一种电站建模地图组串分割方法及装置与流程

1.本技术涉及光伏发电技术领域，更具体地说，涉及一种电站建模地图组串分割方法及装置。


背景技术：

2.随着光伏行业的蓬勃发展，无人机定速巡航和智能故障定位技术逐渐取代人工巡检方式来应对复杂场景下的电站运维。
3.上述智能故障定位技术能够进行故障识别和定位故障点的gps坐标，但在实际电站场景中地形复杂，特别是在山地和水面电站，通过故障点gps坐标很难快速且准确的定位到故障光伏组件，为了解决这一问题，可以依赖电站地图，具体从电站地图中分割出光伏组件，对故障点的gps坐标和分割出的光伏组件做映射，在电站地图中标记出故障光伏组件的位置，以保证运维任意可以快速准确的定位故障光伏组件。
4.其中，目前，一般通过人工从电站地图中分割出光伏组件，但是，人工方式效率低且准确性低。


技术实现要素：

5.本技术提供如下技术方案：
6.本技术一方面提供一种电站建模地图组串分割方法，包括：
7.将电站地图分割为多张切片图像，将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征；
8.对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域；
9.对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像；
10.基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
11.可选的，将电站地图分割为多张切片图像，包括：
12.利用设定大小的图像块，以设定步长在电站地图中滑动，每当所述图像块滑动一次，从电站地图中分割出所述图像块对应的图像，得到多张切片图像。
13.可选的，所述利用设定大小的图像块，以设定步长在电站地图中滑动，包括：
14.确定所述电站地图的高度与设定大小的图像块的高度的差值是否能够整除所述图像块在高度方向的第一设定步长，和/或，所述电站地图的宽度与所述图像块的宽度的差值是否能够整除所述图像块在宽度方向的第二设定步长；
15.若是，利用设定大小的图像块，以设定步长在电站地图中滑动；
16.若否，对所述电站地图的边界进行扩展操作，得到调整后的电站地图，所述调整后
的电站地图的高度与所述图像块的高度的差值能够整除所述第一设定步长，和/或，其宽度与所述图像块的宽度的差值能够整除所述第二设定步长；
17.利用所述图像块，以所述设定步长在所述调整后的电站地图中滑动。
18.可选的，对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像，包括：
19.基于所述图像块滑动的轨迹，对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像；
20.若所述全景掩膜图像和所述电站地图之间的高度和/或宽度不一致，以所述全景掩膜图像的边界为初始位置，从所述全景掩膜图像中删除冗余区域，得到第一待使用全景掩膜图像，所述第一待使用全景掩膜图像与所述电站地图之间的高度和宽度一致。
21.可选的，所述对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像之后，还包括：
22.确定所述全景掩膜图像中各个光伏组串区域的轮廓面积，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，得到第二待使用全景掩膜图像。
23.可选的，所述图像分割网络模型通过以下方式进行训练得到：
24.获取每个电站对应的可见光训练图像及所述可见光训练图像对应的掩膜图像，所述可见光训练图像对应的掩膜图像包含用于表征所述可见光训练图像中光伏组串的第一区域和/或用于表征所述可见光训练图像中背景部分的第二区域；
25.将所述可见光训练图像和所述可见光训练图像对应的掩膜图像分别分割为多张切片训练图像；
26.将所述多张切片训练图像输入图像分割网络模型，得到所述图像分割网络模型确定的每张切片训练图像中的特征；
27.基于每张切片训练图像中的特征和所述可见光训练图像对应的掩膜图像中掩膜特征，确定第一网络损失函数值和第二网络损失函数值的叠加值是否收敛，所述第一网络损失函数值表征所述预测切片训练图像中像素点为光伏组串的效果和预测所述像素点为背景部分的效果之间的差异，所述第二网络损失函数值表征每张所述切片训练图像中的特征与所述可见光训练图像对应的掩膜特征之间的相似程度；
28.若是，结束训练；
29.若否，更新所述图像分割网络模型的参数，并返回执行所述获取每个电站对应的可见光训练图像及所述可见光训练图像对应的掩膜特征的步骤。
30.可选的，将所述可见光训练图像分割为多张切片训练图像，包括：
31.对所述可见光训练图像进行灰度变换，得到待使用灰度图像；
