技术领域
本发明涉及人工智能、计算机视觉领域,尤其是一种基于人工智能的光伏电池板损坏风险程度检测方法。
背景技术
光伏电池板经过焊接密封后一般在恶劣的气候环境下使用,外在应变力以及环境因素很容易导致电池板密封失效。电池板边框封装失效时电池板边缘会出现气泡或者局部变色现象,均表现为电池板表面边框颜色发生变化。电池板密封失效范围较大时会引起电池板内部隐裂、电池板内部铝边框腐蚀等问题出现,进而造成电池板损坏,输出功率下降,带来电站整体发电量下降等问题。
对于光伏电池板损坏风险程度的检测目前主要依靠人为目测根据以往经验判断,仅依靠人为检测不仅需要耗费大量劳动力,而且存在准确性不高、实时性差以及效率低等问题,容易出现误检漏检等现象。
发明内容
为了解决上述问题,本发明提出一种基于人工智能的光伏电池板损坏风险程度检测方法,该方法包括:
步骤一,利用相机采集光伏电池板图像,并对光伏电池板图像进行预处理,预处理后进行ROI区域的设置;
步骤二,对光伏电池板图像中的ROI区域进行语义感知,得到感知效果图;对感知效果图进行变色区域的连通域分析,将每个连通域中的像素相加,得到像素和;
步骤三,构建隐裂风险模型和损坏风险程度模型,其中,隐裂风险模型用于根据像素和对光伏电池板的隐裂风险进行分析,损坏风险程度模型用于根据隐裂风险对光伏电池板的损坏风险程度进行分析。
所述相机为轨道相机,安装在光伏电池板一侧的轨道上。
所述预处理包括去噪处理、光照均匀化处理、图像增强处理。
所述ROI区域为相邻光伏电池板的边缘连接区域。
语义感知的具体过程为:语义感知编码器对输入图像中的ROI区域进行特征提取,输出特征图,语义感知解码器对特征图进行上采样,输出感知图;感知效果图中变色区域像素为1,其他区域像素为0。
隐裂风险模型具体为:
其中,α、β为可调参数,α>0,β>0,s代表变色区域像素和,σ表示光伏电池板存在隐裂的风险程度。
损坏风险程度模型具体为:
ε=log
其中,p、q为不同的权重且p+q=1,τ为大于0的偏置项,T为光伏电池板的温度,ε为光伏电池板的损坏风险程度,a>1。
本发明的有益效果在于:
1.本发明可以根据光伏电池板边缘处变色区域的大小进行光伏电池板损坏风险程度的分析,可以及时提醒工作人员对光伏电池板进行维修更换,防止造成光伏电池板发电率降低等问题。
2.本发明只对光伏电池板图像中的ROI区域进行语义感知操作,计算量小,且可以准确对光伏电池板边缘处的变色区域进行语义感知。
3.本发明基于人工智能对光伏电池板的损坏风险程度进行检测,解决了以往人为对光伏电池板损坏风险程度进行检测时耗时长、准确性低、实时性差等问题。
附图说明
图1为本发明实施流程图。
图2为ROI区域示意图。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例和附图对本发明进行详细描述。
本发明的主要目的为光伏电池板密封失效时对光伏电池板的损坏风险程度进行分析,以便相关管理部门的工作人员能够对损坏严重的光伏电池板及时进行维修更换,防止出现因电池板长时间损坏造成发电站发电量降低的问题;具体地,本发明提出一种基于人工智能的光伏电池板损坏风险程度检测方法,其实施流程如图1所示,首先对采集到的光伏电池板图像进行预处理,并在图像中划分ROI区域,对图像中的ROI区域进行语义感知后得到变色区域,统计变色区域中的像素和;建立数学模型,根据像素和对光伏电池板的隐裂风险以及损坏风险程度进行分析。
实施例:
在整列电池板旁边均设置轨道相机,通过轨道相机采集电池板图像。所述轨道相机是指在光伏电池板一侧布置轨道,然后安装可在轨道中滑动的相机,对光伏电池板表面进行图像采集。
光伏电池板边框封装失效时电池板边缘会出现气泡或者局部变色现象,两种现象均表现为电池板表面边框颜色发生变化,为了使图像中变色区域的特征更加明显,便于后续提取变色区域,本发明需要对光伏电池板图像进行预处理,预处理包括图像去噪处理、光照均匀化处理、图像增强处理,具体地:
