针对故障光伏组件的消除重复定位的方法、装置及介质

技术领域

本发明涉及光伏组件技术领域，尤其涉及针对故障光伏组件的消除重复定位的方法、装置及介质。

背景技术

光伏组件上存在飞鸟、尘土、落叶等遮挡物时，光伏组件上容易形成热斑效应，进而损坏光伏组件。目前一般是通过无人机对光伏组件进行红外图片采集，以通过红外图片定位出现热斑的故障光伏组件。

由于无人机在巡检时，采集红外图片的过程中需要保持一定的重叠率，以保证不会有光伏组件漏掉，因此同一故障光伏组件可能同时存在于多张红外图片中。而在通过图像定位故障光伏组件时，会存在一定的定位精度误差，这样，故障光伏组件会被定位至多个不同的位置，即出现重复定位的问题。且在实际情况中，真实发生故障的光伏组件通常会同时存在多个，导致最后定位得到的故障光伏组件的位置更多，而目前用于消除故障光伏组件重复定位的方法仍然较为缺乏，从而导致故障光伏组件的定位准确度不高。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种针对故障光伏组件的消除重复定位的方法、装置及介质，旨在通过消除故障光伏组件的重复定位来提高故障光伏组件的定位准确度。

为实现上述目的，本发明提供一种针对故障光伏组件的消除重复定位的方法，所述方法包括以下步骤：

获取多个包含有至少一个故障光伏组件的红外图片；

确定各个所述红外图片包含的故障光伏组件的定位点；

对多个所述定位点进行分类，得到多个类别的所述定位点，其中，同一类别的所述定位点属于实际发生故障的同一光伏组件；

根据同一类别的所述定位点，确定所述类别对应的实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。

可选地，所述对多个所述定位点进行分类的步骤包括：

在每一所述红外图片中，获取所述红外图片包含的故障光伏组件所在的矩形框区域；

获取任意两个所述矩形框区域之间的图片相似度；

存在图片相似度大于预设阈值的两个目标矩形框区域时，将两个所述目标矩形框区域中的定位点作为同一类别的定位点。

可选地，所述获取任意两个所述矩形框区域之间的图片相似度的步骤包括：

将任意两个所述矩形框区域调整为相同尺寸；

分别对调整为相同尺寸后的两个所述矩形框区域进行特征向量提取，以分别获取两个所述矩形框区域对应的相似度向量；

根据所述相似度向量计算余弦相似度；

根据余弦相似度确定两个所述矩形框区域之间的图片相似度。

可选地，所述确定各个所述红外图片包含的故障光伏组件的定位点的步骤之后，还包括：

根据多个所述定位点之间的距离，采用均值聚类算法对多个所述定位点进行分类，得到多个定位点集合，其中，针对每一定位点集合，执行所述对多个所述定位点进行分类的步骤。

可选地，所述根据同一类别的所述定位点，确定所述类别对应的实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置的步骤包括：

获取同一类别的各个定位点对应的距离权重值；

采用同一类别的各个定位点对应的距离权重值，对同一类别的各个定位点的坐标值进行加权处理，得到所述实际位置。

可选地，所述获取同一类别的各个定位点对应的距离权重值的步骤包括：

获取同一类别的各个定位点对应的中心点位置；

获取同一类别的各个定位点与所述中心点位置之间的距离；

根据同一类别的各个定位点对应的所述距离，确定同一类别的各个定位点对应的距离权重值。

可选地，所述根据同一类别的各个定位点对应的所述距离，确定同一类别的各个定位点对应的距离权重值的步骤包括：

获取同一类别的各个定位点对应的所述距离之和；

根据同一类别的各个定位点对应的所述距离与所述距离之和的比值，确定同一类别的各个定位点对应的距离权重值。

可选地，所述确定各个所述红外图片包含的故障光伏组件的定位点的步骤包括：

获取各个所述红外图片对应的地面采样距离；

获取各个所述红外图片包含的故障光伏组件所在的矩形框区域中心点的像素坐标与所述红外图片的中心点的像素坐标的差值；

根据所述差值、所述红外图片对应的地面采样距离以及所述红外图片中心点的地理坐标，获取所述红外图片包含的故障光伏组件所在的矩形框区域中心点的地理坐标，以确定所述定位点。