32.按照设定图像块尺寸，随机从所述待使用灰度图像中分割出多张切片训练图像。
33.可选的，获取每个电站对应的可见光训练图像及所述可见光训练图像对应的掩膜特征之后，还包括：
34.基于图像处理方法对所述可见光训练图像进行图像增强，获得增强图像，所述增强图像与所述可见光训练图像的语义信息相同。
35.本技术另一方面提供一种电站建模地图组串分割装置，其特征在于，包括：
36.特征提取模块，用于将电站地图分割为多张切片图像，将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征；
37.分类编码模块，用于对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域；
38.拼接模块，用于对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像；
39.分割模块，用于基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
40.可选的，所述特征提取模块将电站地图分割为多张切片图像的过程，具体包括：
41.利用设定大小的图像块，以设定步长在电站地图中滑动，每当所述图像块滑动一次，从电站地图中分割出所述图像块对应的图像，得到多张切片图像。
42.在本技术中，通过将电站地图分割为多张切片图像，将所述切片图像输入至预先训练好的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，对特征进行分类及编码，得到切片图像对应的掩膜图像，对每张切片图像对应的掩膜图像进行拼接处理，得到电站地图对应的全景掩膜图像，基于全景掩膜图像，从电站地图中分割得到各个光伏组串，获得光伏组串在电站地图中的坐标，实现自动从电子全景地图中分割得到光伏组串。本技术中的预先训练的图像分割网络模型为机器学习中的一种模型，可以被处理器等终端自动执行，得到切片图像中的特征，进而基于特征得到全景掩膜图像，基于全景掩膜图像，从电子全景地图中分割得到光伏组串，相比于人工分割的方式，分割的效率及准确率得到提升。
43.并且，将电站地图分割为多张切片图像，将切片图像输入至图像分割网络模型得到特征，相比于直接基于电站地图进行处理，可以提高特征的准确性，进而改善掩膜图像中边界粘连的情况，进一步提高从电站地图中分割得到光伏组串的精确度。
附图说明
44.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
45.图1为本技术实施例1提供的一种电站建模地图组串分割方法的流程示意图；
46.图2为本技术实施例1提供的一种电站地图的示意图；
47.图3为本技术提供的一种将电站地图分割为切片图像及全景掩膜图像的示意图；
48.图4为本技术提供的一种全景掩膜图像的对比示意图；
49.图5为本技术实施例2提供的一种电站建模地图组串分割方法的流程示意图；
50.图6是本技术实施例3提供的一种电站建模地图组串分割方法的流程示意图；
51.图7是本技术提供的一种光伏组串分割流程示意图；
52.图8是本技术提供的一种电站建模地图组串分割装置的结构示意图。
具体实施方式
53.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
54.为了解决上述问题，本技术提供了一种电站建模地图组串分割方法，接下来对本技术提供的电站建模地图组串分割方法进行介绍。
55.参照图1，为本技术实施例1提供的一种电站建模地图组串分割方法的流程示意图，如图1所示，该方法可以包括但并不局限于以下步骤：
56.步骤s11、将电站地图分割为多张切片图像，将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征。
57.本实施例中，电站地图可以包括但不局限于：包含整个光伏电站区域的地图或包含部分光伏电站区域的地图。
58.本实施例中，可以先对电站地图进行预处理，得到预处理后的电站地图，将预处理后的电站地图分割为多张切片图像。
59.对电站地图进行预处理，可以包括但不局限于：对电站地图进行gamma校正，以限制对比度均衡。
60.本实施例中，每个电站可以分别对应一张电站地图。电站地图可以为但不局限于：通过三维建模软件对电站的可见光图像数据进行重构所得到的电站二维电子地图。电站地图的分辨率可以满足设定要求，例如，如图2所示，电站地图的分辨率可以达到46596*35516。
61.需要说明的是，图2为电站地图的一种示例，其并不作为对电站地图的限制。
62.本实施例中，所述图像分割网络模型可以但不局限于通过以下方式进行训练得到：
