基于人工智能的光伏电池功率衰减分析方法及系统

摘要

本发明公开了一种基于人工智能的光伏电池功率衰减分析方法及系统，涉及人工智能领域。该方法包括如下步骤：获取电池板表面图像，输入深度神经网络，获得焊带区域遮罩，然后结合电池板表面图像，获取焊带边缘图像。根据焊带边缘剪切得到单个焊带区域图像并切分，获得焊带子图像，提取每个焊带子图像的特征信息。建立对应焊带子图像的三维特征向量并经过聚类处理，获得焊带偏移程度。当焊带偏移程度大于偏移阈值时，将电池板表面图像输入脱层语义网络，获得电池板脱层区域面积，结合焊带偏移程度获得电池板功率衰减程度。从而提高了对焊带偏移程度精确的检测，实现了更加准确的获取焊带偏移程度对电池板输出功率衰减程度的影响。

说明书

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光伏电池功率衰减分析方法及系统。

背景技术

目前，随着新能源的兴起，太阳能电池应用越来越广泛。焊带是光伏组件焊接过程中的重要原材料，焊带焊接时的好坏将直接影响到光伏电池板的发电功率。在光伏电池板生产过程中，为了提高焊接质量和效率，人们开始使用焊接机来代替普通的人工焊接，焊接机在实际工作中，需要在焊接机上设计焊带定位装置，以起到固定焊带的作用，但是，焊接机定位出现异常将造成焊带偏移，或者因电压或者其他原因，焊接机在焊接过程中或出现虚焊的问题。这会造成电池板在使用过程中，出现脱焊等问题，从而也会引起焊带偏移。当焊带偏移程度过大会时，会影响到电池板的其他部件，最终造成电池板输出功率衰减。但是焊带偏移对电池板输出功率衰减程度的影响很难直观的反映出来，所以目前针对焊带偏移对电池板输出功率衰减的影响程度，没有系统的检测分析方法。

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光伏电池功率衰减分析方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的光伏电池功率衰减分析方法，包括以下步骤：

获取电池板表面图像，并经预处理后输入深度神经网络，获得焊带区域遮罩，所述焊带区域遮罩包括焊带特征；

将所述焊带区域遮罩结合所述电池板表面图像经过图像处理后，获取焊带边缘图像并根据焊带边缘剪切，获得单个焊带区域图像；

切分所述单个焊带区域图像，获得焊带子图像，经图像处理，提取每个所述焊带子图像的特征信息，所述特征信息包括焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点；

根据所述特征信息建立对应所述焊带子图像的三维特征向量，统计全部焊带子图像的三维特征向量并经过聚类处理，获得子焊带偏移类别信息，所述子焊带偏移类别信息包括偏移等级以及每个偏移等级包含的所述焊带子图像的数量；

根据所述子焊带偏移类别信息获得焊带偏移程度，当所述焊带偏移程度大于偏移阈值时，将所述电池板表面图像输入脱层语义网络，获得电池板脱层区域面积；

根据所述电池板脱层区域面积结合所述焊带偏移程度获得电池板功率衰减程度。

优选的，切分所述单个焊带区域图像，获得焊带子图像，经图像处理，提取每个所述焊带子图像的特征信息，包括以下步骤：

根据所述单个焊带区域图像中焊带的垂直方向切分图像，获得焊带子图像，并进行连通域分析，提取子焊带连通域；

获取所述子焊带连通域的中心点，利用连通域分析获取所述子焊带连通域的周长；

获取所述子焊带连通域的最小外接矩形，获取水平线与所述最小外接矩形的倾斜角度。

优选的，根据所述子焊带偏移类别信息获得焊带偏移程度得方法为：对所述子焊带偏移类别信息中的偏移等级赋予权重，结合每个所述偏移等级所包含的焊带子图像数量进行加权求和，获得所述焊带偏移程度。

