CN116758425A - 一种大基地光伏电站自动验收方法和装置 - Google Patents
一种大基地光伏电站自动验收方法和装置 Download PDFInfo
- Publication number
- CN116758425A CN116758425A CN202310765961.0A CN202310765961A CN116758425A CN 116758425 A CN116758425 A CN 116758425A CN 202310765961 A CN202310765961 A CN 202310765961A CN 116758425 A CN116758425 A CN 116758425A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- camera
- photovoltaic power
- foreground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 claims abstract description 84
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000007689 inspection Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 241000237858 Gastropoda Species 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种大基地光伏电站自动验收方法和装置，该方法包括如下步骤：设置并根据无人机的巡检路线，利用第一相机和第二相机拍摄，获取光伏板的可见光图像和红外图像；根据可见光图像，判断光伏板是否存在缺陷，利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；预处理后通过大津法进行前景分割提取，获得前景区域图像；对前景区域图像进行热斑分割提取，获得热斑区域图像；根据地理坐标，进行图像匹配，确定光伏板缺陷类型；将采集图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。本发明利用长焦相机获取缺陷图像，图像清晰度高，便于后期图像识别匹配，方便技术人员准确识别缺陷类型，提高了光伏板的巡检效率。
Description
技术领域
本发明涉及光伏电站巡检技术领域，具体而言，涉及一种大基地光伏电站自动验收方法和装置。
背景技术
近几年随着光伏发电产业规模迅速扩张，光伏电站的日常运维压力日益增加。光伏面板作为光伏发电系统的核心组成部分，在日常的运行中长期暴露在自然环境下，不可避免会产生各种缺陷，如裂纹、蜗牛纹、损坏、焊带故障、污点、植被遮挡、局部发热等，及时发现面板缺陷并进行人工干预对保障光伏电站的发电效率有重要意义。
传统的方法主要是对面板的发电电流进行监测，当发电功率异常则可能存在面板缺陷。由于成本的限制，这种方法只能将故障限定在一定范围内，准确的故障定位还需要依赖人工排查，检测效率低，劳动量大。因此出现了一些利用无人机巡检的方法，但是大部分无人机巡检的方法在拍摄阶段通常只拍摄可见光图像和红外图像，拍摄完成后再对图像进行分析处理。受制于地形因素，光伏组件安装存在高度差，无人机的飞行高度和速度需要随时调整，而且拍摄时容易受到强光和气流的影响，造成拍摄的图像清晰度较差，使得图像匹配阶段的漏检率较高，匹配效果差，且在缺陷识别定位阶段无法实现精确定位和确定缺陷类型，因此还需要安排技术人员到缺失或模糊图像的区域进行排查，增加了运维人员的工作量。
发明内容
鉴于上述问题，本发明提供了一种大基地光伏电站自动验收方法和装置，解决了现有技术中拍摄的图像清晰度较差，使得图像匹配阶段的漏检率较高，匹配效果差，且在缺陷识别定位阶段无法实现精确定位和确定缺陷类型的问题。
为解决上述技术问题，本发明采用的技术方案是：一种大基地光伏电站自动验收方法，包括如下步骤：获取光伏电站的边界区域，根据所述边界区域设置无人机的巡检路线；根据所述巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像；根据所述可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；将所述红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像；采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，获得热斑区域图像；根据地理坐标，将所述热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型；将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
作为优选方案，根据所述边界区域设置无人机的巡检路线，包括：在所述边界区域内布设多个控制点，并利用无人机在控制点上方拍摄，获得控制点图像，所述控制点图像记录有地理坐标；根据所述控制点图像对光伏电站边界区域进行拟合，获得光伏电站拟合面；根据所述拟合面的向量角度和相机拍摄参数，确定无人机的拍摄姿态和巡检路线。
作为优选方案，所述第一相机为广角相机，所述第二相机为红外相机，所述第三相机为长焦相机。
作为优选方案，所述缺陷包括裂纹、蜗牛纹、损坏、污点和植被遮挡，则根据所述可见光图像，初步判断光伏板是否存在缺陷，包括：获取所述可见光图像，并对其进行灰度处理；采用canny边缘检测算法对灰度图像进行处理，获得二值化图像；在所述二值化图像上采用滑动窗口获取局部图像；对所述局部图像进行空间聚类，确定同类数据最多的类别，并获取该类别的外界矩阵；根据设置的外界矩阵最长边阈值，确定光伏板的缺陷位置。
作为优选方案，将所述红外图像进行预处理，具体为：对所述红外图像进行灰度处理，再进行中值滤波处理。
作为优选方案，所述大津法为计算前景图像与背景图像的类间方差最大时的分割阈值，设类间方差为g，则
g＝ω0(μ0-μ)2+ω1(μ1-μ)2；
上式中，ω0，ω1分别为前景图像像素点数和背景图像像素点数占整个图像的比例，μ0，μ1分别为前景图像和背景图像的平均灰度，μ为整个图像的平均灰度。
