基于人工智能的光伏清洁机器人毛刷功率调整方法及系统与流程

1.本技术涉及光伏清洁、人工智能领域，具体涉及基于人工智能的光伏清洁机器人毛刷功率调整方法及系统。


背景技术：

2.电池组件在阳光照射下，被灰尘脏污遮盖的部分升温速度远大于未被遮盖部分，温度过高将出现烧坏的暗斑，被遮蔽的光伏电池会变成不发电的电阻，消耗电池产生的电力而发热，导致电池板老化加剧，发电量降低，严重时会引起组件烧毁。因此，光伏清洁机器人在电池板脏污清洁方面起着十分重要的作用。
3.光伏清洁机器人主要是通过毛刷将电池板表面脏污等进行清除，但是由于电池板表面脏污类型以及脏污的位置等因素，会造成电池板表面脏污清除的难易程度不同。因此，针对上述问题，本发明通过电池板各区域脏污特征数据，动态调整清洁机器人的毛刷功率，实现对光伏清洁机器人的毛刷功率进行按需调控，提高清洁机器人的工作效率，降低清洁机器人能耗，进一步保证清洁效果。


技术实现要素：

4.本发明提供基于人工智能的光伏清洁机器人毛刷功率调整方法及系统，以解决现有的低效率、高功耗、不能按需清洁等问题。
5.本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法，采用如下技术方案：步骤一：获取所有光伏电池板图像；步骤二：利用语义分割获取所述的光伏电池板图像中的脏污区域，对脏污区域进行分析得到脏污区域面积信息和脏污区域位置分布信息，并提取脏污区域的脏污厚度指标；步骤三：提取电池板图像中的边缘线，计算出每个脏污区域中位于电池板边缘线上的脏污像素和；步骤四：将所述的脏污像素和作为脏污位置特征值，并计算出边缘脏污指标；步骤五：根据所述脏污区域面积信息、脏污位置特征值、脏污厚度指标和边缘脏污指标建立脏污区域特征向量；步骤六：利用每一个脏污区域的脏污特征向量对清洁该区域的机器人毛刷功率进行调整。
6.所述脏污区域特征向量为：式中，为第个脏污区域的脏污区域特征向量，为第个脏污区域的面积，为第个脏污区域的脏污位置特征值，为第个脏污区域的脏污厚度指标,为第个脏污
区域的边缘脏污指标。
7.所述脏污位置特征值获取方法如下：将电池板rgb图像转换为灰度图，采用最大熵阈值分割算法进行分割得到电池板边缘二值图；对二值图进行开运算去噪；随机选取图中边缘线像素点进行曲线拟合，得到边缘线方程；将脏污区域内的像素点坐标带入边缘线方程，判断脏污像素点是否位于电池板边缘线上；将每个脏污区域的位于电池板边缘线上的像素点进行像素求和，得到脏污特征值。
8.所述脏污厚度指标获取步骤为：将语义分割后的图与原图相乘得到脏污rgb图像；对脏污rgb图像进行his色彩转换，提取出脏污区域的亮度信息和饱和度信息；根据、得到脏污厚度指标公式：式中，分别为脏污区域的亮度和饱和度信息，为可调参数。
9.所述边缘脏污指标计算方法为：式中，为第个脏污区域的边缘脏污指标，为第个脏污区域内处于电池板边缘线上的脏污长度，即第个脏污区域内处于电池板边缘线上的像素数量之和。
10.所述毛刷功率调整方法如下：对电池板进行区域划分；将各区域的脏污特征向量构成该区域维数为的脏污特征矩阵：式中，为第k个区域的脏污特征矩阵，为电池板第k个区域内的脏污区域个数，对矩阵各列进行均值计算：
式中，为脏污特征，则得到该区域的脏污特征向量指标：构建网络预测模型，通过电池板的各区域的脏污特征向量指标得到清洁机器人毛刷在对应区域内的功率；计算出调节时间，保证机器人到达下一分区起始点时恰好完成毛刷功率的调整。
11.所述区域划分方法如下：根据脏污区域位置分布信息获取脏污区域的分布集合；通过k-means聚类算法对电池板的脏污位置分布情况进行聚类分析,得到多个簇；任意选取一个簇作为核心，找出其簇内的脏污像素与相邻两个簇中距离最近的两对脏污像素点，获取垂直于所述两对脏污像素点所构成的线段的两条直线，并将两直线的交点记为o，找到相邻两个簇中距离最近的一对脏污像素点，过点o做该对脏污像素点所构成线段的垂线，完成对电池板的区域划分。