此外，为实现上述目的，本发明还提供一种针对故障光伏组件的消除重复定位的装置，所述针对故障光伏组件的消除重复定位的装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的针对故障光伏组件的消除重复定位的程序，所述针对故障光伏组件的消除重复定位的程序被所述处理器执行时实现如上所述中任一项所述的针对故障光伏组件的消除重复定位的方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有针对故障光伏组件的消除重复定位的程序，所述针对故障光伏组件的消除重复定位的程序被处理器执行时实现如上所述中任一项所述的针对故障光伏组件的消除重复定位的方法的步骤。

本发明实施例提出的针对故障光伏组件的消除重复定位的方法、装置及介质，获取多个包含有至少一个故障光伏组件的红外图片；确定各个红外图片包含的故障光伏组件的定位点；对多个定位点进行分类，得到多个类别的定位点，其中，同一类别的定位点属于实际发生故障的同一光伏组件；根据同一类别的定位点，确定该类别对应的实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。本发明通过对故障光伏组件的定位点进行分类，确定哪些定位点属于同一光伏组件，再基于同一类别的定位点进一步定位，消除了由于定位精度误差导致的重复定位的问题，使得针对故障光伏组件的定位更加准确。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明针对故障光伏组件的消除重复定位的方法的整体流程示意图；

图3为本发明针对故障光伏组件的消除重复定位的方法的一实施例的流程示意图；

图4为本发明针对故障光伏组件的消除重复定位的方法另一实施例的流程示意图；

图5为本发明针对故障光伏组件的消除重复定位的方法再一实施例的流程示意图；

图6为本发明针对故障光伏组件的消除重复定位的方法又一实施例的流程示意图；

图7为本发明红外图片中包含的故障光伏组件的定位点与故障光伏组件在光伏电站的全景可见光电子地图中的实际位置的示意图；

图8为本发明光伏电站的全景可见光电子地图；

图9为本发明定位点所在的矩形框区域的一种示意图；

图10为本发明红外图片中包含的故障光伏组件的定位点的示意图；

图11为本发明定位点所在的矩形框区域的另一示意图；

图12为本发明定位点所在的矩形框区域的特征向量曲线的示意图；

图13为本发明属于实际发生故障的同一光伏组件的多个定位点的分类示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种解决方案，通过对故障光伏组件的定位点进行分类，确定哪些定位点属于同一光伏组件，再基于同一类别的定位点进一步定位，消除了由于定位精度误差导致的重复定位的问题，使得针对故障光伏组件的定位更加准确。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端为针对故障光伏组件的消除重复定位的装置。

如图1所示，该终端可以包括：处理器1001，例如CPU、MCU、DSP，通信总线1002，存储器1003。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1003可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1003中可以包括针对故障光伏组件的消除重复定位的程序。

在图1所示的终端中，处理器1001可以用于调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，并执行以下操作：

获取多个包含有至少一个故障光伏组件的红外图片；

确定各个所述红外图片包含的故障光伏组件的定位点；

对多个所述定位点进行分类，得到多个类别的所述定位点，其中，同一类别的所述定位点属于实际发生故障的同一光伏组件；

根据同一类别的所述定位点，确定所述类别对应的实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

在每一所述红外图片中，获取所述红外图片包含的故障光伏组件所在的矩形框区域；

获取任意两个所述矩形框区域之间的图片相似度；

存在图片相似度大于预设阈值的两个目标矩形框区域时，将两个所述目标矩形框区域中的定位点作为同一类别的定位点。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

将任意两个所述矩形框区域调整为相同尺寸；

分别对调整为相同尺寸后的两个所述矩形框区域进行特征向量提取，以分别获取两个所述矩形框区域对应的相似度向量；

根据所述相似度向量计算余弦相似度；

根据余弦相似度确定两个所述矩形框区域之间的图片相似度。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

根据多个所述定位点之间的距离，采用均值聚类算法对多个所述定位点进行分类，得到多个定位点集合，其中，针对每一定位点集合，执行所述对多个所述定位点进行分类的步骤。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

