一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法与流程

文档序号:11135335阅读:565来源:国知局
一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法与制造工艺

本发明涉及的是一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法,属于光伏电池板的清洁使用技术领域。



背景技术:

光伏电池板发电的原理相当简单,就是让阳光能够照射到光伏电池板玻璃表面下的发电芯片,芯片将阳光转换成电流。光伏电池板发电的效率,也就是阳光转换成电流的效率,取决于阳光是否能够抵达玻璃层面下的芯片。如果阳光在抵达玻璃层面下的芯片之前被折射的话,能透过玻璃层抵达芯片的光线减少,阳光转换成电流的效率就会大大的损失。阳光被折射的原因很多,但光伏电池板折射阳光的原因主要是光伏电池板上的尘土、沙粒、鸟粪、工业排放到空气中的污染物、酸雨在光伏电池板上留下的痕迹、废纸、树叶、或其他飘落或掉落到光伏电池板上的异物等等。覆盖在光伏电池板上的异物造成表面玻璃层的透光度下降,透光度的下降直接造成电流输出的下降。所以光伏电池板被异物覆盖的面积越大、覆盖物越厚,电流转换的效率就越低。阳光被折射的比例直接影响电流转换效率的损失的比例。

研究显示,一般的情况下如果一个月没有清洗,光伏电池板的发电效率损失可高达50%,这相当于每天损失1.2%的效率。我国的空气污染比较严重,而且空气中的灰尘密度比较高,所以如果不经常清洗,光伏电池板发电的效率的损失非常严重。

阳光无法透过玻璃层抵达芯片,不但造成发电效率的损失,同时会严重影响发电装置的寿命,从而造成财产损失、投资损失、发电运营成本高等问题。

为了保持发电效率、维护发电装置的寿命、控制运营成本等,光伏电池板需要经常清洗,以确保玻璃表面的干净程度。最简单的做法就是每天清洗,但是每天清洗的成本太高。虽然每天清洗能维持光伏电池板发电的最高效率,但是每天清洗的成本高于每天清洗后所避免的损失,所以每天清洗的成本得不偿失,尤其是大型光伏发电站的清洗成本很高,远远高于每天可避免的1.2%的效率的损失。

不清洗会造成损失,每天清洗又成本太高,如何能维持一种平衡、把运营利益最大化?目前,绝大部分的光伏发电站都靠人检查光伏电池板上的“肮脏”程度,从而确定是否需要清洗。靠人工检查的方式成本太高,而且容易被疏忽,或者由于判断不准确而未能把利益最大化。而且大型发电站多在偏远地方,光伏电池板数量庞大,天天靠人工检查的方式的可行性不高。



技术实现要素:

本发明的目的在于克服现有技术存在的不足,而提供一种通过简单的装置,采用颜色识别、纹理识别以及机器深度学习技术,配合精准算法来判断光伏电池板上的“肮脏”程度,为发电站智能化管理系统提供高效决策方案的基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法。

本发明的目的是通过如下技术方案来完成的,一种基于颜色与纹理识别技术来判断光伏电池板是否肮脏的方法,该方法主要是利用了光伏电池板在不同光线、不同肮脏程度下,颜色、亮度和强度有差异、纹理有差异的特性,来判断一片光伏电池板的肮脏程度,它包括如下三个步骤:

步骤一是:识别颜色的差异,具体包括:

1a)摄像头拍摄光伏电池板的照片;

1b)把照片发送给服务器;

1c)服务器分成三个独立且并行的任务进行分析:

I)分析颜色累计差:

1)读取每一像素的RGB值,

2)计算整体RGB值,

3)计算颜色的时间导数累计差;

II)分析强度累计差:

1)把图片的RGB颜色空间转换成YUV颜色空间,

2)计算整体强度值,

3)计算强度的时间导数累计差;

III)分析亮度累计差:

1)把图片的RGB颜色空间转换成HSV颜色空间,

2)计算整体亮度值,

3)计算亮度的时间导数累计差S;

1d)把三个分析任务得出的结果进行总结;

1e)判断是否超过可接受的肮脏程度;

1f)如果已经超过,则进入下一步的决策流程。如果还未超过,等待下一张图来分析;

步骤二是:识别纹理的差异,具体包括:

2a)摄像头拍摄光伏电池板的图片;

2b)把图片发送给服务器;

