基于图像感知的光伏电池母线腐蚀情况分析方法

摘要

本发明公开了一种基于图像感知的光伏电池母线腐蚀情况分析方法。包括：对采集的光伏电池组件图像进行检测，得到光伏电池单板图像；将光伏电池单板图像中的边框区域分割出来，得到边框语义感知图；根据光伏电池单板图像与边框语义感知图，得到光伏电池板边框图像；对光伏电池板边框图像进行分类分析，判断光伏电池板是否存在脱层现象，若存在脱层现象，则根据脱层面积对光伏电池板母线腐蚀情况进行度量分析。利用本发明，提高了电池板利用率和发电功率，节省人力物力，提高了运维效率。

说明书

技术领域

本发明涉及新能源光伏发电、计算机视觉、人工智能技术领域，具体涉及一种基于图像感知的光伏电池母线腐蚀情况分析方法。

背景技术

长时间暴露在高温、高湿环境下的太阳能电池板会发生故障，在外观上主要表现为两类，一类为树脂背板部分鼓包，另一类为电池单元外周附近从保护玻璃上剥落的脱层现象。脱层现象可能会导致背板的劣化，太阳能电池板内进入水蒸气与封装材料EVA发生化学反应，生成醋酸气体，对母线(电池单元上的粗线状电极)周围造成腐蚀。目前，针对光伏电池板腐蚀进行检测的方法多采用对醋酸气体量进行检测，不能为光伏电池板更换提供较为准确的依据。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于图像感知的光伏电池母线腐蚀情况分析方法。

一种基于图像感知的光伏电池母线腐蚀情况分析方法，该方法包括：

步骤1，对采集的光伏电池组件图像进行检测，得到光伏电池单板图像；

步骤2，将光伏电池单板图像中的边框区域分割出来，得到边框语义感知图；

步骤3，根据光伏电池单板图像与边框语义感知图，得到光伏电池板边框图像；

步骤4，对光伏电池板边框图像进行分类分析，判断光伏电池板是否存在脱层现象，若存在脱层现象，则根据脱层面积对光伏电池板母线腐蚀情况进行度量分析：

g(t)＝g(0)+∫f(h(t),T(t),s(t))*vdt

其中，g(0)为初始时刻的母线腐蚀度量，h(t)代表第t时刻湿度传感器数据，T(t)代表第t时刻温度传感器数据，若T(t)

所述湿度、温度、脱层面积对参考速率的影响函数为：

其中，H代表发生反应的参考湿度。

根据光伏电池单板图像与边框语义感知图，得到光伏电池板边框图像包括：

对边框语义感知图进行二值化，得到边框感知二值遮罩；

将边框感知二值遮罩与光伏电池单板图像点对点相乘，得到光伏电池板边框图像。

所述步骤1具体为：

利用光伏单板检测神经网络对采集的光伏电池组件图像进行检测，得到光伏电池单板图像。

所述步骤2具体为：

利用边框语义分割神经网络将光伏电池单板图像中的边框区域分割出来，得到边框语义感知图。

所述对光伏电池板边框图像进行分类分析，判断光伏电池板是否存在脱层现象包括：

利用脱层分割神经网络对光伏电池板边框图像进行分割，输出脱层语义感知图，所述脱层语义感知图用于区分脱层区域、正常区域以及其他无关区域的语义；

统计脱层语义感知图中脱层区域像素的个数，若大于设定阈值，则判断存在脱层现象。

该方法还包括：

对边框感知二值遮罩进行开运算，开运算后的结果与光伏电池单板图像点对点相乘，得到光伏电池板边框图像。

所述脱层面积的计算方法如下：

其中，N

所述脱层语义感知图还用于区分母线区域与其他类型区域的语义。

所述根据脱层面积对光伏电池板母线腐蚀情况进行度量分析：

g(t)＝g(0)+∫f(h(t),T(t),s(t),a(t))*vdt

其中，g(0)为初始时刻的母线腐蚀度量，h(t)代表第t时刻湿度传感器数据，T(t)代表第t时刻温度传感器数据，若T(t)

本发明与现有技术相比，具有以下有益效果：

无需对背板附着的醋酸气体进行定量分析，仅需要图像信息、传感器数据即可实现对发光伏电池母线腐蚀情况的度量分析，为电池板更换时机提供量化依据，不仅提高了电池板利用率和发电功率，而且节省人力物力，提高运维效率。通过深度神经网络处理图像数据，鲁棒性好，泛化能力强，可适用于各类场景中。通过多次图像操作，隔离了无关工况，使最后分类结果和面积分析结果更加准确。通过数学模型分析光伏电池板母线腐蚀情况，通过易获得的数据分析难以观察到的数据。

