工智能的太阳能集热效率分析方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述方法包括：

获得连续多帧的太阳能管道图像；根据所述太阳能管道图像中像素点的像素值进行分类，获得异常像素点和正常像素点；根据所述异常像素点获得第一异常区域；

获得所述第一异常区域的第一灰度共生矩阵；根据所述第一灰度共生矩阵获得第一纹理特征；去除与标准管道纹理特征相似的所述第一纹理特征对应的所述第一异常区域，获得第二异常区域；

根据所述第二异常区域的尺寸识别出条状异常区域，以所述条状异常区域作为疑似裂纹区域，其他所述第二异常区域为脏污区域；获得所述疑似裂纹区域每个像素点在预设邻域范围内的第二灰度共生矩阵，根据所述第二灰度共生矩阵获得每个所述疑似裂纹区域的第二纹理特征集合；以具有相同相似度的所述第二纹理特征集合对应的所述疑似裂纹区域作为一类区域类别；以数据量最少的所述区域类别作为裂纹区域，其他为所述脏污区域；

获得所述脏污区域的颜色信息，根据所述颜色信息获得脏污厚度，具体包括：将所述脏污区域转换至HIS颜色空间，以所述HIS颜色空间中饱和度和亮度信息作为所述颜色信息；

根据脏污厚度计算公式获得每个所述脏污区域的所述脏污厚度；所述脏污厚度计算公式包括：

其中，为所述脏污厚度，为所述亮度信息，为所述饱和度信息；根据所述脏污厚度 和所述脏污区域的面积获得整体脏污特征；根据所述裂纹区域在连续多帧所述太阳能管道 图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征；以所述裂纹变化特征和所述 裂纹区域的面积作为整体裂纹特征；根据所述整体脏污特征、所述整体裂纹特征和当前环 境数据预测太阳能集热效率。

2.根据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述获得连续多帧的太阳能管道图像包括：

采集连续多帧的太阳能热水器图像；将所述太阳能热水器图像送入预先训练好的管道分割网络中，获得所述太阳能管道图像；所述太阳能管道图像包括正面管道图像和背面管道图像。

3.根据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述根据所述第一灰度共生矩阵获得第一纹理特征包括：

以所述第一灰度共生矩阵的能量、对比度、局部相关度和熵作为所述第一纹理特征。

4.根据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述去除与标准管道纹理特征相似的所述第一纹理特征对应的所述第一异常区域包括：

获得所述第一纹理特征和所述标准管道纹理特征的二范数差异，以所述二范数差异的倒数作为判定指标；去除大于预设判定指标阈值的所述判定指标对应的所述第一异常区域。

5.根据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述根据所述第二灰度共生矩阵获得每个所述疑似裂纹区域的第二纹理特征集合包括：

将所述第二灰度共生矩阵转换至一维空间，获得一维特征向量；以所述疑似裂纹区域内所有像素点的所述一维特征向量的集合作为所述第二纹理特征集合。

6.根据权利要求2所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述根据所述脏污厚度和所述脏污区域的面积获得脏污特征包括：

根据所述正面管道图像和所述背面管道图像获得正面脏污区域和背面脏污区域；根据预设的正面脏污权重分别调整所述正面脏污区域的面积和所述脏污厚度；根据预设的背面脏污权重分别调整所述背面脏污区域的面积和所述脏污厚度；

将调整后的所述正面脏污区域的面积和所述背面脏污区域的面积累加，获得整体脏污面积信息；将调整后的所述正面脏污区域的所述脏污厚度和所述背面脏污区域的所述脏污厚度累加并求均值，获得整体脏污厚度信息；以所述整体脏污面积信息和所述整体脏污厚度信息的作为所述整体脏污特征。

7.根据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述根据所述裂纹区域在连续多帧所述太阳能管道图像中的尺寸大小变化和像素值大小变化获得裂纹变化特征包括：

根据尺寸大小变化公式获得所述尺寸大小变化；所述尺寸大小变化公式包括：

其中，为第个所述裂纹区域的所述尺寸大小变化，为第帧所述太阳能管道图像 中的所述裂纹区域的面积，为所述太阳能管道图像的帧数量；

根据像素值大小变化公式获得所述像素值大小变化；所述像素值大小变化公式包括：

其中，为第个所述裂纹区域的所述像素值大小变化，为第帧所述太阳能管道图 像中的所述裂纹区域的平均像素值，为所述太阳能管道图像的帧数量；

以所述尺寸大小变化和所述像素值大小变化的乘积作为所述裂纹变化特征。

8.据权利要求1所述的一种基于人工智能的太阳能集热效率分析方法，其特征在于，所述根据所述脏污特征、所述裂纹特征和当前环境数据预测太阳能集热效率包括：

将所述脏污特征、所述裂纹特征和所述当前环境数据输入至预先训练好的集热效率预测网络中，输出所述太阳能集热效率。

9.一种基于人工智能的太阳能集热效率分析系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。