63.s111、获取电站对应的每张可见光训练图像及每张所述可见光训练图像对应的掩膜图像，所述可见光训练图像对应的掩膜图像包含用于表征所述可见光训练图像中光伏组串的第一区域和/或用于表征所述可见光训练图像中背景部分的第二区域。
64.其中，可见光训练图像和可见光训练图像对应的掩膜图像的大小和形状相同。为了便于处理，可见光训练图像和可见光训练图像对应的掩膜图像可以为但不局限于：宽度和高度为设定值的规则图像。
65.本实施例中，还可以在执行步骤s111之后，基于图像处理方法对所述可见光训练图像进行图像增强，获得增强图像，所述增强图像与所述可见光训练图像的语义信息相同。
66.基于图像处理方法对所述可见光训练图像进行图像增强，获得增强图像，可以使得训练图像更加丰富，提升训练精度。
67.s112、将所述可见光训练图像和所述可见光训练图像对应的掩膜图像分别分割为
多张切片训练图像。
68.本步骤可以包括但不局限于：
69.s1121、对所述可见光训练图像进行灰度变换，得到待使用灰度图像。
70.s1122、按照设定图像块尺寸，分别随机从所述待使用灰度图像和所述可见光训练图像对应的掩膜图像中分割出多张切片训练图像。
71.例如，若所述可见光训练图像和所述可见光训练图像对应的掩膜图像的高度为h,宽度为w，设定图像块尺寸可以为但不局限于：图像块宽度和高度为h和w，按照图像块宽度和高度为h和w，分别随机从所述待使用灰度图像和所述可见光训练图像对应的掩膜图像中分割出多张切片训练图像，可见光训练图像对应的各个切片训练图像可以表示为x＝[x[u
1-h/2:u1+h/2,v
1-w/2:v1+w/2],x[u
2-h/2:u2+h/2,v
2-w/2:v2+w/2],
…
x[u
n-h/2:un+h/2,v
n-w/2:vn+w/2]]，可见光训练图像对应的掩膜图像对应的各个切片图像可以表示为y＝[y[u
1-h/2:u1+h/2,v
1-w/2:v1+w/2],y[u
2-h/2:u2+h/2,v
2-w/2:v2+w/2],
…
x[u
n-h/2:un+h/2,v
n-w/2:vn+w/2]],其中u和v表示图像块中心点横坐标和纵坐标，取值范围为(h/2,h-h/2)和(w/2,w-w/2)。
[0072]
本步骤也可以包括但不局限于：
[0073]
将所述可见光训练图像和所述增强图像，分别分割为多张切片训练图像。
[0074]
s113、将所述多张切片训练图像输入图像分割网络模型，得到所述图像分割网络模型确定的每张切片训练图像中的特征。
[0075]
所述图像分割网络模型确定的所述切片图像中的特征可以包括但不局限于：所述图像分割网络模型确定的所述切片图像中的像素点对应的特征。
[0076]
s114、基于每张切片训练图像中的特征和所述可见光训练图像对应的掩膜图像中的掩膜特征，确定第一网络损失函数值和第二网络损失函数值的叠加值是否收敛，所述第一网络损失函数值表征预测所述切片训练图像中像素点为光伏组串的效果和预测所述像素点为背景部分的效果之间的差异，所述第二网络损失函数值表征每张所述切片训练图像中的特征与所述可见光训练图像对应的掩膜特征之间的相似程度。
[0077]
本步骤可以包括但不局限于：
[0078]
s1141、将每张切片训练图像中的特征和所述可见光训练图像对应的掩膜图像中掩膜特征输入交叉熵损失函数得到第一网络损失函数值；
[0079]
其中，crossentropyloss表示第一网络损失函数值，x[class]表示每张切片训练图像中的特征的类别标签，[j]表示第j张可见光训练图像对应的掩膜图像的真实类别标签，exp()表示指数函数，∑表示求和函数。在本实施例中，x[class]为背景部分或光伏组串两种类别标签。
[0080]
所述可见光训练图像对应的掩膜图像中掩膜特征包含用于表征所述可见光训练图像中光伏组串的第一特征和/或用于表征所述可见光训练图像中背景部分的第二特征。
[0081]
s1142、将每张切片训练图像中的特征和所述可见光训练图像对应的掩膜图像中掩膜特征输入相似性系数损失函数得到第二网络损失函数值；
[0082]
其中，diceloss表示第二网络损失函数值，x表示每张切片图像中的特征，y表示可见光训练图像对应的掩膜图像中掩膜特征，x∩y表示求解x和y的交集。
[0083]
若是，执行步骤s115；若否，执行步骤s116。
[0084]
s115、结束训练；
[0085]
s116、更新所述图像分割网络模型的参数，并返回执行步骤s111。
[0086]
本实施例中，图像分割网络模型可以包括但不局限于：unet网络模型。unet网络模型可以包括编码器、解码器和skip connection结构，包含有skip connection结构的unet网络模型能够使得网络在每一级的上采样过程中，将编码器对应位置的特征图在通道上进行融合，网络能够保留更多高层特征图蕴含的高分辨率细节信息，实现像素级别的图像分类，以达到更加精细化的分割。