附图说明

图1为本发明的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

脱层现象直接对母线造成腐蚀，导致发电功率降低。如果发现脱层，立即更换电池板，并不能达到经济效益与发电效益的良好平衡。因此，除了对导致母线腐蚀的脱层现象进行检测，还应当对母线腐蚀情况进行分析，从而提高光伏电池板的利用率，并保证较高的发电效率。本发明提供一种基于图像感知的光伏电池母线腐蚀情况分析方法。通过图像处理和多维度信息感知实现对光伏电站内太阳能电池板母线腐蚀情况进行分析。图1为本发明的流程图。下面通过具体实施例来进行说明。

实施例1：

基于图像感知的光伏电池母线腐蚀情况分析方法：

步骤1，对采集的光伏电池组件图像进行检测，得到光伏电池单板图像。具体地，利用光伏单板检测神经网络对采集的光伏电池组件图像进行检测，得到光伏电池单板图像。

无人机采集RGB图像，送入光伏单板检测神经网络，检测目标为光伏电池板单板，输出结果为光伏电池板单板的包围框。

光伏单板检测神经网络，网络的输入为无人机所采集的RGB图像，经过光伏单板检测编码器Encoder1提取特征，输出第一特征图Featuremap1，第一特征图Featuremap1经Flatten(展平)操作后作为输入送入第一全连接网络FC1，输出光伏电池单板的包围框。具体训练方法为：训练集选择无人机采集的多张RGB图像，标注为包围框左上角点坐标和右下角点坐标，损失函数采用均方误差损失函数。基于包围框对原图像裁剪，并采样至等大图像，即得到光伏电池单板图像。该步骤的目的为仅提取一个光伏电池板图像，以避免在后续图像分类时，受到相邻光伏电池板的干扰。采样至等大图像目的为便于作为后续网络的输入。

步骤2，将光伏电池单板图像中的边框区域分割出来，得到边框语义感知图。具体地，光伏电池单板图像送入边框语义分割神经网络，对像素点分类，输出边框语义感知图。

边框语义分割神经网络的输入为光伏电池单板图像，经过第一语义分割编码器Encoder2提取特征，输出第二特征图Featuremap2，Featuremap2送入第一语义分割解码器Decoder2上采样，输出边框语义感知图。边框语义分割神经网络的具体训练方法为：训练集选择裁剪后等大的光伏电池单板图像，其中应包含处于脱层情况的光伏电池单板图像，标注为通过标注工具如labelme等对像素点类别标注，像素点类别为边框、电池板和其他无关项。损失函数采用交叉熵损失函数。

步骤3，根据光伏电池单板图像与边框语义感知图，得到光伏电池板边框图像。具体地，对边框语义感知图进行二值化，得到边框感知二值遮罩；将边框感知二值遮罩与光伏电池单板图像点对点相乘，得到光伏电池板边框图像。

首先，基于边框语义感知图生成初始边框遮罩。令边框语义感知图中，属于边框类别的像素点像素值设置为1，其他设置为0，得到初始边框遮罩二值图。对初始边框遮罩进行图像形态学运算，具体为开运算，即图像先腐蚀后膨胀操作，目的为消除因图像误检出现的噪点，得到边框感知二值遮罩。

将边框感知二值遮罩与光伏电池单板图像进行逐点相乘操作，得到仅包含边框范围内信息的图像。将二值图与光伏电池单板图像逐点相乘，即二值图中像素值为0的像素点在相乘后仍为0，而二值图中像素值为1的像素点相乘后保留裁剪图原像素值。光伏电池板脱层情况发生时应在边框区域先出现脱层现象，该步骤目的为仅关注边框区域的图像信息，隔离无关工况干扰。

步骤4，对光伏电池板边框图像进行分类分析，判断光伏电池板是否存在脱层现象，若存在脱层现象，则根据脱层面积对光伏电池板母线腐蚀情况进行度量分析：

g(t)＝g(0)+∫f(h(t),T(t),s(t))*vdt

其中，g(0)为初始时刻的母线腐蚀度量，h(t)代表第t时刻湿度传感器数据，T(t)代表第t时刻温度传感器数据，若T(t)

对光伏电池板边框图像进行分类分析，判断光伏电池板是否存在脱层现象包括：利用脱层分割神经网络对光伏电池板边框图像进行分割，输出脱层语义感知图，所述脱层语义感知图用于区分脱层区域、正常区域以及其他无关区域的语义；统计脱层语义感知图中脱层区域像素的个数，若大于设定阈值，则判断存在脱层现象。

