一种退役光伏组件智能拆解的多模态数据容错融合方法

本发明属于光伏组件回收技术与机器视觉识别领域，具体涉及一种退役光伏组件智能拆解的多模态数据容错融合方法。

背景技术：

1、光伏组件作为光伏发电的核心器件，随着“双碳”目标得到了迅猛发展。随着新技术的发展，不少老旧的光伏组件面临退役回收的难题。在回收过程中，退役光伏组件智能拆解与回收机器人系统需要在光伏电站现场完成动态作业，其中重载机械臂的视觉识别单元作为组件精准切割、抓取的核心部件，其识别精度与稳定性对现场拆解作业的效率与精度有着直接的影响。

2、然而，机器人系统在现场动态作业的过程中，传感器性能极易受环境实时变化影响，如车辆驶入遮挡黑暗区域导致双目相机成像过曝、欠曝，数据可信度急剧下降；作业区域扬尘、雾气导致激光雷达点云稀疏、离散度高，有效点占比大幅降低；同时退役光伏组件本身存在的表面污染老化、高反射、形态非标准化问题，进一步加剧了传感器数据的不稳定性。

3、现有机器人系统的视觉识别单元虽尝试多模态数据融合，但模态健康度评估多采用单一特征指标判定，缺乏科学的多证据融合评估方法，无法精准量化动态作业中传感器数据的可靠性；且融合方式多为固定权重，难以根据环境变化动态分配各传感器的“发言权”，低质量数据易对融合结果造成严重干扰，导致组件位姿识别精度下降，甚至识别失效，无法适配光伏电站现场动态、复杂的作业工况，难以满足重载机械臂高精度切割、抓取的作业需求，成为制约退役光伏组件现场智能拆解的关键技术瓶颈。

技术实现思路

1、为解决上述问题，本发明提供一种退役光伏组件智能拆解的多模态数据容错融合方法。

2、实现本发明目的的具体技术方案为：

3、一种退役光伏组件智能拆解的多模态数据容错融合方法，包括以下步骤：

4、步骤1、同步采集目标拆解的多模态数据；

5、步骤2、对采集的多模态数据的健康度进行评估；

6、步骤3、基于评估结果，将多模态数据进行容错融合。

7、相比于现有技术，本发明的有益效果在于：

8、本方案创新地将d-s方法引入到动态作业下的模态健康度评估方面：通过构建证据识别框架、融合多特征指标证据体，实现对传感器数据可靠性的精准量化，相比传统单一指标判定，评估结果更贴合光伏电站现场动态作业的环境变化，能精准识别传感器数据的失效状态；基于评估得到的置信度和似然函数区间进行权重判断，让系统智能分配各传感器的融合权重，使得低质量数据自动降低 “发言权”，从根源上避免其对融合结果的干扰；结合跨模态特征补全机制，在单一模态失效时完成特征重构，保证融合过程的连续性与有效性。

9、下面结合具体实施方式对本发明做进一步的说明。

1.一种退役光伏组件智能拆解的多模态数据容错融合方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的退役光伏组件智能拆解的多模态容错融合识别方法，其特征在于，所述步骤1中的多模态数据包括待拆解的光伏组件的二维图像数据和三维点云数据。

3.根据权利要求2所述的退役光伏组件智能拆解的多模态数据容错融合方法，其特征在于，所述步骤2中的对采集的多模态数据的健康度进行评估，具体为：

4.根据权利要求3所述的退役光伏组件智能拆解的多模态数据容错融合方法，其特征在于，所述二维图像数据的证据体包括图像清晰度、有效特征点数量、光照均匀度；

5.根据权利要求3所述的退役光伏组件智能拆解的多模态数据容错融合方法，其特征在于，所述步骤2-3中获得该模态数据的综合基本概率分配函数的过程为：

6.根据权利要求4所述的退役光伏组件智能拆解的多模态数据容错融合方法，其特征在于，所述步骤3中的基于评估结果，将多模态数据进行容错融合，具体为：

7.一种退役光伏组件智能拆解的多模态数据容错融合系统，其特征在于，包括以下模块：

8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述方法的步骤。

9.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。