作为优选方案，所述采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，包括：在所述前景区域图像上选取第一局部窗口，计算每个第一局部窗口的增强系数，并将其作为第一局部窗口中心像素点的新像素，获得增强前景图像；在所述增强前景图像上选取第二局部窗口，计算每个第二局部窗口中像素的高斯加权和，再减去动态阈值，获得该像素点的分割阈值；根据所述分割阈值，对所述增强前景图像上的像素点进行分割，获得热斑区域图像。
作为优选方案，所述增强前景图像上的像素点表示为F(i，j)，当F(i，j)＝1时，即为热斑区域图像的像素点；
T(i，j)＝max(λdevd(i，j)，C)；
上式中，G(i，j)为像素点的高斯加权和，T(i，j)为动态阈值，λdev为标准差因子，C为绝对动态阈值，d(i，j)为像素点的坐标。
作为优选方案，将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，包括：使用BFMatcher方法对两张图像的特征点位置和对应的描述符进行匹配，根据随机抽样一致算法ransac去除不合格的特征匹配点对后，利用剩余匹配特征点对求解仿射变换矩阵，从而实现配准。
本发明还公开了一种大基地光伏电站自动验收装置，包括：路线设置模块，用于获取光伏电站的边界区域，根据所述边界区域设置无人机的巡检路线；图像拍摄模块，根据所述巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像；缺陷判断模块，根据所述可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；前景分割模块，将所述红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像；热斑提取模块，采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，获得热斑区域图像；缺陷确定模块，根据地理坐标，将所述热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型；配准标注模块，用于将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
与现有技术相比，本发明的有益效果包括：通过在无人机上安装广角、红外和长焦相机，在拍摄可见光图像的同时，利用canny边缘检测算法初步识别可能存在缺陷的区域，再利用长焦相机焦距长，适合拍摄远处对象的特点，获取缺陷图像，该方式获得的缺陷图像清晰度高，便于后期图像的识别匹配，方便技术人员准确识别缺陷的类型，提高了光伏板的巡检效率。将红外图像预处理后再通过大津法进行前景分割提取，再采用自适应动态阈值算法对前景区域图像进行热斑分割提取，获得热斑区域图像，可以降低光强随天气变化导致成像差异带来的影响，提高缺陷识别率。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例大基地光伏电站自动验收方法的流程示意图；
图2为本发明实施例大基地光伏电站自动验收装置的结构示意图；
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。一种大基地光伏电站自动验收方法，包括如下步骤：
S101，获取光伏电站的边界区域，根据边界区域设置无人机的巡检路线。
具体的，根据边界区域设置无人机的巡检路线，包括：
在边界区域内布设多个控制点，并利用无人机在控制点上方拍摄，获得控制点图像，控制点图像记录有地理坐标；
根据控制点图像对光伏电站边界区域进行拟合，获得光伏电站拟合面；
根据拟合面的向量角度和相机拍摄参数，确定无人机的拍摄姿态和巡检路线。
S102，根据巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像。
S103，根据可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像。
上述光伏板缺陷包括裂纹、蜗牛纹、损坏、污点和植被遮挡，则根据可见光图像，初步判断光伏板是否存在缺陷，包括：
(1)获取可见光图像，并对其进行灰度处理；
(2)采用canny边缘检测算法对灰度图像进行处理，获得二值化图像；
(3)在二值化图像上采用滑动窗口获取局部图像。
(4)对局部图像进行空间聚类，确定同类数据最多的类别，并获取该类别的外界矩阵。
(5)根据设置的外界矩阵最长边阈值，确定光伏板的缺陷位置。
本发明实施例中，第一相机为广角相机，第二相机为红外相机，第三相机为长焦相机。
S104，将红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像。将红外图像进行预处理，具体为：对红外图像进行灰度处理，再进行中值滤波处理。
大津法为计算前景图像与背景图像的类间方差最大时的分割阈值，设类间方差为g，则
g＝ω0(μ0-μ)2+ω1(μ1-μ)2；
上式中，ω0，ω1分别为前景图像像素点数和背景图像像素点数占整个图像的比例，μ0，μ1分别为前景图像和背景图像的平均灰度，μ为整个图像的平均灰度。
S105，采用自适应动态阈值算法对前景区域图像进行热斑分割提取，获得热斑区域图像。
采用自适应动态阈值算法对前景区域图像进行热斑分割提取，包括：
(1)在前景区域图像上选取第一局部窗口，计算每个第一局部窗口的增强系数，并将其作为第一局部窗口中心像素点的新像素，获得增强前景图像；
(2)在增强前景图像上选取第二局部窗口，计算每个第二局部窗口中像素的高斯加权和，再减去动态阈值，获得该像素点的分割阈值；
(3)根据分割阈值，对增强前景图像上的像素点进行分割，获得热斑区域图像。
增强前景图像上的像素点表示为F(i，j)，当F(i，j)＝1时，即为热斑区域图像的像素点；
T(i，j)＝max(λdevd(i，j)，C)；
上式中，G(i，j)为像素点的高斯加权和，T(i，j)为动态阈值，λdev为标准差因子，C为绝对动态阈值，d(i，j)为像素点的坐标。
S106，根据地理坐标，将热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型。
S107，将可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
本发明实施例中，将可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，包括：使用BFMatcher方法对两张图像的特征点位置和对应的描述符进行匹配，根据随机抽样一致算法ransac去除不合格的特征匹配点对后，利用剩余匹配特征点对求解仿射变换矩阵，从而实现配准。
参见图2，本发明还公开了一种大基地光伏电站自动验收装置，包括：
