一种基于人工智能的光伏电池板智慧巡检方法及系统

技术领域

本申请涉及人工智能、光伏清洁技术领域，具体涉及一种基于人工智能的光伏电池板智慧巡检方法及系统。

背景技术

光伏电池面板的输出性能受到沉积在表面灰尘的影响，使光伏电池的效率降低，灰尘对面板接收太阳辐照度和散热有直接影响，并能使面板表面受到腐蚀，不同地区的积尘影响存在较大差异，光伏电站被灰尘光顾，影响不仅仅是发电量，还影响光伏电站的寿命，现有方案通常采用定期人工清理或机器人清理，缺点是，通常不考虑每个电池板的灰尘状况，直接根据预设时间或人为检测，对电池板进行逐一清理，使清洁成本增高。

发明内容

为了克服上述现有技术的缺点，本发明的目的是提供一种基于人工智能的光伏电池板智慧巡检方法及系统。

为实现上述目的，本发明采用如下技术方案：一种基于人工智能的光伏电池板智慧巡检方法，包括如下步骤：

所述

若所有光伏电池板中有光伏板的全局灰尘严重程度大于阈值，则判定为需要清洁，向机器人发送清洁信号，机器人清洁该光伏电池板，清洁完毕后设定下次巡检时间，若所有光伏电池板中无光伏板的全局灰尘严重程度大于阈值，则直接设定下次巡检时间。

所述

对采集到的图像进行归一化处理，获得图像的关键点，并对关键点进行标注获得标签数据；

将采集到的图像和标签数据输入到关键点提取网络中进行训练，输出关键点热力图；

利用透视变换对关键点热力图中提取的关键点进行变换得到正射图像。

所述关键点提取网络训练包括：热力图损失函数

式中，(i, j)为基于图像坐标系的光伏电池板的关键点坐标，

所述

对光伏电池板正射图像进行灰度转换，得到灰度图，然后对灰度图进行阈值分割，得到二值图；

统计出二值图中灰尘像素的坐标，对灰尘像素的坐标进行

所述

利用凸包算法，获取每个灰尘簇的凸包区域；

获取每个凸包区域在对应热成像图像中的区域，对该区域进行温度分析得到该区域的最高温度T；

利用每个灰尘簇的灰尘灰度总和

式中：

所述

计算每一个灰尘簇中灰尘像素与其他灰尘簇中灰尘像素的最小距离

式中

按照如下表达式计算每个灰尘簇的凸包区域的聚合灰尘严重程度

式中，P为当前的灰尘簇的灰尘严重程度，

所述下次巡检时间获取方法如下：

在间隔时间巡检后，可得到灰尘严重程度序列，使用多项式拟合该序列可计算出下次巡检时间，方法如下：

对光伏电池板的全局灰尘严重程度序列，进行三项多项式拟合，得到拟合方程：

式中

将

式中,

本技术方案还提供一种基于人工智能的光伏电池板智慧巡检系统，包括图像采集器，图像处理器，数据处理器，控制判断器, 机器人：

所述图像采集器是通过热成像双光谱相机拍摄采集，采集的图像为光伏电池板图像和光伏电池板图像对应的热成像图像；

所述图像处理器是对图像采集器采集的光伏电池板图像进行处理，得到光伏电池板的正射图像，进行图像增强，并进行图像转换；

所述数据处理器：进行数据标签训练，像素坐标统计，聚类操作，凸包区域计算，凸包区域灰尘严重程度，聚合灰尘严重程度，全局灰尘严重程度计算，多项式拟合计算下次巡检时间；

所述控制判断器包括控制模块和判断模块;

所述机器人是接收清洁信号后清洁对应的光伏电池板。

所述控制模块和判断模块是控制模块向图像采集器发送信号采集光伏电池板图像经过图像处理器和数据处理器得到光伏电池板的全局灰尘严重程度，判断模块将全局灰尘严重程度和阈值对比判断，若判定为需要清洁，则控制器向机器人发送信号清洁，若判定为不需要清洁，则设定下次巡检时间，到达下次巡检时间时，控制模块继续向图像采集器发信号采集。