优选的，该方法还包括根据所述脱层区域面积获得脱层程度，结合面积阈值判定是否需要对偏移阈值进行调节。

优选的，根据所述电池板脱层区域面积结合所述偏移类别信息获得电池板功率衰减程度的方法包括将所述电池板脱层区域面积S和所述偏移程度M输入功率衰减模型，获得电池板功率衰减程度；所述功率衰减模型σ为：

其中，τ为可调常数；α第一权重值，β第二权重值，且α+β＝1。

第二方面，本发明另一个实施例提供了一种基于人工智能的光伏电池功率衰减分析系统，包括：

图像采集模块，用于获取电池板表面图像，并经预处理后输入深度神经网络，获得焊带区域遮罩，所述焊带区域遮罩包括焊带特征；

焊带提取模块，用于将所述焊带区域遮罩结合所述电池板表面图像经过图像处理后，获取焊带边缘图像并根据焊带边缘剪切，获得单个焊带区域图像；

子焊带特征获取模块，用于切分所述单个焊带区域图像，获得焊带子图像，经图像处理，提取每个所述焊带子图像的特征信息，所述特征信息包括焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点；

偏移类别获取模块，用于根据所述特征信息建立对应所述焊带子图像的三维特征向量，统计全部焊带子图像的三维特征向量并经过聚类处理，获得子焊带偏移类别信息，所述子焊带偏移类别信息包括偏移等级以及每个偏移等级包含的所述焊带子图像的数量；

脱层区域获取模块，用于根据所述子焊带偏移类别信息获得焊带偏移程度，当所述焊带偏移程度大于偏移阈值时，将所述电池板表面图像输入脱层语义网络，获得电池板脱层区域面积；

功率衰减程度获取模块，用于根据所述电池板脱层区域面积结合所述焊带偏移程度获得电池板功率衰减程度。

优选的，子焊带特征获取模块包括：

子焊带连通域获取单元，用于根据所述单个焊带区域图像中焊带的垂直方向切分图像，获得焊带子图像，并进行连通域分析，提取子焊带连通域；

中心点及周长获取单元，用于获取所述子焊带连通域的中心点，利用连通域分析获取所述子焊带连通域的周长；

倾斜角度获取单元，用于获取所述子焊带连通域的最小外接矩形，获取水平线与所述最小外接矩形的倾斜角度。

优选的，脱层区域获取模块包括焊带偏移程度获取单元，用于对所述子焊带偏移类别信息中的偏移等级赋予权重，结合每个所述偏移等级所包含的焊带子图像数量进行加权求和，获得所述焊带偏移程度。

优选的，脱层区域模块还包括反馈调节单元，用于根据所述脱层区域面积获得脱层程度，结合面积阈值判定是否需要对偏移阈值进行调节。

优选的，功率衰减程度获取模块包括功率衰减获取单元，用于将所述电池板脱层区域面积S和所述偏移程度M输入功率衰减模型，获得电池板功率衰减程度；所述功率衰减模型σ为：

其中，τ为可调常数；α第一权重值，β第二权重值，且α+β＝1。

本发明实施中至少具有如下有益效果：

本发明通过深度神经网络获取焊带区域遮罩，然后结合电池板表面图像进行图像处理后获取焊带边缘图像，排除电池板栅线的干扰。探后根据焊带边缘获取单个焊带区域图像并进行切分，获取多个焊带子图像，并提取焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点三个特征向量，减小了单一特征信息可能出现的误判的问题。然后经过聚类处理获得子焊带类别信息。根据子焊带类别信息获得焊带偏移程度，当焊带偏移程度大于偏移阈值时，将电池板表面图像输入脱层语义网络，获得电池板脱层区域面积，然后结合焊带偏移程度获得电池板功率衰减程度。从而提高了对焊带偏移程度精确的检测，实现了更加准确的获取焊带偏移程度对电池板输出功率衰减程度的影响。