[0087]
步骤s12、对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域。
[0088]
对应所述图像分割网络模型确定的所述切片图像中的特征可以包括但不局限于：所述图像分割网络模型确定的所述切片图像中的像素点对应的特征的实施方式，对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，可以包括但不局限于：利用softmax分类器对所述特征进行分类，得到分类结果，将分类结果输入one-hot编码器，得到one-hot编码器确定的所述切片图像对应的掩膜图像。
[0089]
利用softmax分类器对所述特征进行分类，得到分类结果，可以包括：利用如下softmax公式对所述特征进行分类，得到分类结果：
[0090][0091]
其中，zi表示第i个切片图像中的像素点对应的特征的类别标签，c表示切片图像的个数，z’c
表示第c个切片图像中的像素点的真实值的类别标签，softmax(zi)表示所述切片图像中第i个像素点的概率值，取值范围在[0,1]之间，此概率值代表当前像素点为光伏组串区域的概率。
[0092]
与上述softmax公式的实施方式相对应，将分类结果输入one-hot编码器，得到one-hot编码器确定的所述切片图像对应的掩膜图像，可以包括：
[0093]
one-hot编码器对上述概率值进行属性确认，概率值高于0.5的记为1也即光伏组串区域，低于0.5的记为0也即背景部分区域，得到所述切片图像的0,1二维数组，之后再对各个所述切片图像的0,1二维数组拼接恢复成所述切片图像对应的掩膜图像。
[0094]
步骤s13、对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像。
[0095]
可以理解的是，对每张所述切片图像对应的掩膜图像进行拼接处理，得到的全景掩膜图像包含每张所述切片图像对应的掩膜图像。例如，若将电站地图分割为64*64个切片图像，64*64个切片图像中的一部分切片图像如图3中(a)部分所示，图3中(a)部分的切片图像经过特征提取、分类和编码，得到切片图像对应的掩膜图像，对每张切片图像对应的掩膜图像进行拼接处理，得到的全景掩膜图像的一部分如图3中(b)部分所示，图3中(b)部分白色区域表征光伏组串，黑色区域表征背景部分。
[0096]
步骤s14、基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
[0097]
本实施例中，可以基于所述全景掩膜图像中表征光伏组串的第一区域，确定各个光伏组串在电站地图中的位置，基于光伏组串在电站地图中的位置，从电站地图中分割得到光伏组串。
[0098]
在本实施例中，通过将电站地图分割为多张切片图像，将所述切片图像输入至预先训练好的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，对特征进行分类及编码，得到切片图像对应的掩膜图像，对每张切片图像对应的掩膜图像进行拼接处理，得到电站地图对应的全景掩膜图像，基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串，实现自动从电子全景地图中分割得到光伏组串。本技术中的预先训练的图像分割网络模型为机器学习中的一种模型，可以被处理器等终端自动执行，得到切片图像中的特征，进而基于特征得到全景掩膜图像，基于全景掩膜图像，从电子全景地图中分割得到光伏组串，相比于人工分割的方式，分割的效率及准确率得到提升。
[0099]
并且，将电站地图分割为多张切片图像，将切片图像输入至图像分割网络模型得到特征，相比于直接基于电站地图进行处理，可以提高特征的准确性，进而改善掩膜图像中边界粘连的情况，进一步提高从电站地图中分割得到光伏组串的精确度。例如，如图4中(a)部分所示的电站地图，直接基于电站地图进行处理得到的全景掩膜图像如图4中(b)部分所示，如图4中(c)部分所示，将切片图像输入至图像分割网络模型得到特征的方式，得到的全景掩膜图像相比于图4中(b)部分所示的全景掩膜图像，边界更加清晰，改善了边界粘连的情况。
[0100]
作为本技术另一可选实施例，参照图5，为本技术实施例2提供的一种电站建模地图组串分割方法的流程示意图，本实施例主要是对上述实施例1描述的电站建模地图组串分割方法的细化方案，如图5所示，该方法可以包括但并不局限于以下步骤：
[0101]
步骤s21、利用设定大小的图像块，以设定步长在电站地图中滑动，每当所述图像块滑动一次，从电站地图中分割出所述图像块对应的图像，得到多张切片图像。
[0102]
设定步长可以包括：所述图像块在高度方向的第一设定步长和所述图像块在宽度方向的第二设定步长。
