一种基于视觉的光伏电池板玻璃破碎风险分析系统

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于视觉的光伏电池板玻璃破碎风险分析系统。

背景技术

光伏电池板，即太阳能电池板广泛应用于光伏发电中，其使用寿命受电池片，钢化玻璃等组件的影响，封装采用的钢化玻璃冲击力需达到国际标准，以保护发电主体(如电池片)。

但是，钢化玻璃在使用过程中可能会出现由于外力原因导致破碎的状况，而玻璃碎裂会导致太阳能电池板透光率降低、输出功率不足等，且长时间破碎会使电池片氧化，大大降低其发电效率；另外，玻璃碎裂导致其不具备防水功能，当光伏清洁机器人在清洁电池板表面且清洁模式为有水清洁时，会使电池板进水，从而降低电池板充电效率，同时清洁机器人自身对电池板表面也会造成压力，导致其在对电池板裂纹区域清扫时出现电池板进一步破碎等问题。

发明内容

本发明提供一种基于视觉的光伏电池板玻璃破碎风险分析系统，解决的技术问题是，光伏电池板玻璃破碎不仅会降低电池板的透光率和发电效率，而且会使其无法防水，从而导致清洁机器人对其清洁时造成更大程度地损害。

为解决以上技术问题，本发明提供了一种基于视觉的光伏电池板玻璃破碎风险分析系统，包括依次连接的网络感知模块、裂纹分析模块、破碎风险分析模块；

所述网络感知模块，用于将实时采集到的电池板图像进行预处理，并将预处理后的所述电池板图像输入语义感知网络训练，输出语义感知效果图；

所述裂纹分析模块，用于从所述语义感知效果图筛选出裂纹感知效果图，并将所述裂纹感知效果图进行后处理得到裂纹区域的最小外接矩形，将所述最小外接矩形的长宽乘积作为裂纹面积；

所述裂纹分析模块，还用于将所述裂纹面积与预先设置的面积阈值对比，若所述裂纹面积大于等于所述面积阈值，则向工作人员发出更换电池板提示；若所述裂纹面积小于所述面积阈值，则将所述裂纹面积输入所述破碎风险分析模块；

所述破碎风险分析模块，用于预先根据历史数据建立裂纹分析模型，并将接收到的所述裂纹面积输入所述裂纹分析模型，得到清洁机器人经过裂纹区域后的破碎面积；还用于将所述裂纹面积以及所述破碎面积输入建立的破碎风险分析模型中，得到破碎风险值；

所述破碎风险分析模块，还用于将所述破碎风险值与预先设置的风险阈值对比，若所述破碎风险值大于等于所述风险阈值，则向所述清洁机器人发出返程指令；若所述破碎风险值小于所述风险阈值，则向所述清洁机器人发出调整指令，使其为无水模式。

其中，所述历史数据包括历史裂纹面积以及所述清洁机器人对其正下方的电池板的压力；所述压力由与所述电池板连接的压力传感器实时测得。

本技术方案采用计算机视觉对光伏电池板表面玻璃的裂纹进行自动感知，并将检测结果发送给清洁机器人，对清洁机器人进行调节，防止机器人在清洁过程中对电池板带来更大程度地损害；本技术方案基于神经网络检测裂纹区域保证了高精度的检测，同时本方案基于历史数据建立的裂纹分析模型原理简单、操作方便，实用性强。

在进一步的实施方案中，所述裂纹分析模型具体为：

A＝(S

式中，S为接收到的所述裂纹面积，F为所述清洁机器人对电池板的压力，c为可调参数，A为清洁机器人经过裂纹区域后的破碎面积。

本技术方案通过压力传感器测量记录清洁机器人对其正下方的电池板的压力，结合清洁机器人对电池板的压力和不同电池板表面玻璃的裂纹面积，根据预先通过历史数据建立的数学函数，即裂纹分析模型获取清洁机器人经过电池板表面裂纹区域后的电池板最终的破碎面积，本方案不仅计算电池板的裂纹面积，还根据压力对清洁机器人经过裂纹区域的破碎面积进行预估，从而避免电池板出现碎裂后，由于清洁机器人对电池板的压力造成电池板更大程度的破碎等问题的发生。

在进一步的实施方案中，所述破碎风险分析模型具体为：

式中，α为权重系数，ε为破碎风险值。

本技术方案结合电池板的裂纹面积和清洁机器人经过电池板裂纹区域后电池板的破碎面积，分析清洁机器人经过电池板裂纹区域前后电池板出现大面积破碎风险的大小，根据破碎风险的大小发出不同的指令，以防止机器人清洁过程中加大电池板的破碎，同时避免其将水喷入电池板裂纹区域，导致电池板进水，工作效率下降等。