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光伏电池功率衰减分析方法示意图；

图2为本发明一个实施例所提供的一种基于人工智能的光伏电池功率衰减分析方法流程图；

图3为本发明一个实施例所提供的一种基于人工智能的光伏电池功率衰减分析系统结构框图。

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光伏电池功率衰减分析方法及系统，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光伏电池功率衰减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所提供的一种基于人工智能的光伏电池功率衰减分析方法示意图；图2示出了本发明一个实施例所提供的一种基于人工智能的光伏电池功率衰减分析方法流程图。

一种基于人工智能的光伏电池功率衰减分析方法，其流程图如图2所示，包括以下步骤：

步骤1：获取电池板表面图像，并经预处理后输入深度神经网络，获得焊带区域遮罩，焊带区域遮罩包括焊带特征；

步骤2：将焊带区域遮罩结合电池板表面图像经过图像处理后，获取焊带边缘图像并根据焊带边缘剪切，获得单个焊带区域图像；

步骤3：切分单个焊带区域图像，获得焊带子图像，经图像处理，提取每个焊带子图像的特征信息，特征信息包括焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点；

步骤4：根据特征信息建立对应焊带子图像的三维特征向量，统计全部焊带子图像的三维特征向量并经过聚类处理，获得子焊带偏移类别信息，子焊带偏移类别信息包括偏移等级以及每个偏移等级包含的焊带子图像的数量；

步骤5：根据子焊带偏移类别信息获得焊带偏移程度，当焊带偏移程度大于偏移阈值时，将电池板表面图像输入脱层语义网络，获得电池板脱层区域面积；

步骤6：根据电池板脱层区域面积结合焊带偏移程度获得电池板功率衰减程度。

综上所述，本实施例提供了一种基于人工智能的光伏电池功率衰减分析方法，本方法通过深度神经网络获取焊带区域遮罩，然后结合电池板表面图像进行图像处理后获取焊带边缘图像，排除电池板栅线的干扰。探后根据焊带边缘获取单个焊带区域图像并进行切分，获取多个焊带子图像，并提取焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点三个特征向量，减小了单一特征信息可能出现的误判的问题。然后经过聚类处理获得子焊带类别信息。根据子焊带类别信息获得焊带偏移程度，当焊带偏移程度大于偏移阈值时，将电池板表面图像输入脱层语义网络，获得电池板脱层区域面积，然后结合焊带偏移程度获得电池板功率衰减程度。从而提高了对焊带偏移程度精确的检测，实现了更加准确的获取焊带偏移程度对电池板输出功率衰减程度的影响。

具体的，在本实施例的步骤1中，通过单色线扫描相机采集电池板表面图像，该图像为灰度图像。需要说明的是，在其他实施方式中，使用其他相机采集的电池板表面图像可能为RGB或者其他的图像形式，此时需要对采集的图像进行灰度化处理。并且由于外界因素会导致采集的电池板表面图像出现噪声，为使接下来处理更加方便快捷的提取电池板的焊带特征，需要对电池板表面图像进行滤波去噪处理。在本实施中，采用高斯滤波对电池板表面图像进行去噪处理。

对电池板表面图像进行预处理后，采用深度神经网络对电池板间的焊带区域进行感知。具体的，在本实施例中，深度神经网络的训练方式如下：

以人为设置标签数据作为训练标签数据；具体的，电池板焊带及附近区域作为目标区域，将其标注为1，其他区域标注为0。需要说明的，在其他实施方式中，目标区域长和宽可根据焊带实际情况进行设置。

采用交叉熵损失函数对深度神经网络进行迭代训练。

具体的，在本实施例的步骤2中，电池板表面图像中栅线与焊带特征相似，且像素亮度均偏高，采用深度神经网络进行焊带检测时，可能误检出栅线的情况。因此为降低电池板表面图像中栅线对焊带提取的影响，提高后续步骤中焊带偏移检测的精度，本实施例中通过将焊带区域遮罩结合步骤1中预处理后的电池板表面图像进行图像处理，获得比较准确的焊带边缘特征，具体的：