2c)服务器把图片转换成黑白色;

2d)服务器分成二个独立且并行的任务进行纹理分析:

I)采用高斯差的算法检测斑块差异:

1)用高斯差(Gaussian Difference)算法对图片进行转换,

2)提取图片中的斑块特征,

3)与干净光伏电池板的斑块特征做比较,

4)计算斑块特征差异量;

II)采用Sobel算法检测边缘(线条)差异:

1)用Sobel算法对图片进行转换,

2)提取图片中的线条特征,

3)与干净光伏电池板的线条特征做比较,

4)计算线条特征差异量;

2e)把二个分析任务得出的结果进行总结;

2f)判断是否超过可接受的肮脏程度;

2g)如果已经超过,则进入下一步的决策流程;如果还未超过,等待下一张图来分析;

步骤三是:综合上面两个步骤得到的结果,计算一个综合值或做出一个总结,判断是否超过可接受的肮脏程度,然后做下一步的决定。

作为优选:所述的步骤一、1c)、II)分析强度累计差中,计算强度(Saturation)的时间导数累计差的算法如下:

把RGB颜色空间转换成YUV颜色空间后,读取图片的每一像素的强度值,假设(x,y)位置上在时间点ti的强度值是Si(x,y),那么计算它和上一个时间点ti-1的强度的时间导数差的算法是:

Di(x,y)=|Si(x,y)-Si-1(x,y)|

而计算强度的时间导数累计差的算法是:

STDi(x,y)=αSTDi-1(x,y)+(1-α)wi(x,y)Di(x,y)

α是一个预先设定的累计力度(cumulative strength),是一种通过机器深度学习计算出来的常量;在初始化过程中,我们在一天的不同时间点、从不同角度拍摄光伏电池板的图片,同时也在不同天气条件下的不同角度拍摄;收集到图片根据一天的时间点和不同天气条件分组,然后用机器深度学习将像素强度分析后计算出来的累计力度值;

wi(x,y)是强度比重,光伏电池板上的同一个区域、在一天内的不同时间点和不同天气条件下,颜色强度有所差异;

如果Si(x,y)>δ,那么wi(x,y)=Si(x,y)

如果Si(x,y)=其他值,那么wi(x,y)=0

δ是一个前期预先计算好的平均值,根据前期收集到的图片,经过机器深度学习计算出来的一个综合平均值。

作为优选:所述的步骤一、1c)、III)分析亮度累计差中,计算亮度(Luminance)的时间导数累计差的算法如下:

把RGB颜色空间转换成HSV颜色空间后,读取图片的每一像素的亮度值,假设(x,y)位置上在时间点ti的颜色值是Li(x,y),那么计算它和上一个时间点ti-1的亮度时间导数差的算法是:

Di(x,y)=|Li(x,y)-Li-1(x,y)|

而计算亮度的时间导数累计差的算法是:

LTDi(x,y)=αLTDi-1(x,y)+(1-α)wi(x,y)Di(x,y)

这里的α和前面计算强度的α相似,也是在初始化时预先计算出来的累计力度(cumulative strength),是一种通过机器深度学习计算出来的常量;wi(x,y)是亮度比重,和上面计算强度比重的方式相似。

作为优选:所述的步骤二、2d)中的I)采用高斯差的算法检测斑块差异和II)采用Sobel算法检测边缘(线条)差异;所述每一小块的斑块和线条特征单独被提取,然后与干净光伏电池板的同一小块的特征查找差异;

假设第n小块在t1时间点(也就是初始干净状态)的特征值为F1,而同一小块在时间点ti的特征值为Fi的话,那么这一小块的特征差异的计算方式是:

Di=|Fi-F1|

那么整片光伏电池板的特征差异就是所有小块的特征差异的总和:

本发明检测光伏电池板的“肮脏”程度的方法是基于颜色识别、纹理识别与机器深度学习技术的分析和比较后得出的结论,用图像处理的方法对拍摄到的光伏电池板的图片进行颜色分析与鉴别、纹理分析与鉴别,结合预先采用机器深度学习技术建立好的模型进行比较,最后得出光伏电池板表面的“肮脏”程度的数据。

