一种光伏电站火灾的图像识别方法

本发明属于图像识别领域，具体地而言为一种光伏电站火灾的图像识别方法。

背景技术：

未料灾变的发生常常让人始料未及，超出事先的防灾预案，一旦发生就会带来巨大的经济损失，光伏电站灾变发生最常见的就是火灾。据统计仅2018年国内光伏电站发生火灾事故数百起，损失惨重。而这些光伏电站对突发的火灾没有任何报警等防范措施。光伏系统故障是导致灾变发生的主要原因，引起故障的因素有多种，包括：光伏热斑效应、防反二极管故障、接线盒故障等，这些故障还可引起发电量严重下降。光伏电站25年的安全维护至关重要，国内外对光伏电站监测技术研究的特点是对系统控制方面研究比较多，而对系统维护和管理相对较少，如何确保光伏电站的安全运行，防止或减少火灾危害，保障人民生命财产的安全，已成为行业当务之急。

技术实现要素：

本发明所要解决的技术问题在于提供一种光伏电站火灾的图像识别方法，自动识别事故风险，在第一时间自动发现并排除火灾隐患，减少光伏电站未料灾变的发生。

本发明是这样实现的，一种光伏电站火灾的图像识别方法，包括如下的步骤：

步骤1：在电站运行正常时，获取光伏电站的原始图像，将其作为原始样本图像；

步骤2：拍摄待检测图像；

步骤3：将原始样本图像和待检测图像转换成灰度图像；

步骤4：采用四叉树分割将待检测图像分割成四等分；

步骤5：采用亚像素梯度匹配算法，将待检测图像与原始样本图像进行亚像素点匹配，找出最小的匹配值；具体包括：先进行整像素图像匹配，求出的整像素匹配区域，得出整像素匹配区域中心点的位移；计算亚像素点值，根据计算的亚像素点值，在整像素匹配区域中心点的位移上，得到亚像素图像匹配后中心点的位移，进行亚像素图像匹配得到亚像素点匹配的最小匹配值ck(p)的值；

步骤6：采用均方差阈值判别方法，计算出各个图像像素最小匹配值的均值以及均差值，当计算结果大于指定的阈值时，则认为所述光伏电站出现异常，确定出异常图像的边界；

步骤7：对“部分”异常的范围再继续分割，进行同样处理，直到分割成“空”和“满”为止；

步骤8：通过比较三条以上的水平平行线的长度，确定出是否发生了火灾。

进一步地，步骤1拍摄样本图像：

在电站正常的状态下，选择晴好天气，用高清摄像头，确定好拍摄位置，拍摄出样本图像k个，送入图像识别模块；.

步骤2拍摄待检测图像:

在当前的状态下，选择晴好天气，用高清摄像头，选择与步骤1同样的拍摄位置，拍摄出待检测图像k个，送入图像识别模块。

进一步地，步骤4具体包括：

采用四叉树方法，将待检测图像分割成四等分，第一象限g1，第二象限g2，第三象限g3，第四象限g4，判断满足“满”、“空”、“部分”三种情况的哪一种；其中“满”表示待检测图像出现异常；“空”表示待检测图像正常；“部分”表示待检测图像有的地方异常，而有的地方正常；对于“满”和“空”的情况不需要再进行图相匹配；对“部分”的待检测图像，继续分割成四等分，进行图像匹配，直到待检测图像完全为“满”和“空”为止。

进一步地，步骤5将每部分的第i象限gi分别在原始样本图像中寻找最佳匹配块，假设对于i＝1,2,3,4；设k是1到k之间的整数，第k个样本图像中每一个像素点的像素值为fk(x,y)，带上划线为均值，中心点为pk(xk,yk)；待检测图像每一个像素点的像素值为gk(x,y)，带上划线为均值，中心点为p1k(x1k,y1k)；待检测图像像素点矩阵行的个数为m以及列的个数n，则得出最小匹配值：

当求得的ck(p)值最小时，匹配到的结果图上子区的相似度最高，为求出的整像素匹配区域，得出中心点的位移为：

(uk,vk)＝(xk-x1k,yk-y1k)。

进一步地，步骤5计算亚像素点值：

设包围亚像素点的周围四个整像素点的值：样本图像为像素f1，像素f2，像素f3，像素f4，待检测图像为像素g1，像素g2，像素g3，像素g4，亚像素点的值：样本图像为fi，待检测图像为gi，像素之间的间隔距离为r，亚像素点与边界的距离为距离h1和距离h2，得出亚像素点fi的值为：