[0103]
利用设定大小的图像块，以设定步长在电站地图中滑动，可以包括但不局限于：
[0104]
s211、确定所述电站地图的高度与设定大小的图像块的高度的差值是否能够整除所述图像块在高度方向的第一设定步长，和/或，所述电站地图的宽度与所述图像块的宽度的差值是否能够整除所述图像块在宽度方向的第二设定步长；
[0105]
若是，执行步骤s212；若否，执行步骤s213。
[0106]
s212、利用设定大小的图像块，以设定步长在电站地图中滑动。
[0107]
若电站地图的高度和宽度为h和w，设定大小的图像块为宽度为w，高度为h的图像块，第一设定步长为a，第二设定步长为b，在所述电站地图的高度与设定大小的图像块的高度的差值能够整除所述图像块在高度方向的第一设定步长，和/或，所述电站地图的宽度与所述图像块的宽度的差值能够整除所述图像块在宽度方向的第二设定步长的情况下，通过滑动得到的切片图像的个数可以为：n＝(h-h)/(a+1)*(w-w)/(b+1)，单个切片图像可以表示为z＝z[i*a:i*a+h,j*b:j*b+w]，i和j的取值范围为(0,(h-h)/(a+1))和(0,(w-h)/(b+1))，z表示电站地图，z表示切片图像，n表示切片图像的个数。
[0108]
s213、对所述电站地图的边界进行扩展操作，得到调整后的电站地图，所述调整后的电站地图的高度与所述图像块的高度的差值能够整除所述第一设定步长，和/或，其宽度与所述图像块的宽度的差值能够整除所述第二设定步长。
[0109]
对所述电站地图的边界进行扩展操作，可以包括但不局限于：对所述电站地图的边界与目标图像区域进行拼接处理，目标图像区域中像素点的像素值为0。
[0110]
本实施例中，通过对所述电站地图的边界进行扩展操作，使得图像块在调整后的电站地图中滑动得到的各个切片图像的大小相同，保证后续处理的准确性。
[0111]
s214、利用所述图像块，以所述设定步长在所述调整后的电站地图中滑动。
[0112]
步骤s22、将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征。
[0113]
步骤s21-s22为实施例1中步骤s11的一种具体实施方式。
[0114]
步骤s23、对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域。
[0115]
步骤s23的详细过程可以参见实施例1中步骤s12的相关介绍，在此不再赘述。
[0116]
步骤s24、基于所述图像块滑动的轨迹，对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像。
[0117]
基于所述图像块滑动的轨迹，对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像，保证全景掩膜图像与电站地图之间的区域为一一映射。
[0118]
步骤s25、若所述全景掩膜图像和所述电站地图之间的高度和/或宽度不一致，以所述全景掩膜图像的边界为初始位置，从所述全景掩膜图像中删除冗余区域，得到第一待使用全景掩膜图像，所述第一待使用全景掩膜图像与所述电站地图之间的高度和宽度一致。
[0119]
步骤s24-s25为实施例1中步骤s13的一种具体实施方式。
[0120]
步骤s26、基于所述第一待使用全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
[0121]
步骤s26为实施例1中步骤s14的一种具体实施方式。
[0122]
在本实施例中，通过利用设定大小的图像块，以设定步长在电站地图中滑动，每当所述图像块滑动一次，从电站地图中分割出所述图像块对应的图像，得到多张切片图像，将所述切片图像输入至预先训练好的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，对特征进行分类及编码，得到切片图像对应的掩膜图像，并与滑动分割相对应，对每张切片图像对应的掩膜图像进行拼接处理，得到电站地图对应的全景掩膜图像，基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串，实现自动从电子全景地图中分割得到光伏组串。本技术中的预先训练的图像分割网络模型为机器学习中的一种模型，可以被处理器等终端自动执行，得到切片图像中的特征，进而基于特征得到全景掩膜图像，基于全景掩膜图像，从电子全景地图中分割得到光伏组串，相比于人工分割的方式，分割的效率及准确率得到提升。
[0123]
并且，将电站地图分割为多张切片图像，将切片图像输入至图像分割网络模型得到特征，相比于直接基于电站地图进行处理，可以提高特征的准确性，进而改善掩膜图像中边界粘连的情况，进一步提高从电站地图中分割得到光伏组串的精确度。