获取同一类别的各个定位点对应的距离权重值；

采用同一类别的各个定位点对应的距离权重值，对同一类别的各个定位点的坐标值进行加权处理，得到所述实际位置。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

获取同一类别的各个定位点对应的中心点位置；

获取同一类别的各个定位点与所述中心点位置之间的距离；

根据同一类别的各个定位点对应的所述距离，确定同一类别的各个定位点对应的距离权重值。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

获取同一类别的各个定位点对应的所述距离之和；

根据同一类别的各个定位点对应的所述距离与所述距离之和的比值，确定同一类别的各个定位点对应的距离权重值。

进一步地，处理器1001可以调用存储器1003中存储的针对故障光伏组件的消除重复定位的程序，还执行以下操作：

获取各个所述红外图片对应的地面采样距离；

获取各个所述红外图片包含的故障光伏组件所在的矩形框区域中心点的像素坐标与所述红外图片的中心点的像素坐标的差值；

根据所述差值、所述红外图片对应的地面采样距离以及所述红外图片中心点的地理坐标，获取所述红外图片包含的故障光伏组件所在的矩形框区域中心点的地理坐标，以确定所述定位点。

参照图2以及图3，在一实施例中，针对故障光伏组件的消除重复定位的方法包括以下步骤：

步骤S10，获取多个包含有至少一个故障光伏组件的红外图片；

步骤S20，确定各个所述红外图片包含的故障光伏组件的定位点；

可选的，通过无人机等设备采集包含光伏组件的红外图片，并基于红外图片分析，检测红外图片中是否包含故障光伏组件，从而得到包含有故障光伏组件的红外图片。

可选地，故障光伏组件可包括出现热斑效应的光伏组件。

可选地，可通过红外图片分析光伏组件在不同工作状态下的温度分布热成像，来识别是否存在出现热斑效应的故障光伏组件，并基于红外图片中的故障光伏组件的中心点的像素坐标来确定故障光伏组件所在的定位点的地理坐标，其中，可基于地理坐标进一步计算经纬度坐标。

可选地，光伏组件为光伏电站中的一部分，通过无人机按照预设航线在光伏电站上空飞行，以采集包含光伏组件的红外图片以及可见光图片，例如，当无人机巡检时，采集红外图片以及可见光图片的过程中需要保持一定的重叠率，一般航向保持在70％、旁向保持在50％的重叠率，保证光伏组件不会被漏掉，以及保证生成的光伏电站的全景可见光电子地图符合要求。

可选地，无人机根据规划路径进行光伏组件巡检，采集红外图片和可见光图片，并记录下采集点所处位置的地理坐标，该地理坐标对应于红外图片中心点处的地理坐标，同时记录下采集点位置处的无人机航向角(单位：度)。根据无人机采集的可见光图片，利用pix4dMapper等软件生成光伏电站的全景可见光电子地图，如图8所示。

步骤S30，对多个所述定位点进行分类，得到多个类别的所述定位点，其中，同一类别的所述定位点属于实际发生故障的同一光伏组件；

在本实施例中，如图7所示，图7示出了实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置1，以及根据红外图片分析出的故障光伏组件的定位点的位置2，其中，实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的位置1是未知的，根据红外图片分析出的故障光伏组件的定位点的位置2是已知的。可以看出，根据红外图片分析出的故障光伏组件的定位点的位置2与实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置1之间存在定位误差。

可选地，针对多个红外图片包含的故障光伏组件的定位点，对多个定位点进行分类，从而确定哪些定位点属于实际发生故障的同一光伏组件。

可选地，针对多个红外图片包含的故障光伏组件的定位点，获取任意两个红外图片中的故障光伏组件所在的矩形框区域之间的图片相似度，若相似度大于预设阈值，表明此两个红外图片中的定位点属于实际发生故障的同一光伏组件。

可选地，在确定各个红外图片包含的故障光伏组件的定位点之后，还可对多个定位点进行初步分类，以提高定位点分类的准确度。具体地，根据多个定位点的地理坐标，确定多个定位点的分布情况，根据分布情况将多个定位点划分为多个类别，从而得到初步分类的多个类别的定位点集合，其中，不同类别对应不同的定位点集合。在对多个定位点进行分类时，可针对单独的每一定位点集合，对单个定位点集合中的定位点进行单独分类。