路线设置模101，用于获取光伏电站的边界区域，根据边界区域设置无人机的巡检路线；
图像拍摄模块102，根据巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像；
缺陷判断模块103，根据可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；
前景分割模块104，将红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像；
热斑提取模块105，采用自适应动态阈值算法对前景区域图像进行热斑分割提取，获得热斑区域图像；
缺陷确定模块106，根据地理坐标，将热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型；
配准标注模块107，用于将可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，本发明的有益效果包括：通过在无人机上安装广角、红外和长焦相机，在拍摄可见光图像的同时，利用canny边缘检测算法初步识别可能存在缺陷的区域，再利用长焦相机焦距长，适合拍摄远处对象的特点，获取缺陷图像，该方式获得的缺陷图像清晰度高，便于后期图像的识别匹配，方便技术人员准确识别缺陷的类型，提高了光伏板的巡检效率。将红外图像预处理后再通过大津法进行前景分割提取，再采用自适应动态阈值算法对前景区域图像进行热斑分割提取，获得热斑区域图像，可以降低光强随天气变化导致成像差异带来的影响，提高缺陷识别率。
应理解，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。
Claims (10)
1.一种大基地光伏电站自动验收方法，其特征在于，包括如下步骤：
获取光伏电站的边界区域，根据所述边界区域设置无人机的巡检路线；
根据所述巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像；
根据所述可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；
将所述红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像；
采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，获得热斑区域图像；
根据地理坐标，将所述热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型；
将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
2.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，根据所述边界区域设置无人机的巡检路线，包括：
在所述边界区域内布设多个控制点，并利用无人机在控制点上方拍摄，获得控制点图像，所述控制点图像记录有地理坐标；
根据所述控制点图像对光伏电站边界区域进行拟合，获得光伏电站拟合面；
根据所述拟合面的向量角度和相机拍摄参数，确定无人机的拍摄姿态和巡检路线。
3.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，所述第一相机为广角相机，所述第二相机为红外相机，所述第三相机为长焦相机。
4.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，所述缺陷包括裂纹、蜗牛纹、损坏、污点和植被遮挡，则根据所述可见光图像，初步判断光伏板是否存在缺陷，包括：
获取所述可见光图像，并对其进行灰度处理；
采用canny边缘检测算法对灰度图像进行处理，获得二值化图像；
在所述二值化图像上采用滑动窗口获取局部图像；
对所述局部图像进行空间聚类，确定同类数据最多的类别，并获取该类别的外界矩阵；
根据设置的外界矩阵最长边阈值，确定光伏板的缺陷位置。
5.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，将所述红外图像进行预处理，具体为：对所述红外图像进行灰度处理，再进行中值滤波处理。
6.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，所述大津法为计算前景图像与背景图像的类间方差最大时的分割阈值，设类间方差为g，则
g＝ω0(μ0-μ)2+ω1(μ1-μ)2；
上式中，ω0，ω1分别为前景图像像素点数和背景图像像素点数占整个图像的比例，μ0，μ1分别为前景图像和背景图像的平均灰度，μ为整个图像的平均灰度。
7.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，所述采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，包括：
在所述前景区域图像上选取第一局部窗口，计算每个第一局部窗口的增强系数，并将其作为第一局部窗口中心像素点的新像素，获得增强前景图像；
在所述增强前景图像上选取第二局部窗口，计算每个第二局部窗口中像素的高斯加权和，再减去动态阈值，获得该像素点的分割阈值；
根据所述分割阈值，对所述增强前景图像上的像素点进行分割，获得热斑区域图像。
8.根据权利要求7所述的大基地光伏电站自动验收方法，其特征在于，所述增强前景图像上的像素点表示为F(i，j)，当F(i，j)＝1时，即为热斑区域图像的像素点；
T(i，j)＝max(λdevd(i，j)，C)；
上式中，G(i，j)为像素点的高斯加权和，F(i，j)为动态阈值，λdev为标准差因子，C为绝对动态阈值，d(i，j)为像素点的坐标。
9.根据权利要求1所述的大基地光伏电站自动验收方法，其特征在于，将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，包括：使用BFMatcher方法对两张图像的特征点位置和对应的描述符进行匹配，根据随机抽样一致算法ransac去除不合格的特征匹配点对后，利用剩余匹配特征点对求解仿射变换矩阵，从而实现配准。
10.一种大基地光伏电站自动验收装置，其特征在于，包括：
路线设置模块，用于获取光伏电站的边界区域，根据所述边界区域设置无人机的巡检路线；
图像拍摄模块，根据所述巡检路线，利用第一相机和第二相机拍摄待检测光伏板，获取光伏板的可见光图像和红外图像；
缺陷判断模块，根据所述可见光图像，初步判断光伏板是否存在缺陷，若存在，则利用第三相机拍摄光伏板的缺陷位置，获得缺陷图像；