将焊带区域遮罩与步骤1中预处理后的电池板表面图像进行相乘操作，获得焊带区域图像。需要说明的是，在本实施例中，电池板表面图像为灰度图像，所以获得的焊带区域图像为灰度图。

对焊带区域图像进行边缘检测，提取焊带边缘特征信息，获取焊带边缘图像；具体的，在本实施中，采用Sobel算子对图像进行边缘检测，建立扩张的Sobel模板A，作用于焊带区域图像上，获得焊带边缘图像，模板A为：

需要说明的是，根据Sobel算子获得的图像中每个边缘都具有双边效果，因此通过黑帽运算将获得的边缘图像进行填充。

使用数学形态学开运算对步骤1中所获得焊带边缘图像进行处理，消除焊带附近的细小栅线及白色噪声点。

最后将焊带边缘图像根据焊带边缘剪切，获得单个焊带区域图像。具体的，在本实施例中，通过单个焊带边缘设置剪切矩形的长和宽，依照剪切矩形剪切出单个焊带区域图像，每个图像包含一条焊带。

具体的，在本实施例的步骤3和步骤4中，为提高系统检测速度，更加准确地分析焊带偏移情况，本实施例将步骤2中所获取的单个焊带区域图像切分为多个焊带子图像，提取各焊带子图像中子焊带的特征信息，并分析子焊带特征信息的相似度，进行聚类处理，判断焊带偏移情况。具体的：

根据单个焊带区域图像中焊带的垂直方向切分图像，获得焊带子图像，并进行连通域分析，提取子焊带连通域。在本实施例中，根据单个焊带区域图像中焊带的垂直方向自上而下切分为K个等高的焊带子图像，设步骤2中获得的单个焊带区域图像大小为a×b，则每个焊带子图像的大小为

需要说明的是，考虑到检测子焊带单个特征容易出现特征一致但偏移情况不同的情况，从而引起错检误检等误差状况，本实施例将提取子焊带的最小外接矩形中心线倾斜角度、子焊带连通域中心点的位置信息以及子连通域周长三个特征作为特征信息，并组成三维特征向量，避免单一特征检测引起的准确率低的问题，能够保证以下步骤获取偏移程度的准确性，从而更加真实的反映焊带偏移对电池板功率衰减程度的影响。具体的：

获取子焊带连通域的中心点，利用连通域分析获取子焊带连通域的周长。具体的，在本实施例中，通过连通域分析算法获取子焊带边缘像素的个数作为子焊带连通域的周长。利用子焊带连通域的中心点的横坐标位置来反映子焊带连通域的中心点的特征，第s个子焊带连通域的中线点横坐标O

I(x，y)表示焊带子图像在(x，y)处的像素值。

绘制子焊带连通域的最小外接矩形，获取水平线与最小外接矩形平行于焊带方向的中心线的倾斜角度。

根据所获得的子焊带的特征信息，获得三维特征向量，具体的，第s个焊带子图像中的子焊带的三维特征向量H

H

其中，θ

根据所获得的三维特征向量对其对应的焊带子图像进行聚类处理，获得子焊带偏移类别信息。具体的，本实施例中采用DBSCAN算法对焊带子图像中子焊带的三维特征向量进行计算和聚类，并根据设置偏移等级。在本实施例中划分1～5五个等级，数字越高偏移等级越大。然后统计每个偏移等级包含的焊带子图像的数量，获得子焊带偏移类别信息。

具体的，在本实施例的步骤5中，根据先验知识可知，当焊带偏移程度过大时，会导致焊带与电池板面积接触减少，从而出现脱层现象。因此本实施例根据子焊带偏移类别信息中的偏移等级赋予权重，结合每个偏移等级所包含的焊带子图像数量进行加权求和，获得焊带偏移程度。然后设置焊带偏移阈值，当焊带偏移程度大于偏移阈值时，判断此时焊带的偏移程度会造成电池板脱层现象，最后采用脱层语义网络对电池片脱层区进行域感知，获得电池板脱层区域面积并对偏移阈值进行反馈调节。具体的，脱层语义网络训练过程为：