同理得出亚像素点gi的值为：

进一步地，步骤5亚像素点匹配包括：

对于每个待匹配图像，有如下公式：

得出：

从而计算出dx和dy的值，得出中心点的位移为：

(uk,vk)＝(xk-x1k-dxk,yk-y1k-dyk)

因此带入到公式

计算出亚像素点匹配的最小匹配值ck(p)的值。

进一步地，步骤6判断图像是否出现异常，包括:

将亚像素匹配点计算出的ck(p)的值由小到大进行排序，将排序完以后的数值记为cs(p)，s是1到k之间的整数，将10％*k取整以后的值记为l,

计算平均值：

计算差值：

zk＝|ck(p)-c(p)|

当zk大于指定的阈值时，则认为光伏电池出现异常。

进一步地，步骤6确定异常图像的边界,

对于判断出“满”的图像，被认为是异常图像，设定其范围内所有像素值为1；对于“空”的图像，被认为是正常图像，设定其范围内所有像素值为0；对于“部分”的图像，需要继续分割成四等分，直到图像完全为“满”和“空”为止；最后将图像转换成了二值图像。

进一步地，步骤8判断是否出现火灾包括：

扫描像素值为1的像素点，设有像素值为1的最上面的扫描线长度为l1，最下面的为ln，中间再选取n-2条扫描线，则选取的n条扫描线为l1，l2，…，ln；其中n>＝3，每条扫描线的距离都相等，如果满足l1<l2<…<ln，并且l1<25％*ln，则认为光伏电站发生了火灾。

本发明与现有技术相比，有益效果在于：本发明实现自动识别事故风险，在第一时间自动发现并排除火灾隐患，减少光伏电站未料灾变的发生，提高系统发电效率，保证分布式发电大规模接入的安全性，为我国传统式电网向智能电网的过渡发挥重要作用。

附图说明

图1是本发明提供的方法流程图；

图2是本发明提供的亚像素点(a)与整像素点(b)的关系；

图3是本发明提供的图像的四叉树分割图；

图4是本发明提供的硬件结构框图。

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仅用以解释本发明，并不用于限定本发明。

参见图4所示，由光伏电池模块、高清摄像头、图像识别模块、输出模块构成。光伏电池模块包括单片光伏电池或连接在一起的多个光伏电池组；高清摄像头用于拍摄光伏电池的图像，高清摄像头的输出端与图像识别模块的输入端连接，将拍摄的光伏电池图像送入图像识别模块；图像识别模块的输出端与输出模块的输入端连接，将图像识别结果送入输出模块。

所述图像识别模块用于将拍摄的光伏电池图像进行图像识别，识别出光伏电池是否出现异常以及是否发生了火灾。

参见图1所示，该方法采用了亚像素图像匹配的方法，并且结合光伏电站的特点，并且结合四叉树图像分割方法找出异常图像的范围，通过判别多条横向平行线的不同长度，实现火灾识别。首先在电站运行正常时，获取光伏电站的原始图像，将其作为原始样本图像；然后将图像分割成四等分，再采用亚像素梯度匹配算法，将待检测图像与原始样本图像进行匹配，找出最小的匹配值；再结合均方差阈值判别方法，计算出各个图像像素的均值以及均差值，当计算结果大于指定的阈值时，则认为所述光伏电站出现异常，确定出异常图像的范围；对“部分”异常的范围再继续分割，进行同样处理，直到分割成“空”和“满”为止；再通过比较三条以上的水平平行线的长度，确定出是否发生了火灾。一种光伏电站火灾的图像识别方法，具体包括如下的步骤：

步骤1：在电站运行正常时，获取光伏电站的原始图像，将其作为原始样本图像；

步骤2：拍摄待检测图像；

步骤3：将原始样本图像和待检测图像转换成灰度图像；

步骤4：采用四叉树分割将待检测图像分割成四等分；

步骤5：整像素与亚像素匹配；采用亚像素梯度匹配算法，将待检测图像与原始样本图像进行亚像素点匹配，找出最小的匹配值；具体包括：先进行整像素图像匹配，求出的整像素匹配区域，得出整像素匹配区域中心点的位移；计算亚像素点值，根据计算的亚像素点值，在整像素匹配区域中心点的位移上，得到亚像素图像匹配后中心点的位移，进行亚像素图像匹配得到亚像素点匹配的最小匹配值ck(p)的值；