将光伏电池板边框图像作为输入送入脱层分割神经网络，经过第二语义分割编码器Encoder3提取特征，输出第三特征图Featuremap3，第三特征图Featuremap3经第二语义分割解码器Decoder3上采样，输出脱层语义感知图。脱层分割神经网络中像素点类别为三类，即脱层情况和正常情况以及无关项，在本发明中无关项为属于光伏电池板单板之外的像素点。脱层分割神经网络具体训练方法为：训练集选择多张光伏电池板边框图像，标注为像素级标注，像素点类别为两类，即无关项类别对应索引0，正常情况像素点类别对应索引1，脱层情况像素点类别对应索引2，标注需经过one-hot编码，损失函数采用交叉熵损失函数。

统计脱层语义感知图中像素值为1以及像素值为2的像素点的个数，若存在像素值为2的像素点，且大于设定阈值m

以上获得了脱层检测结果，接下来需要结合传感器检测的数据进行分析。通过传感器采集数据，构建腐蚀情况度量分析数学模型，当边框区域存在脱层现象时，采用该数学模型对光伏电站内太阳能电池板母线腐蚀情况进行分析。触发条件为边框区域存在脱层现象。实时采集传感器数据，传感器包括温度传感器和湿度传感器。其中温度传感器仅需部署一个，位于任一光伏电池板表面即可，湿度传感器采用薄膜传感器，部署于各光伏电池板边框区域内。其原因为同一范围区域的光伏电池组件环境温度不会存在大幅度变化，为节省耗材采用一个温度传感器采集数据，以该数据作为整个区域光伏电池板的温度数据；湿度传感器因位置不同，会受周围草势、降水区域不定等因素影响，因此需要采集每块电池板的湿度信息，且部署于边框区域，主要采集边框区域的湿度，使后续计算更准确。

构建母线腐蚀情况度量分析数学模型，由于母线腐蚀原因为脱层电池板内进入有水蒸气，水蒸气与保护玻璃与背板之间填充的封装材料EVA(乙烯-醋酸乙烯酯共聚物)作用产生的，为化学作用，即需要温度达到一定数值才符合反应环境。因此，提出湿度、温度、脱层面积对参考速率的影响函数f(h(t),T(t),s(t))，满足：

其中，h(t)代表第t时刻湿度传感器数据，T(t)代表第t时刻温度传感器数据，若T(t)

g(t)＝g(0)+∫f(h(t),T(t),s(t))*vdt

其中，g(0)为初始时刻的母线腐蚀度量，可根据腐蚀情况设置，若安装后立即开始监测，则初始值为0，v代表参考湿度、参考温度下反应的参考速率。由于催化温度可以确定，因此参考温度为T

考虑反应物的量，由于EVA材料量固定，而水蒸气量与湿度成线性正比例关系，则当h(t)大于H时，即所测湿度大于标准湿度，对反应速率起增益作用；当h(t)等于H时，即所测湿度等于标准湿度，取标准反应速率；当h(t)小于H时，即所测湿度小于标准湿度，对反应速率起负增益作用。此外，湿度越大反应物的接触面积可能越大(湿度低的时候水蒸气可能不足以完全覆盖脱层区域，在刚进入脱层区域边缘时就全部参与反应)。考虑催化温度的影响，仅当满足催化温度时，T(t)∈[T

其中，H代表发生反应的参考湿度。上述函数综合了湿度、温度、脱层面积对腐蚀情况的影响。

实施例2：

本实施例提供一种基于图像感知的光伏电池母线腐蚀情况分析方法，与实施例1的区别在于考虑了脱层区域中的母线占比。若脱层区域中包含母线区域较大，势必对母线造成更严重的腐蚀。因此，脱层语义感知图还用于区分母线区域与其他类型区域的语义。根据脱层面积对光伏电池板母线腐蚀情况进行度量分析：

g(t)＝g(0)+∫f(h(t),T(t),s(t),a(t))*vdt

其中，g(0)为初始时刻的母线腐蚀度量，h(t)代表第t时刻湿度传感器数据，T(t)代表第t时刻温度传感器数据，若T(t)

q(T(t),s(t),a(t))为温度、脱层面积、母线区域面积对参考速率的影响函数。优选地，f(h(t),T(t),s(t),a(t))如下：

其中，H代表发生反应的参考湿度，b为补偿系数，由于母线区域面积影响更大，b>1。

以上实施例仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。