12.所述网络预测模型采用全连接预测网络模型，将脏污区域的特征向量指标作为输入，毛刷在该区域的功率作为输出，网络训练过程中采用交叉熵损失函数，不断更新参数，进行迭代训练。
13.所述调节时间获取方法为：当清洁机器人在当前分区完成清洁后，机器人位于当前分区终点，获取当前终点坐标；获取下一分区距离当前终点坐标最近的点的坐标；根据当前终点坐标和下个分区中距离终点坐标最近的坐标得到毛刷功率调节时间公式为：式中，为下一分区距离机器人最近点的坐标信息，为机器人到达当前分区清洁终点时的机器人中心点坐标，v为机器人运行速度，为延迟因子。
14.本技术方案还提供基于人工智能的光伏清洁机器人毛刷功率调整系统，包括图像采集模块，图像处理模块，脏污特征提取模块，毛刷功率计算模块，清洁策略模块：所述图像采集模块通过监控相机采集所有电池板图像；所述图像处理模块通过语义分割网络识别出电池板的脏污信息；所述脏污特征提取模块通过分析电池板的脏污信息提取出脏污特征数据，包括脏污区域面积、脏污特征值、脏污厚度指标及边缘脏污指标，根据脏污特征数据构建根据脏污区域特征向量模型；所述清洁策略模块是通过计算出机器人到达下一分区所需的时间，在该时间及时调整毛刷功率。
15.本发明的有益效果是：本发明考虑到电池板表面脏污的位置信息，当脏污处于相邻电池板连接处的边缘
位置时，根据先验知识边缘位置凹凸不平，常导致脏污较难清理，导致电池板清洁不全面，同时对于脏污厚度较高的区域，清洁机器人在清洁过程中应适当加大毛刷功率，以保证清除电池板表面的污渍。为提高机器人的清洁效率，本发明根据电池板脏污分布特性对其进行聚类分析，并采用支持向量机算法将电池板进行分区处理，基于各分区脏污特征向量指标，对毛刷功率针对性的进行动态调整，实现按需清洁，该方法既能够有效提高机器人的工作效率，降低机器人能耗，又可以保证电池板表面的清洁效果。
附图说明
16.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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法流程图；图2是本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法中的分区示意图；图3是本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法中的清洁路径示意图；图4是本发明的基于人工智能的光伏清洁机器人毛刷功率调整系统结构框图；图5是本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法中的应用场景图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.本发明的基于人工智能的光伏清洁机器人毛刷功率调整方法的实施例，如图1所示，包括：步骤一：获取所有光伏电池板图像；该步骤的目的是通过光伏电站所安装的各监控相机采集电池板图像，相机的安装布置实施者根据光伏电站电池板区域的范围自行设置，保证光伏电站的监控相机拍摄范围能够包含所有电池板，本实施例首先对电池板表面进行拍摄，采用各监控相机实现对电池板表面的图像采集，并对各电池板进行编号处理，使得清洁机器人对各电池板进行识别判断，以便清洁机器人清洁完最后一个电池板时自动停止。
20.需要说明的是，光伏电池区域的各监控相机与清洁机器人之间可以传输无线数据，可根据机器人当前位置信息，将与机器人运行趋势相同的下一相邻电池板编号以及电池板的具体情况传输给清洁机器人，以便后续基于电池板的脏污特性对机器人毛刷功率进行自适应调整。
21.步骤二：利用语义分割获取所述的光伏电池板图像中的脏污区域，对脏污区域进
行分析得到脏污区域面积信息和脏污区域位置分布信息，并提取脏污区域的脏污厚度指标；该步骤的目的是采用语义分割网络对电池板表面脏污进行感知，实现对电池板脏污区域及位置分布信息的识别，并根据图像构建脏污厚度指标。