步骤6：采用均方差阈值判别方法，计算出各个图像像素最小的匹配值的均值以及均差值，当计算结果大于指定的阈值时，则认为所述光伏电站出现异常，确定出异常图像的边界；

步骤7：对“部分”异常的范围再继续分割，进行同样处理，直到分割成“空”和“满”为止；

步骤8：通过比较三条以上的水平平行线的长度，确定出是否发生了火灾。

其中：步骤1拍摄样本图像

在电站正常的状态下，选择晴好天气，用所述的高清摄像头，确定好拍摄位置，拍摄出样本图像k个，送入图像识别模块；

拍摄待检测图像：

在当前的状态下，选择晴好天气，用所述的高清摄像头，选择与步骤1同样的拍摄位置，拍摄出待检测图像k个，送入图像识别模块；

步骤4图像的四叉树分割：

采用四叉树方法，如图3所示，将图像分割成四等分，第一象限g1，第二象限g2，第三象限g3，第四象限g4，判断满足“满”、“空”、“部分”三种情况的哪一种。“满”表示待检测图像出现异常；“空”表示待检测图像正常；“部分”表示待检测图像有的地方异常，而有的地方正常。对于“满”和“空”的情况不需要再进行图相匹配；对“部分”的待检测图像，继续分割成四等分，进行图像匹配，直到待检测图像完全为“满”和“空”为止。

步骤5整像素图像匹配

将每部分gi分别在原图中寻找最佳匹配块，假设对于i＝1,2,3,4。设k是1到k之间的整数，第k个样本图像中每一个像素点的像素值为fk(x,y)，带上划线为均值，中心点为pk(xk,yk)；待检测图像每一个像素点的像素值为gk(x,y)，带上划线为均值，中心点为p1k(x1k,y1k)；待检测图像像素点矩阵行和列的个数为m和n，则可以得出：

当求得的ck(p)值最小时，匹配到的结果图上子区的相似度最高，为求出的整像素匹配区域，得出中心点的位移为：

(uk,vk)＝(xk-x1k,yk-y1k)(2)

亚像素点值的计算：

设包围亚像素点的周围四个整像素点的值：样本图像为f1,f2,f3,f4，待检测图像为g1,g2,g3,g4，亚像素点的值：样本图像为fi，待检测图像为gi，像素之间的间隔距离为r，亚像素与边界的距离为h1和h2，如图2(a)和(b)所示，则可以得出亚像素点fi的值为：

同理可得出亚像素点gi的值为：

亚像素图像匹配：

对于每个待匹配图像，有如下公式：

可以得出：

从而可以计算出dx和dy的值。得出中心点的位移为：

(uk,vk)＝(xk-x1k-dxk,yk-y1k-dyk)(12)

因此带入到公式(1)可以计算出亚像素匹配的ck(p)的值。

步骤6判断图像是否出现异常

将亚像素匹配点计算出的ck(p)的值由小到大进行排序，将排序完以后的数值记为cs(p)，s是1到k之间的整数，将10％*k取整以后的值记为l。

计算平均值：

计算差值：

zk＝|ck(p)-c(p)|(14)

当zk大于指定的阈值时，则认为光伏电池出现异常。

步骤6确定异常图像的边界

对于判断出“满”的图像，被认为是异常图像，设定其范围内所有像素值为1；对于“空”的图像，被认为是正常图像，设定其范围内所有像素值为0；对于“部分”的图像，需要继续分割成四等分，直到图像完全为“满”和“空”为止；最后将图像转换成了二值图像。

步骤8判断是否出现火灾

扫描像素值为1的像素点，设有像素值为1的最上面的扫描线长度为l1，最下面的为ln，中间再选取n-2条扫描线，则选取的n条扫描线为l1，l2，…，ln；其中n>＝3，每条扫描线的距离都相等。如果满足l1<l2<…<ln，并且l1<25％*ln，则认为光伏电站发生了火灾。

以上所述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。