附图说明

图1是本发明所述多晶体光伏电池板呈现不规则纹理的图。

图2是本发明所述干净光伏电池板的表面图。

图3是本发明所述肮脏光伏电池板的表面图。

图4是本发明所述颜色识别流程框图。

图5是本发明所述纹理识别流程框图。

图6是本发明所述干净和肮脏光伏电池板的表面对比图。

图7是图6所示表面对比图用高斯差转换后的效果图。

图8是本发明所述干净和肮脏光伏电池板的表面线条对比图。

图9是图8所示表面线条对比图用高斯差转换后的效果图。

图10是本发明所述被鸟粪覆盖的光伏电池板的表面图。

图11是图10所示表面图用Sobel算法转换后的效果图。

具体实施方式

下面将结合附图对本发明作详细的介绍:由于生产工艺与技术的原因,传统的光伏电池板的颜色主要为不同层次的蓝色,但除了蓝色之外,还有不同层次的黑色。最近几年,为了满足建筑的设计和美观的需求,光伏电池板厂家开始设计并生产其他颜色的光伏电池板。

另外,生产工艺与生产材料也影响光伏电池板的颜色,例如单晶体、多晶体与薄膜的光伏电池板就呈现不同的颜色;

同一块光伏电池板的颜色在不同季节、在一天的不同时间段内、不同光线环境下、不同角度下、不同天气条件下,都会呈现出不同的颜色,所以要让电脑准确的识别其颜色,是有非常大的难度的。

光伏电池板上的纹理,除了切割线条之外,就是硅晶体所呈现出的纹理;这也取决于生产工艺,如单晶体或多晶体等。

多晶体光伏电池板呈现出不规则、复杂的纹理,如图1所示:从图1可以看出,多晶体光伏电池板呈现的纹理不但无规则,也没有任何规律,每一片板的纹理都是在生产时随机定型的,溶化硅原材料在倒入模子中、冷却后就形成了其随机性的纹理,所以这些纹理完全无法控制。

与颜色的问题相似,同一块光伏电池板的纹理在不同季节、在一天的不同时间段内、不同光线环境下、不同角度下、不同天气条件下,也都会呈现出差异,尤其是多晶体光伏电池板的纹理,有反光和折射的问题,差异会显得更大,所以要让电脑准确的识别其纹理,难度非常大。

先看看尘土或其他异物覆盖在光伏电池板上对颜色和纹理所造成的影响,图2、3所示为一片干净的光伏电池板和一片肮脏的光伏电池板,可以看到颜色的差异、亮度和强度的差异;纹理也有很明显的差异,很多线条变得模糊不清了。

又如一片被一块鸟粪覆盖的光伏电池板,如果我们做颜色分析和纹理分析,再和同一片干净的光伏电池板的颜色和纹理对比,就能识别出来当前这片光伏电池板有异物覆盖,需要清除。

本发明就巧妙的利用了光伏电池板在不同光线、不同肮脏程度下和其他不同条件下,颜色、亮度和强度有差异、纹理有差异的特性,来判断一片光伏电池板的肮脏程度,为管理系统提供智能化的决策功能。

主要是利用了光伏电池板在不同光线、不同肮脏程度下,颜色、亮度和强度有差异、纹理有差异的特性,来判断一片光伏电池板的肮脏程度,它包括如下三个步骤:

步骤一是:识别颜色的差异,具体包括:

1a)摄像头拍摄光伏电池板的照片;

1b)把照片发送给服务器;

1c)服务器分成三个独立且并行的任务进行分析:

I)分析颜色累计差:

1)读取每一像素的RGB值,

2)计算整体RGB值,

3)计算颜色的时间导数累计差;

II)分析强度累计差:

1)把图片的RGB颜色空间转换成YUV颜色空间,

2)计算整体强度值,

3)计算强度的时间导数累计差;

III)分析亮度累计差:

1)把图片的RGB颜色空间转换成HSV颜色空间,

2)计算整体亮度值,

3)计算亮度的时间导数累计差S;

1d)把三个分析任务得出的结果进行总结;

1e)判断是否超过可接受的肮脏程度;

1f)如果已经超过,则进入下一步的决策流程。如果还未超过,等待下一张图来分析;

步骤二是:识别纹理的差异,具体包括:

2a)摄像头拍摄光伏电池板的图片;

2b)把图片发送给服务器;

2c)服务器把图片转换成黑白色;

2d)服务器分成二个独立且并行的任务进行纹理分析:

I)采用高斯差的算法检测斑块差异:

1)用高斯差(Gaussian Difference)算法对图片进行转换,

2)提取图片中的斑块特征,

3)与干净光伏电池板的斑块特征做比较,

4)计算斑块特征差异量;

II)采用Sobel算法检测边缘(线条)差异:

1)用Sobel算法对图片进行转换,

2)提取图片中的线条特征,

3)与干净光伏电池板的线条特征做比较,

4)计算线条特征差异量;

2e)把二个分析任务得出的结果进行总结;

2f)判断是否超过可接受的肮脏程度;

2g)如果已经超过,则进入下一步的决策流程;如果还未超过,等待下一张图来分析;

步骤三是:综合上面两个步骤得到的结果,计算一个综合值或做出一个总结,判断是否超过可接受的肮脏程度,然后做下一步的决定。

下面具体描述这个三个步骤的具体方法。

步骤一:颜色识别方法。

一片干净光伏电池板的颜色在不同季节、在一天的不同时间段内、不同光线环境下、不同角度下、不同天气条件下,都会呈现出不同的颜色。那么,当这片光伏电池板在同样的条件下,但却被一层灰尘或其他异物覆盖的话,灰尘或其他异物的颜色不一样,而且在光伏电池板表面上会造成更多的光线折射,所以整体的颜色就更不同了。就算覆盖的灰尘或异物的颜色与光伏电池板的本色相近,但由于板面上有更多的光线折射,所以用图像处理算法分析后,也会发现整体的颜色的差异。

由于干净的光伏电池板吸收阳光得比较多,所以被反射和折射的阳光相对比较少,从肉眼看,干净的光伏电池板的颜色比较深。相反的,阳光在一片肮脏的光伏电池板上被反射和折射比较多,所以看起来颜色相对比较浅。本发明的颜色识别算法即建立在此颜色差异的基础上。本发明的另一创新点在于不只是计算颜色的差异来识别肮脏程度,为了确保算法的稳定性和可靠性,本发明还计算了颜色的亮度和强度的差异。

而最大的差异在于颜色的亮度和强度的差异,所以在进行颜色识别时,本发明采用了三个独立且并行的步骤:1)计算颜色的时间导数累计差,2)计算强度的时间导数累计差,3)计算亮度的时间导数累计差。具体包括如下流程(见图4所示):

1a)摄像头拍摄光伏电池板的照片;

1b)把照片发送给服务器;

1c)服务器分成三个独立且并行的任务进行分析:

I)分析颜色累计差:

1)读取每一像素的RGB值,

2)计算整体RGB值,

3)计算颜色的时间导数累计差;

II)分析强度累计差:

1)把图片的RGB颜色空间转换成YUV颜色空间,

2)计算整体强度值,

3)计算强度的时间导数累计差;

III)分析亮度累计差:

1)把图片的RGB颜色空间转换成HSV颜色空间,

2)计算整体亮度值,

3)计算亮度的时间导数累计差S;

1d)把三个分析任务得出的结果进行总结;

1e)判断是否超过可接受的肮脏程度;

1f)如果已经超过,则进入下一步的决策流程。如果还未超过,等待下一张图来分析;

本发明中使用的颜色识别技术是建立在时间导数累计差的计算原理基础上。假设一个光伏电池板在t1时间点上是干净的时候,它的RGB颜色值是c1,强度是s1,亮度是l1,那么同一个光伏电池板在时间点t2时,它的RGB颜色值是c2,强度是s2,亮度是l2,以此类推。那么随着时间的移动,同一片光伏电池板在不同天的同一个时间点、同一种天气条件下,它的颜色值、强度值和亮度值都会有所变动。如果一片光伏电池板一直保持着干净的,那么的不同时间点的c、s和l的时间导数累计差是等于0,或者是接近0。但是当尘土慢慢的覆盖在光伏电池板上之后,不同时间点的c、s和l的时间导数累计差就会慢慢偏离0。本发明在做最后的判断时,如果累计差偏离设定的阀门值,就定为是肮脏的,需求启动清洗流程。偏离越远,肮脏程度就越高。

计算强度(Saturation)的时间导数累计差的算法如下:

把RGB颜色空间转换成YUV颜色空间后,读取图片的每一像素的强度值,假设(x,y)位置上在时间点ti的强度值是Si(x,y),那么计算它和上一个时间点ti-1的强度的时间导数差的算法是:

