本发明涉及计算机视觉技术领域,具体涉及一种基于计算机视觉的光伏电池板镀膜脱落预测方法及系统。
背景技术:
随着清洁能源的大力发展和政府的支持,光伏电池板成为了清洁能源的主流获取材料。光伏电池板玻璃表面的镀膜层一般在光伏电站运行两三年后会发生脱落,而且在脱落过程中,因为环境等因素的影响脱落为不均匀脱落。这种玻璃表面镀膜层的脱落是不可逆的,会影响光伏电池板玻璃透光率,降低组件功率,影响整个方针的发电量。而且这种衰减一般在光伏电站运行的前几年还很难根据发电量看出来,因为其衰减率和辐照波动性误差不大。
在镀膜脱落过程中,玻璃上会因为环境问题覆盖上许多灰尘,灰尘中的杂质和玻璃中的钠盐对镀膜形成损伤,导致镀膜脱落。镀膜脱落后的区域由于缺少镀膜的保护以及表面的不平整,会更加容易累积灰尘且难以清洗,进而继续影响镀膜的脱落。
现有的光学器件检测光伏电池板玻璃镀膜缺陷往往会因为光伏电池板在使用过程中的累积的灰尘导致误检。如果不及时检测出严重镀膜脱落的光伏电池板,会影响到光伏电站的工作效率,降低光伏电站的收益。
技术实现要素:
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的光伏电池板镀膜脱落预测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于计算机视觉的光伏电池板镀膜脱落预测方法,所述方法包括:
在预设的检测周期的初始时刻和终止时刻获得光伏电池板的初始图像和终止图像;
将所述初始图像送入预先训练好的分割网络中,获得镀膜脱落区域;
以所述镀膜脱落区域在所述初始图像中的平均灰度与标准光伏电池板的平均灰度差异作为第一灰度差异;获得所述镀膜脱落区域在所述终止图像中的第二灰度差异;以所述第二灰度差异与所述第一灰度差异的比值作为灰尘累积度;
获取所述光伏电池板清理后的灰尘残留度;所述灰尘残留度通过所述灰尘累积度和所述镀膜脱落区域面积获得;
获得所述镀膜脱落区域的第一边缘;在下一次所述检测周期后获得第二边缘;以所述第一边缘和所述第二边缘包围的区域作为所述当前镀膜脱落增长区域;
通过所述当前镀膜脱落增长区域、所述灰尘累积度和所述灰尘残留度构建预测未来镀膜脱落增长区域。
进一步地,所述灰尘残留度通过所述灰尘累积度和所述镀膜脱落区域面积获得包括:
当所述镀膜脱落区域面积小于等于第一面积阈值时,所述灰尘残留度等于所述灰尘累积度;当所述镀膜脱落区域面积大于等于第二面积阈值时,所述灰尘残留度等于零;所述第二面积阈值大于所述第一面积阈值。
进一步地,获得所述镀膜脱落区域面积后还包括:若所述镀膜脱落区域面积大于预设第三面积阈值时,则认定光伏电池板损坏;所述第三面积阈值大于所述第二面积阈值。
进一步地,通过所述灰尘累积度和所述镀膜脱落区域面积获得灰尘残留度具体包括:
其中,fresidual为所述灰尘残留度,fcumulant为所述灰尘累积度,α为优化系数,ε为面积相关参数;ε具体表示为:
其中,si为第i个所述镀膜脱落面积,s1为所述第一面积阈值,s2为所述第二面积阈值。
进一步地,通过所述镀膜脱落增长区域、所述灰尘累积度和所述灰尘残留度构建预测所述镀膜脱落增长区域包括利用镀膜脱落增长面积预测模型获得所述镀膜脱落增长区域:
其中,δsn为预测出的第n次检测周期的镀膜脱落增长面积;μ和β为模型优化系数;fresidual为所述灰尘残留度;fcumulant为所述灰尘累积度;δs0为第一次检测到镀膜脱落时的所述镀膜脱落区域面积;