可选地，根据多个定位点的分布情况，将多个定位点划分为多个类别时，可将位置距离较近的多个定位点划分为同一类别，而位置距离较远的多个定位点划分为不同类别。例如，如图10所示，根据多个定位点的分布情况，将多个定位点划分为了3个类别。

可选地，在对多个定位点进行初步分类时，可采用K-means等均值聚类算法实现。例如，在光伏电站的全景可见光电子地图中划分定位区域，设置聚类中心点最小距离为10m，从光伏电站的全景可见光电子地图中提取出K个定位区域(图10中的K＝3)。

K-means聚类算法具体步骤如下：

a)随机选择K个中心点；

b)把每个数据点分配到离它最近的中心点；

c)重新计算每类中的点到该类中心点距离的均值，作为最近中心点；

d)分配每个数据到它最近中心点；

e)重复步骤bcd，直到所有的聚类中心点满足最小距离或达到最大迭代次数。

对于K＝3定位区域，依次处理每个定位区域，根据定位点与聚类中心点的距离大小来选取定位点，从该定位区域中提取属于同一类别的定位点集合。

步骤S40，根据同一类别的所述定位点，确定所述类别对应的实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。

在本实施例中，在得到实际发生故障的同一光伏组件对应的多个定位点后，针对实际发生故障的同一光伏组件对应的多个定位点，确定实际发生故障的光伏组件所在的实际位置。具体地，可根据多个定位点所在的地理坐标，来确定实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。

可选地，针对实际发生故障的同一光伏组件对应的多个定位点，可确定多个定位点所在的位置的中心点，并将中心点位置作为实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。

在本实施例公开的技术方案中，通过对故障光伏组件的定位点进行分类，确定哪些定位点属于同一光伏组件，再基于同一类别的定位点进一步定位，消除了由于定位精度误差导致的重复定位的问题，使得针对故障光伏组件的定位更加准确。

在另一实施例中，如图4所示，在上述图2以及图3所示的实施例基础上，步骤S30包括：

步骤S31，在每一所述红外图片中，获取所述红外图片包含的故障光伏组件所在的矩形框区域；

在本实施例中，对于红外图片中产生热斑的故障光伏组件的位置识别算法，可以采用深度学习领域中目标检测识别的各种算法模型来实现该功能，例如，YOLO系列或SSD(Single Shot MultiBox Detector)系列目标检测识别算法模型。利用目标检测识别算法模型检测识别出红外图片中产生热斑的故障光伏组件的位置，并给出故障光伏组件矩形框的像素坐标，从而可确定红外图片中的故障光伏组件所在的矩形框区域。如图9以及如图11所示，矩形框内的图像区域为矩形框区域3。

步骤S32，获取任意两个所述矩形框区域之间的图片相似度；

在本实施例中，在针对每一红外图片确定了至少一个矩形框区域后，获取任意两个矩形框区域之间的图片相似度，以基于图片相似度来检测此两个矩形框区域中的定位点是否属于实际发生故障的同一光伏组件。

可选地，在获取两个矩形框区域之间的图片相似度时，可先将两个矩形框区域调整为相同尺寸，以使图片相似度的计算更加准确。分别对调整为相同尺寸后的两个矩形框区域进行特征向量提取，以分别获取两个矩形框区域对应的相似度向量，进而根据相似度向量来计算两个矩形框区域之间的余弦相似度，进而确定图片相似度。例如，对于N张红外图片，根据每张红外图片包含的故障光伏组件对应的矩形框区域，将所有矩形框区域提取出来，并将第一张红外图片中的每个矩形框区域进行编号：1到M。将第一张红外图片中的每个矩形框区域与相邻的第二张红外图片中的每个矩形框区域进行一一配对，计算两两矩形框区域的相似度，若相似度达到一定阈值，将第一张红外图片中的该矩形框区域对应的编号复制给第二张红外图片中的该矩形框区域，表示两两匹配成功。具体地，将矩形框区域缩放到长宽相等的图片，并记为imgA和imgB，将缩放后的矩形框区域imgA和imgB划分成3x3的网格，分别对每个网格(i，j)进行特征向量提取，统计该网格中的各个像素点出现频率，生成一个特征向量，用于描述该网格的特征，记：1<＝i，j<＝3，特征向量曲线如图12所示。对于imgA和imgB中每个网格(i，j)，可计算该位置处的网格特征向量的余弦相似度，共得到9个相似度值，生成矩形框区域imgA和imgB的相似度向量simA和simB。余弦相似度计算公式如下：