本发明的有益效果为：

建立了电池板灰尘覆盖的严重程度评估模型，可有效考虑电池板的灰尘分布特征、灰尘覆盖区域的温度特征以及灰尘簇之间的间距，从而更合理地控制巡检设备。

附图说明

图1是本发明一种基于人工智能的光伏电池板智慧巡检方法流程图；

图2是本发明一种基于人工智能的光伏电池板智慧巡检方法中光伏电池板1的全局灰尘严重程度序列示意图；

图3是本发明一种基于人工智能的光伏电池板智慧巡检方法中光伏电池板2的全局灰尘严重程度序列示意图；

图4是本发明一种基于人工智能的光伏电池板智慧巡检系统结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

实施例1：

本实施例如图1所示提供一种基于人工智能的光伏电池板智慧巡检方法，包括：

该步骤的目的是对光伏电池板进行图像采集，然后通过关键点检测、透视变换得到了每块光伏电池板且不含背景的正射图像和正射热成像图像，有益效果是，统一了图像分析的标准，使得检测准确率更高。

其中，获取正射图像步骤如下：

首先热成像双光谱相机来采集光伏电池板图像和对应的热成像图像，并将光伏电池板图像作为训练网络的样本数据，本实施例将热成像双光谱相机部署在无人机上；

然后，对光伏电池板图像数据进行标注，基于图像坐标系，对光伏电池板的关键点的x,y的坐标进行标注，包括光伏电池板的四个角点，因此总的关键点类别为4类，再将标注的光伏电池板关键点散点图与高斯核卷积得到关键点热力图，即每张图像其生成的标签数据热力图为4个，最终连接在一起，形成4通道的热力图，热力图本身具有的特点是网络输出的热力图其像素值符合高斯分布，其值域在[0,1]之间；

进一步地，将图像数据与标签数据送入到关键点提取网络中进行训练，方法如下：

对图像进行归一化处理，将图片矩阵的值域变为[0,1]之间的浮点数，以便模型更好地收敛，标签同样也要经过归一化处理；

通过采集的图像和标注的标签数据，端到端地训练光伏电池板关键点编码器、光伏电池板关键点解码器，编码器是对图像进行特征提取，输入为经过归一化处理的图像数据，输出为Feature map，解码器是对Feature map进行上采样与特征提取并最终生成光伏电池板关键点热力图，其输入为Encoder产生的Feature map，输出为光伏电池板关键点热力图，编码器-解码器的设计有许多种，本实施例建议使用Encoder、Decoder套用常见的预训练骨干网络进行提取，如

训练时，

式中，

进一步地，利用得到的光伏电池板关键点进行透视变换，需要引入单应矩阵H，具体操作可以基于光伏电池板角点关键点和正射图像四点进行四点法估计，需要说明的是,正射图像四点，在此需要根据相机分辨率来确定，该四点决定了透视变换后光伏电池板的图像大小，例如原无人机正射拍摄，得到的图像中光伏电池板占（300，300）图像大小，则正射图像四点应基于该大小来选择4个角点来估计单应矩阵。至此，即可通过透视变换得到每个光伏电池板的正射图像。

对光伏电池板的热成像图同样经过上述透视变换校正，得到光伏电池板正射热成像图像。

进一步地，对正射图像进行单尺度SSR图像增强，以消除光照不均匀问题，单尺度SSR为单尺度

该步骤的目的是对

其中，灰尘簇获取方法为：

对光伏电池板正射图像进行灰度转换，得到灰度图，然后对灰度图进行阈值分割，得到二值图像a，阈值的设定需要人为调试，经验值为100。二值图中255像素值为一类，0像素为1类，像素值为255的为栅线、灰尘;

对二值图像a进行开运算，消除栅线的影响，得到二值图像b，然后统计出轨道相机经过处理后二值图像b中的灰尘像素的坐标，像素值为255的为灰尘，即统计像素值为255的像素坐标。

对灰尘像素的坐标进行DBSCAN聚类，本实施例中，聚类的参数经验值为，半径为3，核心点的阈值为5，最终得到多个灰尘簇。

其中，灰尘严重程度计算步骤如下：

每个灰尘簇代表一个局部灰尘集合，利用凸包算法，获取每个灰尘簇的凸包区域；

对于每个灰尘簇提取原图像的灰尘灰度总和G（所述每个灰尘灰度需要经过归一化，然后对灰度求和，灰度图中可见灰尘像素值非常接近白色），作为评估灰尘深浅的特征值，通过灰尘灰度总和评估的灰尘深浅，可以有效地反映凸包区域的灰尘密集程度。