图像去噪处理:中值滤波效果依赖于滤波窗口的大小,太大会使边缘模糊,太小了则去噪效果不佳。因为噪声点和边缘点均是灰度变化较为剧烈的像素,普通中值滤波在改变噪声点灰度值时,会一定程度地改变边缘像素灰度值,使图像边缘失真。边缘密封失效区域多出现在电池板的边缘及附近,若图像边缘处失真较多,影响系统后续检测效果。所以实施例对中值滤波进行改进,采用5×5的滤波窗口对图像进行逐列扫描,当处理每一个像素时,判断该像素是否为滤波窗口所覆盖的邻域像素的极大或者极小值,如果是,则将窗口领域内像素的中值代替该像素的值,如果不是,则该像素值不变。
光照均匀化处理:图像光照不均匀会对后续局部变色区域感知造成影响,因此需要消除光照不均匀,建立图像亮度归一化函数,以便使图像光照均匀化,函数表达式如下:
其中,f(x,y)为经过图像去噪处理的图像的亮度值,o(x,y)为消除光照不均匀后图像的亮度值,c为用于亮度增强的指数值,
图像增强处理:本发明考虑到电池板边缘密封失效的特征不够明显,后续难以对电池板表面特征进行提取检测。为突出图像中的变色区域信息,对后续的图像分析技术提供良好的基础,本发明对图像进行增强处理,图像增强具体处理方法为:
其中,g(x,y)为图像增强后的图像,o(x,y)代表经过光照均匀化处理的图像,ρ、μ、ω为可调参数,实施者可自行设置。
至此,完成光伏电池板图像的预处理。
为了提高网络的计算速度及感知精度,对预处理后的图像进行ROI区域的设置,便于网络方便快速的提取光伏电池板图像中的变色区域;ROI区域为:光伏电池板之间的连接部分作为感兴趣区域,也即各个电池板边缘连接处作为ROI区域,图2中虚线框内部分即为ROI区域,ROI区域的范围实施者可根据实际情况自行定义。
利用语义感知网络对光伏电池板图像中的ROI区域进行语义感知,得到感知效果图;其中,语义感知网络的训练过程为:
制作标签:对光伏电池板图像进行标注,光伏电池板边缘密封失效时,所拍摄电池板图像中ROI区域会出现局部变色,因此将标签数据分为两类,ROI区域电池板边缘变色位置像素标注为1;其他均作为背景像素,标注为0。
将光伏电池板图像数据以及标签数据送入语义感知网络进行训练,语义感知编码器对输入图像中的ROI区域进行特征提取,输出特征图,语义感知解码器对特征图进行上采样,输出与输入图像等大的感知效果图。
采用均方误差损失函数进行迭代训练,直至网络收敛。
对于ROI区域,若网络检测到有变色现象,则认为光伏电池板边缘封装不良,密封失效。实施例对密封失效导致的光伏电池板中的变色区域的像素进行统计,并分析对光伏电池板的影响程度。
经过语义感知网络对边缘处的变色区域进行提取后,得到感知效果图,感知效果图为二值图,图中变色区域的像素为1,其他背景区域像素为0;对含有变色区域的感知效果图进行变色区域的连通域分析,得到至少一个变色区域的连通域,将每个连通域中的像素相加,得到变色区域的像素和s,其中:
式中M为连通域的个数,s
构建隐裂风险模型和损坏风险程度模型,其中,用于根据像素和对光伏电池板的隐裂风险进行分析的隐裂风险模型具体为:
其中,α、β为人为设定可调参数,α>0,β>0,实施例中α=5,β=10,实施者根据实际情况而定,s代表变色区域像素和,σ表示电池板存在隐裂的风险程度。式中,变色区域像素和越大,则电池板隐裂风险程度越高,所建隐裂风险模型引入指数函数是为了保证函数递增的特性。
用于根据隐裂风险对光伏电池板的损坏风险程度进行分析的损坏风险程度模型具体为:
ε=log
其中,p、q为不同的权重且p+q=1,τ为大于0的偏置项,实施者根据实际情况设定。式中a>1,ε为电池板损坏风险程度,T为电池板的温度,σ表示电池板存在隐裂的风险程度;实施例中p=0.7,q=0.3,τ=1。
实施例中设置阈值,如果ε大于所设阈值,则认为电池板损坏风险程度过大,提示光伏电站相关工作人员及时对电池板进行维修更换,防止造成光伏电站发电量下降等问题。
以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明。
机译: 太阳能电厂太阳能电池板损坏防护人工智能AI自动控制装置配置和设施方法
机译: 基于人工智能的人工智能和火灾检测方法的火灾探测系统
机译: 物联网中基于人工智能的人工智能辅助健康检测方法及电子设备