一种自适应B样条函数曲线拟合的热斑检测方法及系统

本发明属于图像处理，具体是一种自适应b样条函数曲线拟合的热斑检测方法及系统。

背景技术：

1、单体太阳电池不能直接做电源使用；作电源必须将若干单体电池串、并联连接和严密封装成组件，太阳能电池组件是太阳能发电系统中的核心部分，也是太阳能发电系统中最重要的部分，其作用是将太阳能转化为电能，或送往蓄电池中存储起来，或推动负载工作。

2、光伏组件在系统应用端形成的热斑来自遮挡和电池缺陷两个方面，遮挡来自于鸟粪、落叶、积雪残留、灰尘、云朵，以及植物、建筑物、邻串组件等，当遮挡发生而旁路二极管未打开时，组件中的被遮挡电池或被遮挡的电池局部处于“反向偏置”状态，在系统电流的作用下产生热量，形成热斑；电池缺陷包括：漏电流过大或漏电区域集中、串阻过大、并阻过小、隐裂、裂片、边缘短路、功率混档、黑芯片、烧结短路、虚焊等，均可能会使组件在系统应用端产生热斑现象。

3、在现有技术中，无法根据系统应用端形成的热斑进行异常诊断，只能够通过人工进行识别，因此响应慢，处理繁琐。

技术实现思路

1、本发明的目的在于提供一种自适应b样条函数曲线拟合的热斑检测方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种自适应b样条函数曲线拟合的热斑检测方法，包含步骤：

4、采集光伏组件不同环境条件下的红外热像图；

5、对所述红外热像图进行预处理，以得到灰度图，并对所述灰度图进行统计，建立灰度直方图；

6、建立n个均分灰度值范围的灰度区间，并计算所述红外热像图每个灰度区间的灰度和；

7、判断以获取灰度和最大的所述灰度区间，并标记该灰度区间中心点对应灰度值为max；

8、基于分界点max分割灰度值范围，并在分割后两侧的灰度区间内分别建立p、q个灰度子区间，以构建节点向量；

9、根据节点向量构造b样条函数最小二乘拟合曲线，判断获取所述最小二乘拟合曲线的灰度值最高波峰，并设波峰后的首个波谷的灰度值为图像分割阈值，以获取热斑分割图，并对热斑图像进行标记，获得标号矩阵n；

10、通过热斑分割图提取各个热斑目标区域的几个特征参数，所述几何特征参数包括面积特征、周长特征及形状因子特征；

11、根据几何特征参数构建数据样本，并划分训练集与测试集，对决策分类器进行训练和测试；

12、基于训练后的决策分类器对热斑进行识别，判断故障类型。

13、作为本发明的进一步方案：所述对所述红外热像图进行预处理，以得到灰度图的步骤中，选用高斯滤波器对光伏组件的红外图像进行滤波预处理；

14、对所述灰度图进行统计，建立灰度直方图的步骤中，基于预处理后的所述灰度图进行图像像素点的灰度值标记，并基于灰度值对所述灰度图进行像素点统计，建立灰度直方图，所述统计方程为：

15、y＝p(x)，x＝0、1、2…255；

16、其中，x表示灰度图中的灰度值，y表示对应每个灰度值的像素总数。

17、作为本发明的再进一步方案：所述基于预处理后的所述灰度图进行图像像素点的灰度值标记的步骤中，采取自左向右、自上而下对灰度图进行逐列逐个像素扫描，以判断其灰度值并进行灰度值标记的扫描式标记方法。

18、作为本发明的再进一步方案：所述基于分界点max分割灰度值范围，并在分割后两侧的灰度区间内分别建立p、q个灰度子区间，以构建节点向量的步骤中；

19、灰度值总区间为[0,256]，所述分界点左侧灰度区间[0,max]均分为p个灰度子区间，所述分界点右侧灰度区间[max,256]均分为q个灰度子区间，所述节点向量为：