22.其中，语义分割网络的具体内容如下：(1)将采集的电池板图像作为训练数据集，对数据集进行标注，本发明将基于像素类别对其进行标签制作，表面干净的电池板标注为0，电池板表面有脏污的区域像素标注为1，随机选择数据集的80%作为训练集，剩余的20%作为验证集。
23.(2)将图像数据和标签数据输入网络中，脏污感知encoder对图像进行特征提取，输出为feature map；然后通过脏污检测decoder对feature map进行上采样，网络输出电池板表面脏污的语义分割图像。
24.(3)脏污感知网络的loss函数使用交叉熵损失函数进行训练。
25.需要说明的是，根据语义分割可对电池板表面的脏污进行识别判断，获取各脏污连通域，得到脏污区域，通过连通域分析，计算电池板各脏污区域的面积以及各脏污位置分布，为第个脏污区域，为第个脏污区域的中心点坐标。
26.进一步的，本发明将分析各脏污区域的脏污厚度指标，用于对脏污程度进行检测，将脏污语义感知效果图与原图像相乘，即可得到脏污rgb图像，用于直观分析脏污厚度指标，为准确获取电池板脏污厚度指标，本发明首先将图像进行his色彩转换。
27.his色彩转换具体步骤为：（1）对rgb图像进行归一化处理，以保证其值均归一化至[0,1]内；（2）然后进行如下处理：考虑到色调函数的计算结果存在的情况，因此将对色调函数进行以下处理：的情况，因此将对色调函数进行以下处理：的情况，因此将对色调函数进行以下处理：（3）将脏污区域转换到hsi空间后，基于hsi颜色模型分析电池板脏污的颜色特征，
考虑到不同程度脏污区域的饱和度及明度对存在很大差异，因此，本实施例将基于电池板表面的颜色特征，对脏污厚度指标进行分析计算，作为后续分析电池板的脏污特性，本发明建立如下脏污厚度指标分析模型：式中，分别为脏污区域的亮度和饱和度信息，为模型可调参数，实施者自行选取，本发明设置为。模型函数值越高，该脏污区域的脏污厚度指标越大，脏污程度也越高。
[0028]
步骤三：提取电池板图像中的边缘线，计算出每个脏污区域中位于电池板边缘线上的脏污像素和；该步骤的目的是为了便于后续直观统计电池板边缘处的脏污像素，同时通过拟合的方法提取边缘像素所在曲线，可准确获取电池板边缘线所在方程，该方法能够有效防止脏污遮挡对所提取的边缘线信息完整性的影响，提高系统整体精度，具体步骤如下：（1）提取电池板边缘线，以便对电池板脏污位置进行判定。将电池板rgb图像转换为灰度图，本发明采用最大熵阈值分割算法对电池板图像进行分割，提取图像中的电池板边缘像素，其中，电池板边缘位置像素值为1，电池板其他区域像素值为0，最终可得到电池板边缘的二值图。
[0029]
（2）图像分割之后对电池板边缘二值图进行形态学处理，以消除图像中栅线所引起的细小白色噪声点。本发明对二值图进行形态学运算，具体为开运算，先对图像进行腐蚀操作，然后再进行膨胀处理，消除图像中的细小白色噪声。至此，经所述图像处理即可对电池板边缘线进行提取，得到仅含有电池板边缘线的二值图。
[0030]
（3）本实施例考虑到在进行电池板边缘线提取过程中，存在脏污遮挡的情况，导致提取的电池板边缘信息不够完整。因此，为准确判定脏污是否处于电池板的边缘位置上，本发明将根据上述电池板边缘二值图中的边缘像素点对电池板边缘所在的曲线进行拟合，以便准确得到电池板边缘方程，用于后续脏污位置特征的判定。根据所述二值图可获取电池板边缘像素点坐标，然后对得到的各边缘像素散点进行拟合，获得边缘线方程。
[0031]
（4）将脏污区域中的像素坐标带入电池板边缘线方程，验证脏污像素点是否处于边缘线上，统计每个脏污区域内处于边缘线位置的脏污像素和。
[0032]
其中，所述电池板边缘线拟合过程具体为：首先随机选取个点来拟合一条曲线，然后计算所有点到该条曲线的距离，距离小于阈值,判定该点属于该曲线，记录属于该曲线的点的个数，然后更换选择的点，再重新拟合一条新的曲线，同样计算属于该曲线的点的个数，搜索完成后，选包含最多点的曲线方程作为边缘线方程。
[0033]