Di(x,y)=|Si(x,y)-Si-1(x,y)|

而计算强度的时间导数累计差的算法是:

STDi(x,y)=αSTDi-1(x,y)+(1-α)wi(x,y)Di(x,y)

α是一个预先设定的累计力度(cumulative strength),是一种通过机器深度学习计算出来的常量。在初始化过程中,我们在一天的不同时间点、从不同角度拍摄光伏电池板的图片,同时也在不同天气条件下的不同角度拍摄。收集到图片根据一天的时间点和不同天气条件分组,然后用机器深度学习将像素强度分析后计算出来的累计力度值。前期收集到图片越多,计算出来的累计力度值就越准确。

wi(x,y)是强度比重,光伏电池板上的同一个区域、在一天内的不同时间点和不同天气条件下,颜色强度有所差异。

如果Si(x,y)>δ,那么wi(x,y)=Si(x,y)

如果Si(x,y)=其他值,那么wi(x,y)=0

δ是一个前期预先计算好的平均值,根据前期收集到的图片,经过机器深度学习计算出来的一个综合平均值。

计算亮度(Luminance)的时间导数累计差的算法如下:

把RGB颜色空间转换成HSV颜色空间后,读取图片的每一像素的亮度值,假设(x,y)位置上在时间点ti的颜色值是Li(x,y),那么计算它和上一个时间点ti-1的亮度时间导数差的算法是:

Di(x,y)=|Li(x,y)-Li-1(x,y)|

而计算亮度的时间导数累计差的算法是:

LTDi(x,y)=αLTDi-1(x,y)+(1-α)wi(x,y)Di(x,y)

这里的α和前面计算强度的α相似,也是在初始化时预先计算出来的累计力度(cumulative strength),是一种通过机器深度学习计算出来的常量。前期收集到图片越多,计算出来的累计力度值就越准确。

wi(x,y)是亮度比重,和上面计算强度比重的方式相似。

步骤二:纹理识别方法。

同样的,同一块干净的光伏电池板的纹理在不同季节、在一天的不同时间段内、不同光线环境下、不同角度下、不同天气条件下,也都会呈现出差异。那么,当这片光伏电池板在同样的条件下,但却被一层灰尘或其他异物覆盖的话,其纹理与未被覆盖时的纹理就有比较“明显”的差异。这里所指的“明显差异”,是针对用肉眼识别而说的,对机器识别来说,也不一定明显。

前面描述一片光伏电池板变成“肮脏”的主要原因有几个,最常见的情况是被灰尘或鸟粪覆盖,不管是那种情况,都会对图片上的光伏电池板上的纹理有所影响。光伏电池板上纹理由各种斑块和线条组成,所以要检测肮脏光伏电池板和干净光伏电池板的纹理差异,就是要检测斑块和线条的差异。

本发明在检测纹理差异采用了二个独立且并行的步骤:1)计算斑块差异,2)计算边缘(线条)差异。识别纹理的差异,具体包括如下流程(见5所示):

2a)摄像头拍摄光伏电池板的图片;

2b)把图片发送给服务器;

2c)服务器把图片转换成黑白色;

2d)服务器分成二个独立且并行的任务进行纹理分析:

I)采用高斯差的算法检测斑块差异:

1)用高斯差(Gaussian Difference)算法对图片进行转换,

2)提取图片中的斑块特征,

3)与干净光伏电池板的斑块特征做比较,

4)计算斑块特征差异量;

II)采用Sobel算法检测边缘(线条)差异:

1)用Sobel算法对图片进行转换,

2)提取图片中的线条特征,

3)与干净光伏电池板的线条特征做比较,

4)计算线条特征差异量;

2e)把二个分析任务得出的结果进行总结;

2f)判断是否超过可接受的肮脏程度;

2g)如果已经超过,则进入下一步的决策流程;如果还未超过,等待下一张图来分析。

干净光伏电池板的斑块(由材料结构所造成,如多晶体等)或者板块(切割所造成的板块)和被异物覆盖后的斑块或板块不一样,尤其是用高斯差算法转换后,会更加明显,如图6、7所示:

图6的左半部是干净的光伏电池板,右半部是被灰尘覆盖的光伏电池板,图7是用高斯差转换后的效果。图7中的左半部可以看到板块很清晰,右半部因为被灰尘覆盖,细节已经模糊,大板块还比较明显,但已经无法提取小斑块的特征。所以当我们查找特征差异时,肮脏的光伏电池板上会丢失很多原来有的板块特征;由于整体斑块特征差异由多个局部斑块特征差异组成,所以当计算整体斑块特征差异时,差异就会很容易被发现。