对数据集进行标注，在本实施例中，电池板脱层区域像素标注为1，电池板其他像素为背景，标注为0。

将训练图像和标签数据输入脱层语义网络中，脱层区域感知编码器(Encoder)进行特征提取，输出为Feature map；然后解码器(Decoder)对Feature map进行上采样得到与原图大小相同的语义分割图像，输出为语义感知效果图。具体的，loss函数使用交叉熵损失函数进行训练。

需要说明的是，随着时间的增加或者环境因素的影响，预设的偏移阈值可能与实际阈值存在较多偏移。因此在本实施例中，根据所获得的电池板脱层区域面积对偏移阈值进行调节。

具体的，在本实施例的步骤6中，通过将电池板脱层区域面积S和偏移类别信息M输入功率衰减模型，获得电池板功率衰减程度。功率衰减模型σ为：

其中，τ为可调常数；α第一权重值，β第二权重值，且α+β＝1。

在本实施例中，α＝0.5、β＝0.5、τ＝10。需要说明的是，功率衰减模型σ的值越大，电池板功率衰减程度越大。因此具体实施时可以进一步对电池板功率衰减程度设置程度阈值σ

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的光伏电池功率衰减分析系统。

请参阅图3，该基于人工智能的光伏电池功率衰减分析系统100包括图像采集模块101、焊带提取模块102、子焊带特征获取模块103、偏移类别模块104、脱层区域获取模块105和功率衰减程度获取模块106。

具体的，图像采集模块用于获取电池板表面图像，并经预处理后输入深度神经网络，获得焊带区域遮罩，焊带区域遮罩包括焊带特征。焊带提取模块用于将焊带区域遮罩结合电池板表面图像经过图像处理后，获取焊带边缘图像并根据焊带边缘剪切，获得单个焊带区域图像。子焊带特征获取模块用于切分单个焊带区域图像，获得焊带子图像，经图像处理，提取每个焊带子图像的特征信息，特征信息包括焊带子图像中子焊带倾斜角度、子焊带连通域的周长和中心点。偏移类别获取模块用于根据特征信息建立对应焊带子图像的三维特征向量，统计全部焊带子图像的三维特征向量并经过聚类处理，获得子焊带偏移类别信息，子焊带偏移类别信息包括偏移等级以及每个偏移等级包含的焊带子图像的数量。脱层区域获取模块用于根据子焊带偏移类别信息获得焊带偏移程度，当焊带偏移程度大于偏移阈值时，将电池板表面图像输入脱层语义网络，获得电池板脱层区域面积。功率衰减程度获取模块用于根据电池板脱层区域面积结合焊带偏移程度获得电池板功率衰减程度。

具体的，子焊带特征获取模块包括子焊带连通域获取单元、中心点及周长获取单元和倾斜角度获取单元。

具体的，子焊带连通域获取单元用于根据单个焊带区域图像中焊带的垂直方向切分图像，获得焊带子图像，并进行连通域分析，提取子焊带连通域。中心点及周长获取单元用于获取子焊带连通域的中心点，利用连通域分析获取子焊带连通域的周长。倾斜角度获取单元用于获取子焊带连通域的最小外接矩形，获取水平线与最小外接矩形的倾斜角度。

优选的，脱层区域获取模块包括焊带偏移程度获取单元，用于对子焊带偏移类别信息中的偏移等级赋予权重，结合每个偏移等级所包含的焊带子图像数量进行加权求和，获得焊带偏移程度。

优选的，脱层区域模块还包括反馈调节单元，用于根据脱层区域面积获得脱层程度，结合面积阈值判定是否需要对偏移阈值进行调节。

优选的，功率衰减程度获取模块包括功率衰减获取单元，用于将电池板脱层区域面积S和偏移程度M输入功率衰减模型，获得电池板功率衰减程度；功率衰减模型σ为：

其中，τ为可调常数；α第一权重值，β第二权重值，且α+β＝1。

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。