步骤四：将所述的脏污像素和作为脏污位置特征值，并计算出边缘脏污指标；该步骤的目的是，将步骤三中的作为该脏污区域的脏污位置特征值，本实施例考虑到脏污位于边缘处的聚集程度越高，则对于清洁机器人而言越难以清洗，将分析每个连通域内处于电池板边缘处的脏污的聚集程度，将此作为边缘脏污指标，构建边缘脏污
聚集程度分析模型，用于分析位于边缘位置处脏污的聚集程度。对电池板上每个包含边缘脏污区域进行分析，计算各区域内处于边缘脏污的聚集度：式中，为第个脏污区域的边缘脏污指标，为第个脏污区域内处于电池板边缘线上的脏污长度，为第个脏污区域内处于电池板边缘线上的脏污像素数量之和，模型函数值越高，则对应脏污区域内边缘脏污的聚集程度越高，清洁机器人在进行清洁工作时的难度越大。
[0034]
步骤五：根据所述脏污区域面积信息、脏污位置特征值、脏污厚度指标和边缘脏污指标建立脏污区域特征向量；该步骤的目的是，为了准确的对电池板的脏污进行清洁，提高清洁方法的精度，本实施例根据脏污区域的相关特征指标，构建模型，方便后续调节功率。
[0035]
其中，脏污区域面积信息、脏污位置特征值、边缘脏污聚集度和脏污厚度指标在步骤一至步骤四已经获得，对电池板上的各脏污区域做进一步的分析，获取的脏污区域特征向量，对于整个单个的电池板，可获取电池板脏污特征向量集合，为脏污连通域个数，后续将基于此进行清洁机器人功率的调节控制。
[0036]
步骤六：利用每一个脏污区域的脏污特征向量对清洁该区域的机器人毛刷功率进行调整。
[0037]
该步骤的目的是基于各脏污分布信息实现对电池板的区域划分,根据电池板上的脏污分布情况，针对性的进行分区处理，相比于固定区域的分割有更强的泛化性，提高系统的适应性, 并且，通过有效根据脏污特征进行电池板的分区，可针对性的对光伏清洁机器人毛刷功率进行动态调整，便于实现清洁机器人功率实现按需调整。
[0038]
其中，区域划分具体步骤为：首先获取电池板的各脏污连通域，通过连通域分析得到各脏污区域中心点，获取脏污区域的分布集合；然后通过聚类算法基于电池板的脏污位置分布情况进行聚类分析，初始选取三个聚类中心点，本实施例采用k-means算法对其进行聚类分析，得到多个簇；获取各类别后，本实施例将基于各脏污分布信息实现对电池板的动态区域划分，该步骤的主要目的是根据电池板上的脏污分布情况，针对性的进行分区处理，相比于固定区域的分割有更强的泛化性，提高系统的适应性。
[0039]
考虑到聚类分析后仅将电池板各脏污进行分类，只能够获取电池板上的几个簇，但光伏清洁机器人在进行电池板清扫过程中需要对电池板全面进行清洁打扫，因此，为便于后续清洁机器人对整个电池板进行清洁工作，本发明基于聚类后的各类别将对整个电池板进行分区处理。本发明所述分区处理具体过程为：针对聚类之后的结果,本实施例如图2所示，首先任意选取一个簇作为核心，找出其簇内的脏污像素与相邻两个簇中距离最近的两对脏污像素点，获取垂直于所述两对脏污
点所构成的线段的两条直线，并将两直线的交点记为o,然后找到相邻两个簇中距离最近的一对脏污像素点，过点o做该对脏污像素点所构成线段的垂线，实现基于脏污聚类结果对电池板进行分区处理。
[0040]
进一步地，获取分区后的各脏污区域特征向量指标：对于分区后的电池板，将各分区将分区各脏污特征向量构成该分区维数为的脏污特征矩阵：式中，为第k个区域的脏污特征矩阵，为电池板第k个区域内的脏污区域个数，对矩阵各列进行均值计算：式中，为脏污特征，获取最终该分区的脏污特征向量指标为：进一步地，本实施例基于电池板的各分区脏污特性向量指标构建网络预测模型对清洁机器人的毛刷功率进行预测调整：预测网络模型的输入为分区脏污特征向量指标，网络输出为毛刷在该分区的工作功率，毛刷在各分区的工作功率数据可通过在机器人上安装微型功率检测仪来获取，网络训练过程中采用交叉熵损失函数进行迭代训练，不断更新网络参数，预测网络可采用全连接预测网络模型，通过训练可得到脏污特征指标和对应功率的关系，在实际应用中，在该预测模型输入脏污特征指标，就可得到该区域中清洁机器人毛刷对应的功率，以此进行动态调整。
[0041]