同样如一片被鸟粪覆盖的光伏电池板,用高斯差算法转换之后,我们会发现原来的板块形状会因为覆盖的异物而变形,所以在查找特征差异时就会被发现;斑块(或板块)特征的差异越大,表示其肮脏程度越高。

另一个需要检测的是线条差异。干净的光伏电池板被异物覆盖后,其原有的线条会被“破坏”,也就是说,在比较干净光伏电池板和肮脏光伏电池板的线条时,就能提取两者之间的差异。如图8、9所示:

图8是Sobel算法转换后的效果,可以看到右半部(被灰尘覆盖的部分)的绝大部分线条非常模糊,当我们提取图片的线条特征时,很多线条特征已经无法提取。跟原来干净光伏电池板的线条特征做比较时,就可以发现很大的差异。

图10、11显示一片被鸟粪覆盖的光伏电池板,其中图11是用Sobel算法转换后的效果,多处线条被覆盖的鸟粪所“破坏”,在提取线条特征与原来干净光伏电池板的线条特征比较时,就可以很明显的找出差异。由于整体线条特征差异由多个局部线条特征差异组成,所以当计算整体线条特征差异时,差异就会很容易被发现;线条特征的差异越大,表示其肮脏程度越高。

一张光伏电池板的图片在完成高斯差和Sobel算法转换之后,被切成N个a x b尺寸的小块,N、a和b可以根据需要而定,N越大,a和b越小,计算结果的准确度越高,但运算速度比较慢。这几个参数的值可以根据实际需要而定。

每一小块的斑块和线条特征单独被提取,然后与干净光伏电池板的同一小块的特征查找差异。假设第n小块在t1时间点(也就是初始干净状态)的特征值为F1,而同一小块在时间点ti的特征值为Fi的话,那么这一小块的特征差异的计算方式是:

Di=|Fi-F1|

那么整片光伏电池板的特征差异就是所有小块的特征差异的总和:

步骤三:肮脏程度判断算法。

本发明就是用上面所描述的颜色和纹理的差异,最后把两个结果做一个总结,来判断一片光伏电池板是否已经肮脏,并且识别出其肮脏程度。如果判断为肮脏,则启动清洗流程,否则,等待下一批图片,重新再运算后检测。

本发明所述的计算颜色和纹理特征的差异的都采用了图像处理算法,并且结合了统计学的偏差分布原理来判断差异的多少,从而判断光伏电池板是否肮脏与其肮脏程度。这些计算出来的数字,对普通用户来说不容易理解,本发明还可以把不同级别的肮脏程度的值,映射到一个更容易理解的平面上,例如把肮脏程度映射到一个从0到100的值的平面上,0值表示为最干净的状态,而100的值表示为最肮脏的状态。

应用在一个大型光伏发电站时,本发明可采用多点摄像头拍摄的方式,就是说,在发电站的多个位置安装摄像头,把多处的图片发送给服务器,服务器对多张图片进行检测后,采用统计学的标准常态分布算法,计算多处光伏电池板是否已经处于肮脏状态,最终判断是否需要启动清洗流程。

本发明的灵活之处,就是可以针对局部范围检测肮脏程度,也可以针对全局范围检测肮脏程度。其可靠之处在于采用多项指标检测方法,不会因为某单一指标的异常而导致判断失误。

本发明具有如下特点:

一是框架和算法都非常简单,容易明白、容易实现;

二是不需要特殊硬件装备,只需要普通摄像机就可以完成任务;

三是精确度非常高,完全可以替代人工鉴别的工作;

四是实验证明,本发明的判断准确率在正常情况下达到95%以上;

五是容易集成到光伏发电厂的管理系统里,成为智能决策系统的功能模块;

六是非常通用,适用于大型光伏发电厂的需求,可以快速鉴别是否需要进行光伏电池板清洗;

七是随着收集到数据越多,系统自我学习的原材料越多,系统判断的准确率就越高;

八是随着电脑运算能力的提升,系统的判断速度就越快;

九是可以针对局部或全局范围检测光伏电池板的肮脏程度;

十是多项指标的综合判断方法。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1