本发明还提出了一种基于计算机视觉的光伏电池板镀膜脱落预测系统,所述系统包括:图像获取模块、镀膜脱落区域获取模块、灰尘累积度获取模块、灰尘残留度获取模块、镀膜脱落增长区域获取模块和镀膜脱落增长区域预测模块;
所述图像获取模块用于在预设的检测周期的初始时刻和终止时刻获得光伏电池板的初始图像和终止图像;
所述镀膜脱落区域获取模块用于将所述初始图像送入预先训练好的分割网络中,获得镀膜脱落区域;
所述灰尘累计度获取模块用于以所述镀膜脱落区域在所述初始图像中的的平均灰度与标准光伏电池板的平均灰度差异作为第一灰度差异;获得所述镀膜脱落区域在所述终止图像中的第二灰度差异;以所述第二灰度差异与所述第一灰度差异的比值作为灰尘累积度;
所述灰尘残留度获取模块用于获取所述光伏电池板清理后的灰尘残留度;所述灰尘残留度通过所述灰尘累积度和所述镀膜脱落区域面积获得;
所述镀膜脱落增长区域获取模块用于获得所述镀膜脱落区域的第一边缘;在下一次所述检测周期后获得第二边缘;以所述第一边缘和所述第二边缘包围的区域作为镀膜脱落增长区域;
所述镀膜脱落增长区域预测模块用于通过所述当前镀膜脱落增长区域、所述灰尘累积度和所述灰尘残留度构建预测未来镀膜脱落增长区域。
进一步地,所述灰尘残留度模块还包括镀膜脱落区域面积分析模块:
所述镀膜脱落区域面积分析模块用于当所述镀膜脱落区域面积小于等于第一面积阈值时,所述灰尘残留度等于所述灰尘累积度;当所述镀膜脱落区域面积大于等于第二面积阈值时,所述灰尘残留度等于零;所述第二面积阈值大于所述第一面积阈值。
进一步地,所述镀膜脱落区域获取模块还包括镀膜脱落区域面积判定模块;
所述镀膜脱落区域面积判定模块用于当所述镀膜脱落区域面积大于预设第三面积阈值时,则认定光伏电池板损坏;所述第三面积阈值大于所述第二面积阈值。
进一步地,所述灰尘残留度获取模块通过灰尘残留度模型获得所述灰尘残留度;所述灰尘残留度模型包括:
其中,fresidual为所述灰尘残留度,fcumulant为所述灰尘累积度,α为优化系数,ε为面积相关参数;ε具体表示为:
其中,si为第i个所述镀膜脱落面积,s1为所述第一面积阈值,s2为所述第二面积阈值。
进一步地,所述镀膜脱落增长区域预测模块通过镀膜脱落增长面积预测模型获得所述镀膜脱落增长区域;所述镀膜脱落增长面积预测模型包括:
其中,δsn为预测出的第n次检测周期的镀膜脱落增长面积;μ和β为模型优化系数;fresidual为所述灰尘残留度;fcumulant为所述灰尘累积度;δs0为第一次检测到镀膜脱落时的所述镀膜脱落区域面积;
本发明具有如下有益效果:
1.在本发明实施例中考虑到灰尘对镀膜脱落的影响,获得检测周期内的灰尘累积度和灰尘残留度,通过获得的数据来拟合构建镀膜脱落增长面积预测模型,镀膜脱落预测更及时准确,保证工作人员可以及时更换电池板。
2.在本发明实施例中通过计算机视觉获得准确的镀膜脱落增长区域,使得构建的模型更具有参考意义,提高了镀膜脱落增长面积预测模型的实用性和准确性,提高检测效率。
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计算机视觉的光伏电池板镀膜脱落预测方法流程图;
图2为本发明一个实施例所提供的一种基于计算机视觉的光伏电池板镀膜脱落预测系统框图。