其中，a与b分别表示进行配对的两个矩形框区域的特征向量。

根据余弦相似度计算相似度向量simA和simB的相似度，即可得到矩形框区域imgA和imgB的相似度值。

步骤S33，存在图片相似度大于预设阈值的两个目标矩形框区域时，将两个所述目标矩形框区域中的定位点作为同一类别的定位点。

在本实施例中，若两个矩形框区域之间的图片相似度大于预设阈值，则认为两个矩形框区域中的定位点属于实际发生故障的同一光伏组件。若两个矩形框区域之间的图片相似度小于或等于预设阈值，则认为两个矩形框区域中的定位点不属于实际发生故障的同一光伏组件。从而实现了对于多个矩形框区域中的定位点的分类，得到实际发生故障的各个光伏组件对应的多个定位点。如图13所示，椭圆圈4内的定位点属于实际发生故障的同一光伏组件，而不在同一椭圆圈4内的定位点属于实际发生故障的不同光伏组件。

在本实施例公开的技术方案中，基于图片相似度对多个矩形框区域中的定位点进行分类，以确定实际发生故障的各个光伏组件对应的多个定位点，实现了属于实际发生故障的不同光伏组件的定位点之间的区分，使得针对故障光伏组件的定位更加准确。

在再一实施例中，如图5所示，在图2至图4任一实施例所示的基础上，步骤S40包括：

步骤S41，获取同一类别的各个定位点对应的距离权重值；

在本实施例中，可采用距离加权算法来确定实际发生故障的光伏组件的实际位置，以使针对故障光伏组件的定位更加准确。具体的，针对属于实际发生故障的同一光伏组件对应的多个定位点，可获取同一类别的各个定位点对应的距离权重值，这样，图7中各个定位点均可对应有一个距离权重值，根据距离权重值对于各个定位点的坐标值的加权，即可使实际发生故障的光伏组件的定位更加准确。其中，各个定位点的坐标值可以是地理坐标的坐标值。

可选地，在计算同一类别的各个定位点对应的距离权重值时，可获取每一红外图片中的中心点位置，计算获取各个定位点所在的位置与包含各个定位点所在的矩形框区域的红外图片的中心点位置之间的距离，将此距离换算为各个定位点对应的距离权重值。

可选地，在将此距离换算为各个定位点对应的距离权重值时，可获取实际发生故障的同一光伏组件对应的所有定位点对应的距离之和，计算此距离与距离之和的比值，根据比值来确定各个定位点对应的距离权重值。具体地，可依次处理N张红外图片：对于每张红外图片，从编号1到M依次取出故障光伏组件所在的矩形框区域，依次计算矩形框区域中心点与红外图片中心点距离：d1到dM，并记录下来，其中，矩形框区域中心点即故障光伏组件的定位点。如图13所示，每个椭圆圈内有N个定位点，且N个定位点是属于实际发生故障的同一光伏组件。假设实际发生故障的同一光伏组件对应的类别编号为i，N个定位点分别对应N个中心点距离d

其中，W

步骤S42，采用同一类别的各个定位点对应的距离权重值，对同一类别的各个定位点的坐标值进行加权处理，得到所述实际位置。

在本实施例中，可采用同一类别的各个定位点对应的距离权重值，对定位点进行加权，根据多个加权结果之和即可确定实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置。具体地，实际发生故障的光伏组件在光伏电站的全景可见光电子地图中的实际位置的计算公式如下：