前景分割模块，将所述红外图像进行预处理，再通过大津法对预处理后的图像进行前景分割提取，获得前景区域图像；
热斑提取模块，采用自适应动态阈值算法对所述前景区域图像进行热斑分割提取，获得热斑区域图像；
缺陷确定模块，根据地理坐标，将所述热斑区域图像与可见光图像和缺陷图像进行匹配，确定光伏板缺陷类型；
配准标注模块，用于将所述可见光图像和/或缺陷图像与光伏电站虚拟仿真场景图像进行配准，并标注缺陷类型，生成验收报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765961.0A CN116758425A (zh) | 2023-06-26 | 2023-06-26 | 一种大基地光伏电站自动验收方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765961.0A CN116758425A (zh) | 2023-06-26 | 2023-06-26 | 一种大基地光伏电站自动验收方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116758425A true CN116758425A (zh) | 2023-09-15 |
Family
ID=87947617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310765961.0A Pending CN116758425A (zh) | 2023-06-26 | 2023-06-26 | 一种大基地光伏电站自动验收方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758425A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252840A (zh) * | 2023-09-26 | 2023-12-19 | 西安交通大学 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
| CN118115821A (zh) * | 2024-04-28 | 2024-05-31 | 国网辽宁省电力有限公司辽阳供电公司 | 基于图像特征提取的光伏板故障识别方法 |
| CN118506220A (zh) * | 2024-07-16 | 2024-08-16 | 南京启征信息技术有限公司 | 基于目标检测算法的光伏场站缺陷识别方法、系统及装置 |
| CN118506220B (zh) * | 2024-07-16 | 2024-11-15 | 南京启征信息技术有限公司 | 基于目标检测算法的光伏场站缺陷识别方法、系统及装置 |
-
2023
- 2023-06-26 CN CN202310765961.0A patent/CN116758425A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252840A (zh) * | 2023-09-26 | 2023-12-19 | 西安交通大学 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
| CN117252840B (zh) * | 2023-09-26 | 2024-04-05 | 西安交通大学 | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
| CN118115821A (zh) * | 2024-04-28 | 2024-05-31 | 国网辽宁省电力有限公司辽阳供电公司 | 基于图像特征提取的光伏板故障识别方法 |
| CN118506220A (zh) * | 2024-07-16 | 2024-08-16 | 南京启征信息技术有限公司 | 基于目标检测算法的光伏场站缺陷识别方法、系统及装置 |
| CN118506220B (zh) * | 2024-07-16 | 2024-11-15 | 南京启征信息技术有限公司 | 基于目标检测算法的光伏场站缺陷识别方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
| CN107704844B (zh) | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 | |
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
| CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
| CN109886947A (zh) | 基于区域的卷积神经网络的高压电线缺陷检测方法 | |
| CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
| CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
| CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN116665080B (zh) | 基于目标识别的无人机劣化绝缘子检测方法及系统 | |
| CN111899219A (zh) | 一种输电线路机巡的图像识别方法及系统 | |
| CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
| CN115639248A (zh) | 一种用于建筑外墙质量检测的系统及方法 | |
| CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及系统 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
| CN111242889A (zh) | 一种光伏组件的热斑识别方法和装置 | |
| CN117308881A (zh) | 一种隧道检修道盖板倾斜角度的检测装置和检测方法 | |
| CN113947567B (zh) | 基于多任务学习的缺陷检测方法 | |
| CN109919129A (zh) | 一种基于图像的异物检测方法 | |
| CN116777888A (zh) | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |