一种光伏电池板的脱层检测方法、系统及控制设备
文献发布时间:2023-06-19 09:32:16
技术领域
本发明属于人工智能技术领域,尤其涉及一种光伏电池板的脱层检测方法、系统及控制设备。
背景技术
光伏电池板是由多个电池硅片排列而成,光伏电池板在恶劣的自然环境影响下,会出现脱层现象,而脱层区域发生在每个电池硅片上,这种脱层一般是由光伏电池板的EVA膜和和电池板的玻璃板脱离造成的。电池板的脱层现象会使电池板产生热斑,如果脱层区域小、脱层程度小,那么产生的热斑不明显,对电池板的影响不大。如果脱层区域大,脱层明显,那么会使电池板产生明显热斑,如果不及时处理,会使电池板工作效率降低,甚至烧毁电池板。
因此,对于电池板的脱层现象的及时检测是尤为重要的。
发明内容
本发明的目的在于提供一种光伏电池板的脱层检测方法、系统及控制设备,用于无法及时检测光伏电池板的脱层现象,导致电池板烧毁的问题。
为了实现上述目的,本发明提供的一种基于人工智能的光伏电池板的脱层检测方法的技术方案,包括如下步骤:
步骤1,获取光伏电池板的图像;
步骤2,对获取的光伏电池板的图像进行预处理,获取光伏电池板的图像的亮度信息,并将所述图像的亮度信息进行下采样后,获取亮度特征;
步骤3,将获取的光伏电池板的图像输入第一网络模型,获取电池硅片边界框;取的光伏电池板的图像输入第二网络模型的编码器,提取图像特征,将所述的图像特征与所述的亮度特征进行融合后,输入第二网络模型的解码器,获取脱层区域;
步骤4,根据所述脱层区域分别计算脱层程度和脱层特征;根据所述脱层区域和所述电池硅片边界框,计算脱层占比;
所述脱层程度为:
其中,A
所述脱层特征为:
其中,F1
所述脱层占比为:
其中,LT
步骤5,根据所述的脱层程度、脱层特征和脱层占比,计算脱层区域的损伤程度;
所述损伤程度为:
其中,T为环境的温度,M为环境湿度,T
步骤6,对计算的各脱层区域的损伤程度求均值,获取光伏电池板的损伤程度;并将光伏电池板的损伤程度与设定阈值比较,当光伏电池板的损伤程度大于设定阈值,则光伏电池板的损伤程度严重。
进一步地,所述光伏电池板的图像的亮度信息为:
其中,B=max(Image
进一步地,步骤5中,所述脱层区域的位置特征F1
其中,
所述形状特征F2
其中,c为椭圆的偏心率,c越大椭圆越扁;k为脱层区域的最小外接椭圆的长轴斜率,表示椭圆的倾斜程度。
进一步地,步骤6中,所述光伏电池板的损伤程度为
其中,N为电池板的脱层区域个数。
进一步地,所述第一网络模型为YoloV4、Faster-RCNN网络模型中的一种;所述第二网络模型为DeepLabV3、Mask-RCNN网络模型中的一种。
本发明还提供了一种基于人工智能的光伏电池板的脱层检测系统,所述系统包括:
图像信息采集模块,获取光伏电池板的图像;
图像处理模块,对获取的光伏电池板的图像进行预处理,获取光伏电池板的图像的亮度信息,并将所述图像的亮度信息进行下采样后,获取亮度特征;
图像识别模块,将获取的光伏电池板的图像输入第一网络模型,获取电池硅片边界框;取的光伏电池板的图像输入第二网络模型的编码器,提取图像特征,将所述的图像特征与所述的亮度特征进行叠加后,输入第二网络模型的解码器,获取脱层区域;
计算模块,根据所述脱层区域分别计算脱层程度和脱层特征;根据所述脱层区域和所述电池硅片边界框,计算脱层占比;所述脱层程度为:
其中,A
所述脱层特征为:
其中,F1
所述脱层占比为:
其中,LT
处理模块,根据所述的脱层程度、脱层特征和脱层占比,计算脱层区域的损伤程度;
所述损伤程度为:
其中,T为环境的温度,M为环境湿度,T
图像判定模块,对计算的各脱层区域的损伤程度求均值,获取光伏电池板的损伤程度;并将光伏电池板的损伤程度与设定阈值比较,当光伏电池板的损伤程度大于设定阈值,则光伏电池板的损伤程度严重。
本发明还提供了一种基于人工智能的光伏电池板的脱层检测控制设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现上述的基于人工智能的光伏电池板的脱层检测方法的技术方案。
本发明与现有技术相比,其有益效果为:
本发明的技术方案借助视觉检测,获取脱层区域的大小和电池硅片的边界框的特征信息,并根据脱层区域的大小和电池硅片的边界框的特征信息,计算脱层程度、脱层特征和脱层占比,最终计算脱层对电池板的损伤程度,将其与设定的损伤程度阈值比较,能够准确地对光伏电池板的脱层区域进行准确地检测,并从多个影响因素出发,准确地进行光伏电池板的脱层区域的判断,进而判断是否需要更换电池板。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例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说明书的一些实施例,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他的附图。
图1为本发明实施例中的一种基于人工智能的光伏电池板的脱层检测方法的流程图;
图2为本发明实施例中的图像的亮度信息对比度调整曲线图;
图3为本发明实施例中的一种基于人工智能的光伏电池板的脱层检测方法的结构框图。
具体实施方式
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明实施例保护的范围。
本发明的实施例提供了一种基于人工智能的光伏电池板的脱层检测方法的一种具体实施方式,该方法实施例应用于对光伏电池板的脱层检测的控制器中,控制器可以是工控机、单片机、FPGA或PLC等任一种可以实现采样、计算、控制等功能的控制芯片。
具体的,如图1所示,该基于人工智能的光伏电池板的脱层检测方法,包括以下步骤:
步骤1,获取光伏电池板的图像。
本实施例采用线扫描相机获取电池板表面的清晰图像,每个电池板图像的获取步骤如下:
1)在清扫机器人上安装线扫描相机;
2)清扫机器人以固定的速度在一排电池板上匀速移动;
3)线扫描相机输出一整排光伏电池板表面的图像,将输出的光伏电池板表面图像切分为同样大小的子图像Image,其中每个子图像Image视野中只有一个光伏电池板;
需要说明的是,本实施例中,线扫描相机每次只采集一列像素,相机通过沿着物体表面移动多次采样即可获得多列图像数据,最后将多列像素拼接为一副完整的物体表面纹理图像数据并输出。作为其他实施方式,当线扫描相机无法一次采集完光伏电池板的整个表面的纹理图像时,需要采集光伏电池板表面的多个部分,然后将获得的图像拼接在一起,获得光伏电池板的表面图像。
本实施例中,输出的图像数据与实际光伏电池板表面的宽高比一致。
上述实施例中,图像拼接可以采用关键点匹配方法,由于图像拼接过程为现有技术,此处不再赘述。
步骤2,对获取的光伏电池板的图像进行预处理,获取光伏电池板的图像的亮度信息,并将所述图像的亮度信息进行下采样后,获取亮度特征;
光伏电池板的图像的亮度信息计算如下:
其中,B=max(Image
为了获取精确的图像的亮度信息,本实施例中对brightness进行归一化处理,然后再调整brightness的对比度,使得灰度值较低的像素的灰度值变得更低,灰度值高的像素的灰度值变得更高,使得图层区域变得更亮,背景区域变得更暗,采用图2中的对比度调整曲线进行调整,其中,对比度调整公式为:
其中,符号“:=”表示将
步骤3,将获取的光伏电池板的图像输入第一网络模型,获取电池硅片边界框;将获取的光伏电池板的图像输入第二网络模型的编码器,提取图像特征,将所述的图像特征与所述的亮度特征进行叠加后,输入第二网络模型的解码器,获取脱层区域;
其中,获取电池硅片边界框的过程为:
1)将步骤1中获取的光伏电池板的图像分为测试集和训练集,如测试集占80%,训练集占20%;
2)构建第一网络模型,包括第一网络模型编码器和第一网络模型解码器;
3)将训练集输入到构建的第一网络模型进行训练,得到训练好的第一网络模型;