在进一步的实施方案中，所述语义感知网络的具体训练过程包括：

制作标签图像：将所述电池板图像的裂纹区域的像素标注为1，其他区域像素标注为0；

训练模型：将所述电池板图像和所述标签图像输入所述语义感知网络中，采用交叉熵作为损失函数训练模型，输出与原图等大的语义感知效果图。

其中，所述语义感知网络采用编码器-解码器网络结构。

本技术方案将预处理之后的电池板图像送入语义感知网络进行训练，对电池板表面玻璃裂纹区域进行感知，以计算获取不同电池板的裂纹面积；本方案通过语义感知网络能够更加精确地分辨出电池板的裂纹区域，大大提升了检测的质量和效果。

在进一步的实施方案中，所述将实时采集到的电池板图像进行预处理，具体包括：

对所述电池板图像进行取对数操作后，进行傅里叶变换；

对频域的所述电池板图像进行高通滤波，并进行傅里叶逆变换；

对所述电池板图像进行指数变换。

在本技术方案中，电池板表面玻璃碎裂时，会出现白色裂纹，即电池板表面裂纹区域亮度较高，因此本技术方案首先对图像进行预处理操作，即主要通过滤波函数估算图像的低频或高频成分，增强图像局部对比度，修正图像亮度不均匀问题，以便网络对电池板裂纹区域进行感知和分析，进而有效提高检测效率。

附图说明

图1是本发明实施例提供的一种基于视觉的光伏电池板玻璃破碎风险分析系统的结构示意图；

图2是本发明实施例提供的遥感图像的举例示意图；

图3是本发明实施例提供的深度神经网络模型的简单示意图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

针对光伏电池板玻璃破碎不仅会降低电池板的透光率和发电效率，而且会使其无法防水，从而导致清洁机器人对其清洁时造成更大程度地损害的问题，本发明实施例提供了一种基于视觉的光伏电池板玻璃破碎风险分析系统，如图1所示，包括依次连接的网络感知模块1、裂纹分析模块2、破碎风险分析模块3；

本发明实施例通过轨道相机实时采集电池板图像，在光伏电池板一侧设置轨道，所述轨道相机为安装在此轨道上的可滑动的相机，并对电池板表面进行图像采集；

在本发明实施例中，由于光伏电池板表面玻璃碎裂时，会出现白色裂纹，即电池板表面裂纹区域亮度较高，因此，所述网络感知模块1首先对实时采集到的电池板图像进行预处理，主要通过滤波函数估算图像的低频或高频成分，增强图像局部对比度，修正图像亮度不均匀问题，以便网络对电池板裂纹区域进行检测，其中，如图2所示，预处理步骤具体包括：

1)对电池板图像进行取对数操作；

g(x,y)＝exp{n(x,y)} 1-1

f(x,y)＝i(x,y)*r(x,y) 1-2

其中，lnf表示对f(x,y)取对数；f(x,y)为电池板图像，每个图像由两个分量组成，即i(x,y)为图像的照明分量，指入射到景物上的光强度；r(x,y)为图像的反射分量，指受到景物反射的光强度。

2)对取对数后的所述电池板图像进行傅里叶变换；

F(lnf)＝F{ln(i(x,y))}+F{ln(r(x,y))}＝F(u,v) 1-3

其中，F(u,v)为傅里叶变换后的电池板图像。

3)对傅里叶变换后的所述电池板图像进行高通滤波；

N(u,v)＝H(u,v)·F(u,v) 1-4

其中，H(u,v)是高通滤波函数，N(u,v)为高通滤波后的电池板图像。

4)对高通滤波后的所述电池板图像进行傅里叶逆变换，使得所述电池板图像从频域转回时域；

n(x,y)＝F

5)对傅里叶逆变换后的所述电池板图像进行指数变换，得到预处理后的所述电池板图像g(x,y)；

g(x,y)＝exp{n(x,y)} 1-6

在本发明实施例中，所述网络感知模块1将预处理后的所述电池板图像作为语义感知网络的输入，对电池板表面裂纹区域进行感知，输出语义感知效果图，其中，如图3所示，所述语义感知网络的具体训练过程包括：

制作标签图像：由于电池板表面玻璃出现裂纹时，电池板表面裂纹区域的亮度较高，所以，本实施例将所述电池板图像的裂纹区域的像素标注为1，其他区域像素标注为0；

训练模型：将所述电池板图像和所述标签图像输入所述语义感知网络，即裂纹感知编码器-解码器网络结构中，采用交叉熵损失函数对网络进行迭代训练，其中，裂纹感知编码器对电池板的裂纹区域进行特征提取，输出为特征图，裂纹感知解码器对特征图进行上采样，最终网络输出与原图等大的语义感知效果图；本实施例输出的所述语义感知效果图包括裂纹感知效果图以及无裂纹感知效果图，其中，由于所述无裂纹感知效果图中无裂纹区域，因此，其图像的像素值均为0；