[0124]
作为本技术另一可选实施例，参照图6，为本技术实施例3提供的一种电站建模地图组串分割方法的流程示意图，本实施例主要是对上述实施例1描述的电站建模地图组串分割方法的扩展方案，如图6所示，该方法可以包括但并不局限于以下步骤：
[0125]
步骤s31、将电站地图分割为多张切片图像，将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征。
[0126]
步骤s32、对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域。
[0127]
步骤s33、对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像。
[0128]
步骤s31-s33的详细过程可以参见实施例1和2中相关介绍，在此不再赘述。
[0129]
步骤s34、确定所述全景掩膜图像中各个光伏组串区域的轮廓面积，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，得到第二待使用全景掩膜图像。
[0130]
本实施例中，可以基于轮廓提取函数，提取所述全景掩膜图像中各个光伏组串区域的轮廓点，基于轮廓点及轮廓点面积计算函数，可以确定光伏组串区域的轮廓面积。
[0131]
设定阈值可以根据需要进行设置，在本技术中不做限制。
[0132]
若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，使得该光伏组串区域变为背景部分，保证第二待使用全景掩膜图像中表征光伏组串的区域的准确性。
[0133]
步骤s35、基于所述第二待使用全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
[0134]
步骤s35为实施例1中步骤s14的一种具体实施方式。
[0135]
在本实施例中，通过将电站地图分割为多张切片图像，将所述切片图像输入至预先训练好的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，对特征进行分类及编码，得到切片图像对应的掩膜图像，对每张切片图像对应的掩膜图像进行拼接处理，得到电站地图对应的全景掩膜图像，确定所述全景掩膜图像中各个光伏组串区域的轮廓面积，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，得到第二待使用全景掩膜图像，基于所述第二待使用全景掩膜图像，从所述电站地图中分割得到各个光伏组串，实现自动从电子全景地图中分割得到光伏组串。本技术中的预先训练的图像分割网络模型为机器学习中的一种模型，可以被处理器等终端自动执行，得到切片图像中的特征，进而基于特征得到全景掩膜图像，基于全景掩膜图像，从电子全景地图中分割得到光伏组串，相比于人工分割的方式，分割的效率及准确率得到提升。
[0136]
并且，将电站地图分割为多张切片图像，将切片图像输入至图像分割网络模型得到特征，相比于直接基于电站地图进行处理，可以提高特征的准确性，进而改善掩膜图像中边界粘连的情况，进一步提高从电站地图中分割得到光伏组串的精确度。
[0137]
以及，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，使得该光伏组串区域变为背景部分，保证第二待使用全景掩膜图像中表征光伏组串的区域的准确性，进一步提高分割光伏组串的准确性。例如，如图7所示，在算法训练阶段，对电站对应的可见光训练图像及可见光训练图像对应的掩膜图像分别分割为多个切片图像，利用切片图像对unet网络模型进行训练，得到最优模型(即，预先训练的unet网络模型)，在算法预测阶段，将电站地图分割为多张切片图像，基于最优模型进行模型推理(即，将切片图像输入unet网络模型，得到切片图像中的特征，对特征进行分类及编码，得到切片图像对应的掩膜图像)，之后进行图像拼接(即，将各张切片图像对应的掩膜图像进行拼接处理)得到所述电站地图对应的全景掩膜图像，确定所述全景掩膜图像中各个光伏组串区域的轮廓面积，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，得到第二待使用全景掩膜图像，第二待使用全景掩膜图像相比于全景掩膜图像，减少了噪声点，第二待使用全景掩膜图像中表征光伏组串的区域更加准确。
[0138]
下面对本技术实施例提供的电站建模地图组串分割装置进行描述，下文描述的电站建模地图组串分割装置与上文描述的电站建模地图组串分割方法可相互对应参照。
[0139]
请参见图8，电站建模地图组串分割装置包括：特征提取模块100、分类编码模块200、拼接模块300和分割模块400。
[0140]