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种基于计算机视觉的光伏电池板镀膜脱落预测方法及系统,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种基于计算机视觉的光伏电池板镀膜脱落预测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提供的种基于计算机视觉的光伏电池板镀膜脱落预测方法流程图,该方法包括:
步骤s1:在预设的检测周期的初始时刻和终止时刻采集光伏电池板的初始图像和终止图像。
在本发明实施例中依靠光伏电站内巡检无人机上的部署的相机在预设的检测周期内对光伏电站内的光伏电池板进行周期性检测,获得光伏电池板的初始图像和终止图像。在本发明实施例中,检测周期设置为10天。检测周期不仅作为光伏电池板表面的检测周期,还作为光伏电池板清洁的清洁周期,采集到终止时刻的终止图像后执行清扫任务。
步骤s2:将初始图像送入预先训练好的分割网络中获得镀膜脱落区域。
分割网络用来将初始图像中的镀膜脱落区域提取出来,便于后续的分析。该分割网络具体包括:
1)将通过巡检无人机采集的光伏电池板图像作为训练数据,训练数据内应包含镀膜脱落区域。对镀膜脱落区域标注为0,其他标注为1。将训练数据和标签数据归一化。
2)将归一化后的训练数据标签数据送入网络中进行训练,分割编码器用于提取图像特征,改变通道数量输出特征图;分割解码器将特征图尺寸变换为输入训练数据尺寸,输出分割图像。
需要说明的是,在获得分割图像可经过去噪等预处理操作,使图像质量更佳。
同一张光伏电池板图像内可能包含多个镀膜脱落区域,将分割图像进行连通域分析,获得镀膜脱落区域。当镀膜脱落区域大于预设第三面积阈值时,认定光伏电池板损坏。
步骤s3:通过镀膜脱落区域在终止图像和初始图像上的灰度获得灰尘累积度。
因为灰尘在光伏电池板上的累积会使拍摄出来的光伏电池板灰度值发生变化。将初始图像转化为灰度图,获得各个镀膜脱落区域的灰度平均值
其中,fcumulant为灰尘累积度,
步骤s4:获取光伏电池板清理后的灰尘残留度。
灰尘在镀膜脱落区域的灰尘累积量越大,则对应的
在清理光伏电池板时,由于镀膜脱落区域对于其他区域具有细小的高度差,且清洁毛刷也有可能具有清理死角,因此在清理过程结束后仍有一些灰尘残留在镀膜脱落区域中。镀膜脱落区域面积越小,灰尘清理的越不完全,残留的灰尘越多。
当镀膜脱落区域面积小于等于第一面积阈值时,灰尘残留度等于灰尘累积度。当镀膜脱落区域面积大于等于第二面积阈值时,所述灰尘残留度等于零。
因此本发明实施例通过灰尘累积度和镀膜脱落区域面积构建灰尘残留度模型,通过灰尘残留度模型获得灰尘残留度,具体包括:
其中,fresidual为所述灰尘残留度,fcumulant为所述灰尘累积度,α为优化系数,ε为面积相关参数;ε具体表示为:
其中,ε为所述面积相关参数,si为第i个所述镀膜脱落面积,s1为所述第一面积阈值,s2为所述第二面积阈值,第二面积阈值大于第一面积阈值且小于第三面积阈值。
通过计算机视觉技术处理多组清理前后的光伏电池板图像获得多组残留度和累积度。将多组数据作为训练数据拟合残留度模型,获得最优的优化系数α。
步骤s5:获得镀膜脱落增长区域。
通过边缘检测算法获得镀膜脱落区域的第一边缘。在下一次检测周期中以同样操作获得第二边缘。以第一边缘和第二边缘包围的区域作为镀膜脱落增长区域。利用连通域分析获得当前镀膜脱落增长区域的面积。
在本发明实施例中,边缘检测算法使用canny算子计算边缘梯度。
步骤s6:构建镀膜脱落增长面积预测模型。
通过当前镀膜脱落增长区域、灰尘累积度和灰尘残留度构建镀膜脱落增长面积预测模型:
其中,δsn为第n次检测预测出的下一次检测周期的未来镀膜脱落增长面积,μ和β为模型的优化系数,fresidual为灰尘残留度,fcumulant为灰尘累积度,δs0为第一次检测到镀膜脱落时的镀膜脱落区域面积;
通过图像获得的数据对镀膜脱落增长面积预测模型进行拟合,最终获得最优的优化参数。通过镀膜脱落增长面积预测模型可预测光伏电池板在使用过程中镀膜脱落的增长速度和增长面积。
综上所述,本发明实施例设定合适的检测周期,在一个检测周期的初始时刻和终止时刻采集光伏电池板的图像,获得初始图像和终止图像。通过初始图像获得镀膜脱落区域。通过初始图像和终止图像获得光伏电池板的灰尘累积度。以灰尘累积度和镀膜脱落区域面积获得光伏电池板的灰尘残留度。通过下一次检测周期获得的图像信息获得当前镀膜脱落增长区域。通过当前镀膜脱落区域增长区域、灰尘累积度和灰尘残留度预测未来的镀膜脱落增长区域。
请参阅图2,其示出了本发明一个实施例提供的种基于计算机视觉的光伏电池板镀膜脱落预测系统框图。该系统包括图像获取模块101、镀膜脱落区域获取模块102、灰尘累积度获取模块103、灰尘残留度获取模块104、镀膜脱落增长区域获取模块105和镀膜脱落增长区域预测模块106。
图像获取模块101用于在预设的检测周期的初始时刻和终止时刻获得光伏电池板的初始图像和终止图像。
镀膜脱落区域获取模块102用于将初始图像送入预先训练好的分割网络中,获得镀膜脱落区域。
灰尘累计度获取模块103用于以镀膜脱落区域在所述初始图像中的的平均灰度与标准光伏电池板的平均灰度差异作为第一灰度差异。获得镀膜脱落区域在终止图像中的第二灰度差异。以第二灰度差异与所述第一灰度差异的比值作为灰尘累积度。
灰尘残留度获取模块104用于获取光伏电池板清理后的灰尘残留度。灰尘残留度通过灰尘累积度和所述镀膜脱落区域面积获得。
镀膜脱落增长区域获取模块105用于获得镀膜脱落区域的第一边缘。在下一次检测周期后获得第二边缘。以第一边缘和第二边缘包围的区域作为镀膜脱落增长区域。
镀膜脱落增长区域106预测模块用于通过当前镀膜脱落增长区域、灰尘累积度和灰尘残留度构建预测未来镀膜脱落增长区域。
优选的,灰尘残留度模块104还包括镀膜脱落区域面积分析模块。镀膜脱落区域面积分析模块用于当镀膜脱落区域面积小于等于第一面积阈值时,灰尘残留度等于灰尘累积度。当镀膜脱落区域面积大于等于第二面积阈值时,灰尘残留度等于零。第二面积阈值大于所述第一面积阈值。
优选的,镀膜脱落区域获取模块102还包括镀膜脱落区域面积判定模块。镀膜脱落区域面积判定模块用于当镀膜脱落区域面积大于预设第三面积阈值时,则认定光伏电池板损坏。第三面积阈值大于所述第二面积阈值。
优选的,灰尘残留度获取模块104通过灰尘残留度模型获得所述灰尘残留度;所述灰尘残留度模型包括:
其中,fresidual为灰尘残留度,fcumulant为灰尘累积度,α为优化系数,ε为面积相关参数;ε具体表示为:
其中,si为第i个镀膜脱落面积,s1为第一面积阈值,s2为第二面积阈值。
优选的,镀膜脱落增长区域预测模块通过镀膜脱落增长面积预测模型获得镀膜脱落增长区域。镀膜脱落增长面积预测模型包括:
其中,δsn为预测出的第n次检测周期的镀膜脱落增长面积;μ和β为模型优化系数;fresidual为灰尘残留度;fcumulant为灰尘累积度;δs0为第一次检测到镀膜脱落时的镀膜脱落区域面积;
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。