其中，(CX

可选地，将真实的地理坐标(X

在本实施例公开的技术方案中，采用距离加权算法来确定实际发生故障的光伏组件的实际位置，使得针对故障光伏组件的定位更加准确。

在又一实施例中，如图6所示，在图2至图5任一实施例所示的基础上，步骤S20包括：

步骤S21，获取各个所述红外图片对应的地面采样距离；

在本实施例中，在根据红外图片分析来确定图7中的故障光伏组件的定位点位置2时，可先确定各个红外图片对应的地面采样距离(ground sample distance，GSD)，地面采样距离指数字影像中用地面距离单位表示的像素大小。

可选地，在计算红外图片对应的地面采样距离时，可先获取红外图片中故障光伏组件对应的矩形框区域的像素长宽值(A、B)，单位：像素。根据光伏电站中的光伏组件型号确定故障光伏组件的实际长宽值(S、T)，单位：cm。根据以下公式可以计算红外图片的地面采样距离GSD(单位：cm/pixel)：

步骤S22，获取各个所述红外图片包含的故障光伏组件所在的矩形框区域中心点的像素坐标与所述红外图片的中心点的像素坐标的差值；

步骤S23，根据所述差值、所述红外图片对应的地面采样距离以及所述红外图片中心点的地理坐标，获取所述红外图片包含的故障光伏组件所在的矩形框区域中心点的地理坐标，以确定所述定位点。

在本实施例中，采用红外图片对应的地面采样距离，对红外图片包含的故障光伏组件所在的矩形框区域中心点的像素坐标进行换算，即可得到红外图片包含的故障光伏组件所在的定位点的地理坐标，其中，红外图片包含的故障光伏组件所在的定位点的位置包含该地理坐标。

可选地，在光伏电站的全景可见光电子地图(如图8所示)中划分定位区域，从该区域中提取各个故障光伏组件对应的定位点集合，以确定各个故障光伏组件的地理坐标。例如，可将无人机巡检过程中采集的所有红外图片中通过计算得到的所有故障光伏组件所在的矩形框区域中心点的地理坐标或者地理坐标对应的经纬度坐标，定位到光伏电站的全景可见光电子地图上。具体地，通过地面采样距离GSD(单位：cm/pixel)和红外图片中心点的地理坐标，根据以下公式可以计算出红外图片中故障光伏组件所在的矩形框区域中心点的地理坐标：

X＝CX+(x1-x2)*GSD

Y＝CY+(y1-y2)*GSD

其中，(x1，y1)为红外图片中心点像素坐标，(x2，y2)为故障组件所在的矩形框区域中心点的像素坐标，(CX，CY)为红外图片中心点处的地理坐标，X为故障光伏组件所在的矩形框区域中心点的地理横坐标，Y为故障光伏组件所在的矩形框区域中心点的地理纵坐标，(X，Y)即为故障光伏组件所在的定位点。

可选地，还可根据无人机航向角修正红外图片中的故障组件所在的矩形框区域中心点的地理坐标。具体地，根据无人机采集红外图片时记录的无人机航向角，对红外图片中故障组件所在的矩形框区域中心点的地理坐标进行修正，将红外图片拍摄角度旋转成正北朝向，以匹配光伏电站的全景可见光电子地图。

可选地，将故障组件所在的矩形框区域中心点的地理坐标或者修正后的地理坐标换算成经纬度坐标，并标定在光伏电站的全景可见光电子地图中的对应经纬度位置处的故障组件上，从而确定红外图片包含的故障光伏组件所在的定位点在光伏电站的全景可见光电子地图中的位置。

在本实施例公开的技术方案中，将地理坐标作为红外图片包含的故障光伏组件所在的定位点位置，这样，不同红外图片中的故障光伏组件所在的定位点位置可以统一化，使得针对故障光伏组件的定位更加准确。

此外，本发明实施例还提出一种针对故障光伏组件的消除重复定位的装置，所述针对故障光伏组件的消除重复定位的装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的针对故障光伏组件的消除重复定位的程序，所述针对故障光伏组件的消除重复定位的程序被所述处理器执行时实现如上各个实施例所述的针对故障光伏组件的消除重复定位的方法的步骤。

此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有针对故障光伏组件的消除重复定位的程序，所述针对故障光伏组件的消除重复定位的程序被处理器执行时实现如上各个实施例所述的针对故障光伏组件的消除重复定位的方法的步骤。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。