特征提取模块100，用于将电站地图分割为多张切片图像，将所述切片图像输入至预先训练的图像分割网络模型，得到所述图像分割网络模型确定的所述切片图像中的特征，所述特征包含用于表征所述切片图像中光伏组串的第一特征和/或用于表征所述切片图像中背景部分的第二特征；
[0141]
分类编码模块200，用于对所述特征进行分类及编码，得到所述切片图像对应的掩膜图像，所述掩膜图像包含用于表征所述光伏组串的第一区域和/或用于表征所述背景部分的第二区域；
[0142]
拼接模块300，用于对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像；
[0143]
分割模块400，用于基于所述全景掩膜图像，从所述电站地图中分割得到各个光伏组串。
[0144]
本实施例中，所述特征提取模块100将电站地图分割为多张切片图像的过程，具体可以包括：
[0145]
利用设定大小的图像块，以设定步长在电站地图中滑动，每当所述图像块滑动一次，从电站地图中分割出所述图像块对应的图像，得到多张切片图像。
[0146]
本实施例中，特征提取模块利用设定大小的图像块，以设定步长在电站地图中滑动的过程，具体可以包括：
[0147]
确定所述电站地图的高度与设定大小的图像块的高度的差值是否能够整除所述图像块在高度方向的第一设定步长，和/或，所述电站地图的宽度与所述图像块的宽度的差值是否能够整除所述图像块在宽度方向的第二设定步长；
[0148]
若是，利用设定大小的图像块，以设定步长在电站地图中滑动；
[0149]
若否，对所述电站地图的边界进行扩展操作，得到调整后的电站地图，所述调整后的电站地图的高度与所述图像块的高度的差值能够整除所述第一设定步长，和/或，其宽度与所述图像块的宽度的差值能够整除所述第二设定步长；
[0150]
利用所述图像块，以所述设定步长在所述调整后的电站地图中滑动。
[0151]
本实施例中，拼接模块300，具体可以用于：
[0152]
基于所述图像块滑动的轨迹，对每张所述切片图像对应的掩膜图像进行拼接处理，得到所述电站地图对应的全景掩膜图像；
[0153]
若所述全景掩膜图像和所述电站地图之间的高度和/或宽度不一致，以所述全景掩膜图像的边界为初始位置，从所述全景掩膜图像中删除冗余区域，得到第一待使用全景掩膜图像，所述第一待使用全景掩膜图像与所述电站地图之间的高度和宽度一致。
[0154]
本实施例中，上述装置还可以包括：
[0155]
修正模块，用于确定所述全景掩膜图像中各个光伏组串区域的轮廓面积，若所述光伏组串区域的轮廓面积低于设定阈值，对所述光伏组串区域进行背景色填充，得到第二待使用全景掩膜图像。
[0156]
本实施例中，上述装置还可以包括：
[0157]
训练模块，用于：获取电站对应的多张可见光训练图像及每张所述可见光训练图像对应的掩膜图像，所述可见光训练图像对应的掩膜图像包含用于表征所述可见光训练图像中光伏组串的第一区域和/或用于表征所述可见光训练图像中背景部分的第二区域；
[0158]
将所述可见光训练图像和所述可见光训练图像对应的掩膜图像分别分割为多张切片训练图像；
[0159]
将所述多张切片训练图像输入图像分割网络模型，得到所述图像分割网络模型确定的每张切片训练图像中的特征；
[0160]
基于每张切片训练图像中的特征和所述可见光训练图像对应的掩膜图像中掩膜特征，确定第一网络损失函数值和第二网络损失函数值的叠加值是否收敛，所述第一网络损失函数值表征所述预测切片训练图像中像素点为光伏组串的效果和预测所述像素点为背景部分的效果之间的差异，所述第二网络损失函数值表征每张所述切片训练图像中的特征与所述可见光训练图像对应的掩膜特征之间的相似程度；
[0161]
若是，结束训练；
[0162]
若否，更新所述图像分割网络模型的参数，并返回执行所述获取每个电站对应的可见光训练图像及所述可见光训练图像对应的掩膜特征的步骤。
[0163]
本实施例中，训练模块将所述可见光训练图像分割为多张切片训练图像的过程，具体可以包括：
[0164]
对所述可见光训练图像进行灰度变换，得到待使用灰度图像；
[0165]
按照设定图像块尺寸，随机从所述待使用灰度图像中分割出多张切片训练图像。
[0166]
本实施例中，训练模块还可以用于：
[0167]
基于图像处理方法对所述可见光训练图像进行图像增强，获得增强图像，所述增强图像与所述可见光训练图像的语义信息相同。
[0168]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0169]
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0170]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。