4)将测试集输入到训练好的第一网络模型,得到电池硅片边界框。
其中,获取光伏电池板的脱层区域的过程为:
1)将步骤1中获取的光伏电池板的图像分为测试集和训练集,如测试集占70%,训练集占30%;
2)构建第二网络模型,包括第二网络模型编码器和第二网络模型解码器;
3)将训练集输入到构建的第二网络模型进行训练,得到训练好的第二网络模型;
4)将测试集输入到训练好的第二网络模型编码器,提取图像特征,将图像特征与步骤2中获取的亮度特征融合后,输入到第二网络模型解码器,输出光伏电池板的脱层区域。
本实施例中第一网络模型使用YoloV4、Faster-RCNN等DNN网络,第二网络模型为DeepLabV3、Mask-RCNN等DNN网络,本发明使用DeepLabV3;由于上述网络模型都是现有技术,此处不再过多赘述。
本实施例中采用相乘的方式进行融合。
需要说明的是,上述实施例中的训练集,不同的模型对应的训练集是不同的,其是根据实际需求进行相应的标注,如提取电池硅片边界框中的训练集,则需要对获取的图像进行相应边界框的标注作为训练集。
步骤4,根据所述脱层区域分别计算脱层程度和脱层特征;根据所述脱层区域和所述电池硅片边界框,计算脱层占比;
本实施例中,设一块电池板有N个脱层区域,M
式中,A
其中,本实施例中的L
式中,B
其中,
脱层区域的脱层特征F
式中,F1
其中的脱层区域的位置特征F1
其中,
式中,r
需要说明的是,脱层区域的位置特征F1
其中,形状特征F2
式中,c为椭圆的偏心率,c越大椭圆越扁;k为脱层区域的最小外接椭圆的长轴斜率,表示椭圆的倾斜程度。
需要说明的是,形状特征F2
综上所述,脱层区域越靠近硅片的边角区域,F1
3)脱层占比A0
其中,LT
步骤5,根据所述的脱层程度、脱层特征和脱层占比,计算脱层区域的损伤程度。
其中,D
本实施例中,选取脱层的程度L
步骤6,对计算的各脱层区域的损伤程度求均值,获取光伏电池板的损伤程度;并将光伏电池板的损伤程度与设定阈值比较,当光伏电池板的损伤程度大于设定阈值,则光伏电池板的损伤程度严重。
本实施例中,整块电池板的损伤程度D为:
其中,N为电池板的脱层区域个数。
本实施例中的设置阈值为th,th为超参数,当D>th时,代表电池板的损伤程度较严重,需要提示管理人员及时更换。
基于与方法同样的发明构思,本发明还提供了一种基于人工智能的光伏电池板的脱层检测系统,如图3所示,为该系统实施例的结构图,包括:
图像信息采集模块1,获取光伏电池板的图像;
图像处理模块2,对获取的光伏电池板的图像进行预处理,获取光伏电池板的图像的亮度信息,并将所述图像的亮度信息进行下采样后,获取亮度特征;
图像识别模块3,将获取的光伏电池板的图像输入第一网络模型,获取电池硅片边界框;取的光伏电池板的图像输入第二网络模型的编码器,提取图像特征,将所述的图像特征与所述的亮度特征进行叠加后,输入第二网络模型的解码器,获取脱层区域;
计算模块4,根据所述脱层区域分别计算脱层程度和脱层特征;根据所述脱层区域和所述电池硅片边界框,计算脱层占比;
处理模块5,根据所述的脱层程度、脱层特征和脱层占比,计算脱层区域的损伤程度;
图像判定模块6,对计算的各脱层区域的损伤程度求均值,获取光伏电池板的损伤程度;并将光伏电池板的损伤程度与设定阈值比较,当光伏电池板的损伤程度大于设定阈值,则光伏电池板的损伤程度严重。
基于与前述实施例中同样的发明构思,本发明还提供一种基于人工智能的光伏电池板的脱层检测控制设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于人工智能的光伏电池板的脱层检测方法实施例的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
- 一种光伏电池板的脱层检测方法、系统及控制设备
- 一种基于人工智能的光伏电池板EVA黄化检测方法及系统