需要说明的是，针对各分区毛刷功率的预测调节模型，实施者也可基于各区域的特征向量指标构建毛刷功率预测调节函数模型：，可通过数学模型实现对清洁过程中的毛刷功率进行预测、调控，保证其能够达到按需清洁的效果。
[0042]
至此，即可根据所述预测模型及机器人所需清洁的下一分区的脏污特征向量指标，对所需清洁的下一分区的机器人毛刷功率进行调整。
[0043]
需要说明的是，对于光伏清洁机器人在各分区的毛刷功率，本实施例将根据各区内的脏污特征向量指标对其进行动态调整，由于本实施例将每个电池板都分为三个分区，因此，清洁机器人在进行光伏电池板的清洁过程中，每个电池板对应毛刷功率调节次数最多为3。该分区数量与上述聚类中心个数相同，聚类中心数的设置实施者可自行设置。
[0044]
进一步地，计算出完成功率调整所需的调节时间，通过毛刷功率调节时间预先对其进行调整，以保证机器人的按需清洁同时降低机器人的能耗，提高机器人清洁效率，方法
如下：当清洁机器人在当下分区进行清洁完成之后，得到机器人在当下分区的终点，根据机器人的运行区域获取下一分区距离机器人最近的点的坐标，基于两者的位置信息，本实施例对下一分区机器人毛刷功率的调节时间进行分析：式中，为下一分区距离机器人最近点的坐标信息，为机器人到达当前分区清洁终点时的机器人中心点坐标，v为机器人运行速度，本实施例设定机器人在清洁过程中匀速运行。考虑到实际情况下，机器人毛刷功率调控过程中存在延迟现象，因此，本发明设置延迟因子，以保证机器人到达下一分区起始点时恰好完成毛刷功率的调整，的取值实施者机器人的根据实际情况自行设置，本实施例将其设置为。
[0045]
进一步的，本实施例在计算出调节时间后，还提供了机器人的清洁路径的设置方法，如图3所示：清洁机器人对当前分区清洁完成后，将到达当前分区的终点，首先获取上述最近点，以保证机器人尽快到达下一相邻分区，在去往下一分区初始点的过程中，机器人将毛刷收回，采用直行模式，以低功耗运行到达所述最近点，所述最近点为下一相邻分区的机器人清洁初始点；根据毛刷功率调节时间获取下一分区毛刷功率的调节时间，到达最近点后，将该点作为所述下一区域的机器人清洁初始点，机器人将采用预调控的毛刷功率沿着顺时针方向围绕该分区边界行走一圈；然后每次到达初始点之后向内移动一个距离l，再继续沿着跟与该分区轮廓相同的路径前进，这样以此类推，直到到达该分区中心，作为机器人在该分区的终点，在此说明，机器人每次的移动距离l根据光伏清洁机器人的大小决定。
[0046]
至此，可基于各分区表面脏污特征向量指标以及当下机器人所在电池板的位置，可实现对机器人在下一分区清洁时的毛刷功率进行预先调控，以保证清洁机器人的清洁效果，实现按需清洁，同时提高机器人的使用寿命。该方法能够自动基于电池板各分区的脏污特征对机器人毛刷功率预先进行自适应的调节，降低人为检测控制的主观性及误检率。
[0047]
实施例2如图4所示基于人工智能的光伏清洁机器人毛刷功率调整系统，包括：图像采集模块s100，通过监控相机采集所有电池板图像;图像处理模块s101，通过语义分割网络识别出电池板的脏污信息;脏污特征提取模块s102，通过分析电池板的脏污信息提取出脏污特征数据，包括脏污区域面积、脏污特征值、脏污厚度指标及边缘脏污指标，根据脏污特征数据构建根据脏污区域特征向量模型；毛刷功率计算模块s103，通过对电池板进行分区，根据脏污区域特征向量模型得到对应区域的脏污区域特征向量，利用预测网络，得到毛刷在对应区域内的功率；清洁策略模块s104，通过计算出机器人到达下一分区所需的时间，在该时间及时调整毛刷功率，并设置清洁路径。
[0048]
本实施例可应用光伏清洁场景如图5所示，本技术方案基于人工智能和图像处理，
精准定位电池脏污区域，并根据脏污程度预先调整光伏机器人功率，实现按需清洁，降低了功耗的同时提高了清洁效率。
[0049]
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、改进等，均应包含在本发明的保护范围之内。