本实施例基于语义感知网络检测裂纹区域，大大提高了检测的精准度。

在本发明实施例中，所述裂纹分析模块2从接收到的所述语义感知效果图中筛选出裂纹感知效果图，并将所述裂纹感知效果图进行后处理得到裂纹区域的最小外接矩形及所述最小外接矩形的长、宽值，将所述最小外接矩形的长宽乘积作为裂纹面积S；

其中，本实施例通过OpenCV接口得到裂纹区域的最小外接矩形；

所述裂纹分析模块2将所述裂纹面积S与预先设置的面积阈值S′对比，若所述裂纹面积S大于等于所述面积阈值S′，即S≥S′，则认为电池板裂纹程度过大，向工作人员发出更换电池板提示；若所述裂纹面积S小于所述面积阈值S′，，即S＜S′，则表示目前电池板表面裂纹区域几乎不影响电池板的输出效率，此时，将所述裂纹面积S输入所述破碎风险分析模块3；

需要说明的是，由于光伏电池板表面的玻璃采用的是透光度高的钢化玻璃，在层压的时候，电池和玻璃已粘连在一起了，若单独将玻璃取出来，很容易将易碎的电池片弄坏，因此，若玻璃损坏严重，工作人员一般直接更换整个电池片。

由于清洁机器人打扫电池板的裂纹区域时，其对裂纹区域的压力会增加电池板表面破碎程度，因此，所述破碎风险分析模块3预先根据历史数据建立裂纹分析模型，并将接收到的所述裂纹面积以及清洁机器人对电池板的压力输入所述裂纹分析模型，得到清洁机器人经过裂纹区域后的破碎面积，即所述裂纹分析模型具体为：

A＝(S

式中，S为接收到的所述裂纹面积，B为所述清洁机器人对电池板的压力，A为清洁机器人经过裂纹区域后的破碎面积，c为可调参数，本实施例优先设置c＝5，本领域技术人员可根据实际情况进行调整。

在本实施例中，所述历史数据包括历史裂纹面积以及所述清洁机器人对电池板的压力，其中，所述清洁机器人对电池板的压力是指清洁机器人对其正下方的电池板的压力；所述压力通过与所述电池板连接的压力传感器实时测得。

本实施例基于历史数据建立的裂纹分析模型原理简单、操作方便，实用性强；需要说明的是，上述提供的所述裂纹分析模型为本实施例实验得到的数据建立的数学模型，由于实际历史数据受电池板等多方面因素的影响，因此，本发明实施例提供的所述裂纹分析模型并不唯一，本领域技术人员需根据具体实施过程得到的历史数据建立模型。

在本发明实施例中，所述破碎风险分析模块3还将所述裂纹面积S以及所清洁机器人经过裂纹区域后的述破碎面积A输入建立的破碎风险分析模型中，得到破碎风险值ε，以分析所述清洁机器人经过电池板裂纹区域前后电池板出现大面积破碎风险的大小，所述清洁机器人经过电池板的裂纹区域后电池板裂纹面积变化值越大，电池板破碎风险越大；

其中，所述破碎风险分析模型具体为：

式中，ε为破碎风险值，A为清洁机器人经过裂纹区域后的破碎面积，S为接收到的所述裂纹面积，α为权重系数，本实施例设置α＝0.8，本领域技术人员可根据实际情况进行调整。

所述破碎风险分析模块3将所述破碎风险值ε与预先设置的风险阈值ε′对比，若所述破碎风险值ε大于等于所述风险阈值ε′，即ε≥ε′，则判断电池板破碎风险较大，即所述清洁机器人经过电池板裂纹区域后，会造成电池板更大面积破碎，降低电池板发电功率，此时，系统将检测结果发送给所述清洁机器人，向其发送返程指令；若所述破碎风险值ε小于所述风险阈值ε′，即ε＜ε′，则判断电池板破碎风险较小，即所述清洁机器人经过裂纹区域时，不会对电池板的裂纹区域造成影响，因此所述清洁机器人可对电池板的裂纹区域进行清洁，此时，向所述清洁机器人发出调整指令，使其清洁模式调整为无水模式，以及降低毛刷转速等，以避免机器人清洁过程中将水喷入电池板的裂纹区域，导致电池板内部进水，充电效率下降等问题。

本发明实施例提供的提供一种基于视觉的光伏电池板玻璃破碎风险分析系统，包括依次连接的网络感知模块1、裂纹分析模块2、破碎风险分析模块3，解决了光伏电池板玻璃破碎不仅会降低电池板的透光率和发电效率，而且会使其无法防水，从而导致清洁机器人对其清洁时造成更大程度地损害的问题；本发明实施例利用计算机视觉对光伏电池板表面玻璃裂纹进行自动感知，并结合电池板裂纹面积和机器人经过电池板裂纹区域后电池板碎裂面积，分析电池板存在大面积破碎风险的大小，从而实现对清洁机器人的调节，不仅易训练，而且避免了清洁机器人在清洁过程中，由于其对电池板的压力造成电池板破碎程度加大等损害，本实施例操作方便，实用性强，能够有效提高检测效率。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。