20、[0,0,0,max/p,2max/p,…,(p-1)max/p,max,max+(255-max)/q,…,max+(q-1)(255-max)/q,255,255,255]。

21、作为本发明的再进一步方案：所述根据节点向量构造b样条函数最小二乘拟合曲线的步骤中，通过自适应b样条函数最小二乘方法对灰度直方图的256个样本点(xi,yi)，i＝1…256进行拟合，拟合后的曲线函数为：

22、

23、其中阈值的选取取决于[max,256]灰度区间的曲线拟合精度，因此q值设置大于p值。

24、作为本发明的再进一步方案：所述通过热斑分割图提取各个热斑目标区域的几个特征参数的步骤中，计算热斑区域的面积特征的步骤为：遍历各个热斑目标区域图像，统计各个热斑目标区域图像中包含的像素总数量，得到面积特征。

25、作为本发明的再进一步方案：所述通过热斑分割图提取各个热斑目标区域的几个特征参数的步骤中，计算热斑区域的周长特征的步骤为：遍历所述热斑分割图像中热斑区域图像的像素，统计位于热斑区域边缘的所有像素量，获得热斑的周长特征。

26、作为本发明的再进一步方案：所述通过热斑分割图提取各个热斑目标区域的几个特征参数的步骤中，计算热斑目标区域图像的形状因子特征的步骤中，形状因子特征的获取公式为：

27、

28、其中，c(n)是第n个热斑目标区域图像的形状因子特征，a(n)为第n个热斑目标区域图像的面积特征，g(n)为第n个热斑目标区域图像的周长特征。

29、作为本发明的再进一步方案：所述对决策树分类器进行训练的步骤，具体包括：计算各个连续属性的最佳划分点，按照最佳划分点确定最佳样本集，计算最佳样本集对应的信息增益，计算各个连续属性对应的信息增益率，根据信息增益率选择最优划分属性，并生成决策树分类器。

30、本发明实施例旨在提供一种自适应b样条函数曲线拟合的热斑检测系统，包含：

31、图像采集模块，用于采集光伏组件不同环境条件下的红外热像图；

32、灰度处理模块，对所述红外热像图进行预处理，以得到灰度图，并对所述灰度图进行统计，建立灰度直方图；

33、区间计算模块，建立n个均分灰度值范围的灰度区间，并计算所述红外热像图每个灰度区间的灰度和；

34、标记选取模块，判断以获取灰度和最大的所述灰度区间，并标记该灰度区间中心点对应灰度值为max；

35、节点向量构建模块，基于分界点max分割灰度值范围，并在分割后两侧的灰度区间内分别建立p、q个灰度子区间，以构建节点向量；

36、函数拟合分割模块，根据节点向量构造b样条函数最小二乘拟合曲线，判断获取所述最小二乘拟合曲线的灰度值最高波峰，并设波峰后的首个波谷的灰度值为图像分割阈值，以获取热斑分割图；

37、特征提取模块，通过热斑分割图提取各个热斑目标区域的几个特征参数，所述几何特征参数包括面积特征、周长特征及形状因子特征；

38、分类模型构建模块，根据几何特征参数构建数据样本，并划分训练集与测试集，对决策分类器进行训练和测试；

39、异常判定模块，基于训练后的决策分类器对热斑进行识别，判断故障类型。

40、与现有技术相比，本发明的有益效果是：通过选用高斯滤波器对采集的光伏组件的红外图像进行滤波、预处理，对其图像像素灰度直方图进行标识与确定，建立图像灰度直方图，并利用自适应b样条函数拟合光伏组件红外热图像的灰度直方图分割热斑，以对红外热图像进行特征提取，构建数据样本，根据数据样本训练和测试决策树分类器，最终通过决策树分类器对光伏组件在系统应用端形成的热斑进行识别，能够实现快速辨别引起热斑的原因，提高诊断效率。