该步骤的目的是分析灰尘簇中的凸包区域得到灰尘簇对应凸包区域的灰尘严重程度。

其中，获取凸包区域的灰尘严重程度方法如下：

获取每个凸包区域相应的热成像图像区域，进行灰尘分布区域的温度分析，由于热成像可直接表征电池板的温度，因此此处直接取热成像图像灰尘分布区域的最高温度T；

得到光伏电池板每个凸包区域的灰尘严重程度P：

式中，

该步骤的目的是对存在多个凸包区域的光伏电池板的灰尘簇情况进行分析，得到对应的聚合灰尘严重程度和全局灰尘严重程度，因为当光伏电池板存在多个灰尘簇时，对光伏电池板发电造成重大影响。

其中，聚合灰尘严重程度获取方法如下：

分析灰尘簇与簇之间的最近距离，即获取每一个灰尘簇中灰尘像素与另一个灰尘簇中灰尘像素的最小距离

式中，

进一步地，获取每个灰尘簇的聚合灰尘严重程度，方法如下：

对于每一个灰尘簇都求取其与其它灰尘簇的最小距离D，然后设置最小距离阈值G1，经验值为20，即可获取每个灰尘簇的聚合灰尘严重程度O作为该灰尘簇对应的凸包区域的聚合灰尘严重程度：

P即当前的灰尘簇的灰尘严重程度，n表示与当前灰尘簇最小距离在G1范围内的灰尘簇个数，

需要说明的是，O评估值，考虑了电池板凸包区域的灰尘覆盖、温度信息以及灰尘簇之间的距离，特征明显，可有效反映出电池板的灰尘覆盖对电池板的影响。通过计算可以更好的对光伏电池板进行清洗，避免造成电池板损坏。通常取光伏电池板中最大的O作为该光伏电池板的全局灰尘严重程度M。

特殊情况为，当光伏电池板只有1个凸包区域时，用P表示光伏电池板的全局灰尘严重程度或G1范围内无凸包区域时，用所有凸包区域中灰尘严重程度最大值作为该光伏电池板全局灰尘严重程度。

该步骤的目的是，根据全局灰尘严重程度，判断是否进行清洁，计算出下次巡检时间，有益效果为根据图像处理得到的数据进行分析计算，使得巡检智能化。

其中，巡检方法为：

首先设定清洁阈值

具体步骤如下：

先统一清理一次所有光伏电池板，以此为初始时间；

设置间断巡检时间，本实施例设定，在第5天进行巡检，若巡检发现某块光伏电池板的全局灰尘严重程度大于阈值时，调用机器人清洁该光伏电池板，清洁完毕后等待5天进行下次巡检；若未发现光伏电池板的全局灰尘严重程度大于阈值时，则等待2天即第7天进行下次巡检；

若第7天巡检发现某块光伏电池板的全局灰尘严重程度大于阈值时，调用机器人清洁该光伏电池板，清洁完毕后等待5天进行下次巡检；若仍未发现有光伏电池板的全局灰尘严重程度大于阈值时，此时可得到每个光伏电池板对应的按照时序巡检的全局灰尘严重程度序列，如图2,图3所示，序列横坐标为时间，纵坐标为灰尘严重程度，例如图2中光伏电池板1和图3中光伏电池板2在第5天和第7天进行巡检后得到的序列分别为，（5，a）,(7，b)和（5，a'）,(7，b')利用三项多项式拟合该序列，得到拟合方程：

然后将Y=

其中T2为上次巡检的时间，本实施例中为

设置清洁阈值为

下次T时刻进行巡检后，若发现某块光伏电池板的全局灰尘严重程度大于阈值时，调用机器人清洁该光伏电池板，清洁完毕后等待5天进行下次巡检；若仍未发现有光伏电池板的全局灰尘严重程度大于阈值时，继续多项式拟合序列得到下次巡检时间。

如此循环，直至满足清洁阈值，开始对光伏电池板进行清洁，实现对光伏电池板的智能巡检。

实施例2如图4所示，一种基于人工智能的光伏电池板智慧巡检系统，包括一种基于人工智能的光伏电池板智慧巡检系统，包括图像采集器

控制模块

机器人

本实施例发明在光伏电站、屋顶光伏电站巡检运维应用中具有实用价值，对比传统的不加判断，直接根据预设时间或人为检测，对电池板进行逐一清理所有光伏电池板的高成本清洁方式，本实施例基于人工智能和图像处理，精准定位到具体需要清理的光伏电池板，节约了资源，使巡检设备和清洁资源利用得更加合理。

以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。