一种基于无人机视觉的光伏面板缺陷检测方法

本发明涉及无人机视觉，具体为一种基于无人机视觉的光伏面板缺陷检测方法。

背景技术：

1、随着新能源产业的快速发展，光伏发电系统的装机规模持续扩大，光伏面板作为光伏发电系统中的核心能量转换部件，其运行状态直接影响光伏电站的发电效率和设备安全。由于光伏面板通常采用大面积阵列化铺设方式，人工巡检方式存在检测周期长、覆盖范围有限以及高空作业风险较高等问题。近年来，基于无人机视觉采集技术的光伏面板智能巡检方法逐渐应用于光伏运维领域，通过搭载可见光相机等视觉采集设备获取光伏组件表面图像，并利用图像分析技术实现对裂纹、污渍、热斑等异常状态的自动检测，提高了光伏设备巡检的自动化水平。

2、然而，在实际无人机巡检过程中，光伏面板图像质量容易受到外部环境光照变化的影响，尤其是在多云天气条件下，移动云层会在光伏面板表面形成大范围非均匀阴影区域，该类阴影在图像中通常表现为低亮度区域，其灰度特征容易与光伏面板表面的污染区域、局部热斑区域甚至部分缺陷区域产生相似性，导致基于亮度阈值分割或传统图像增强方法难以准确区分环境光照变化与真实面板异常。同时，简单的亮度补偿或整体对比度增强方式容易改变图像原有的纹理分布，使阴影区域中被遮挡的细微缺陷特征被削弱，从而影响后续缺陷识别结果的准确性。

技术实现思路

1、针对现有技术存在的不足，本发明提供一种基于无人机视觉的光伏面板缺陷检测方法。

2、为了实现上述目的，本发明的技术方案如下：

3、第一方面，本发明公开了一种基于无人机视觉的光伏面板缺陷检测方法，包括如下步骤：

4、获取无人机采集的彩色像素阵列数据，将所述彩色像素阵列数据映射至hsv空间，并提取明度通道的二维亮度矩阵；

5、对所述二维亮度矩阵进行高频与低频解耦计算，分离出低频照明背景矩阵和高频反射特征矩阵；

6、提取所述二维亮度矩阵中低于预设低位数值阈值的暗斑连通域，并基于所述暗斑连通域的边界像素灰度变化特征进行差分演化分析，提取出符合预设连续缓变衰减条件的阴影区域数据；

7、提取所述阴影区域数据在所述低频照明背景矩阵中对应的局部照明背景数值，并根据全局非阴影区域的平均亮度数值与所述局部照明背景数值之间的亮度比例关系，计算出所述阴影区域数据中各像素坐标点的动态增益乘数；

8、将所述二维亮度矩阵中对应所述阴影区域数据的像素数值与所述动态增益乘数进行逐像素映射计算，并将映射计算结果与所述高频反射特征矩阵中对应坐标的高频数值进行数据融合运算，获得同化亮度矩阵；

9、将所述同化亮度矩阵与所述彩色像素阵列数据中分离出的色相数据矩阵、饱和度数据矩阵进行合并，输出用于光伏面板缺陷识别的重组像素阵列数据。

10、第二方面，本发明公开了一种基于无人机视觉的光伏面板缺陷检测系统，包括：

11、图像获取与亮度解耦模块，用于获取无人机采集的彩色像素阵列数据，将所述彩色像素阵列数据映射至hsv空间，并提取明度通道的二维亮度矩阵；

12、高频低频特征解耦模块，用于对所述二维亮度矩阵进行高频与低频解耦计算，分离出低频照明背景矩阵和高频反射特征矩阵；

13、阴影区域识别模块，用于提取所述二维亮度矩阵中低于预设低位数值阈值的暗斑连通域，并基于所述暗斑连通域的边界像素灰度变化特征进行差分演化分析，提取出符合预设连续缓变衰减条件的阴影区域数据；

14、动态增益计算模块，用于提取所述阴影区域数据在所述低频照明背景矩阵中对应的局部照明背景数值，并根据全局非阴影区域的平均亮度数值与所述局部照明背景数值之间的亮度比例关系，计算出所述阴影区域数据中各像素坐标点的动态增益乘数；

15、阴影补偿与特征融合模块，用于将所述二维亮度矩阵中对应所述阴影区域数据的像素数值与所述动态增益乘数进行逐像素映射计算，并将映射计算结果与所述高频反射特征矩阵中对应坐标的高频数值进行数据融合运算，获得同化亮度矩阵；

16、图像重组输出模块，用于将所述同化亮度矩阵与所述彩色像素阵列数据中分离出的色相数据矩阵、饱和度数据矩阵进行合并，输出用于光伏面板缺陷识别的重组像素阵列数据。

17、与现有技术相比，本发明的有益效果为：

18、1、本发明通过对无人机采集的光伏面板图像中的亮度变化特征进行分析，能够有效降低多云天气下云层阴影对检测结果的干扰，避免将由环境光照变化形成的低亮度区域误判为光伏面板表面缺陷，提高复杂光照条件下缺陷检测的准确性；

19、2、本发明通过建立与局部照明状态相关的自适应补偿机制，实现对阴影区域的针对性校正，避免整体亮度调整造成非阴影区域过曝或图像细节失真的情况，提高图像校正效果的稳定性；

20、3、本发明在消除非均匀光照影响的同时，能够保持光伏面板表面的有效纹理特征，使隐藏于阴影区域中的细微缺陷信息得到保留，减少因阴影处理导致的缺陷特征丢失问题，为后续缺陷识别提供更加可靠的图像数据基础。

1.一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述动态增益乘数的计算过程包括：

3.根据权利要求2所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述基础映射基数的生成过程为：

4.根据权利要求1所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述同化亮度矩阵的获取过程为：

5.根据权利要求4所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述修正高频特征值的加权修正运算过程为：

6.根据权利要求1所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：对所述二维亮度矩阵进行高频与低频解耦计算的过程为：

7.根据权利要求1所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述阴影区域数据的提取过程为：

8.根据权利要求7所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述边界梯度演化数据序列的构建过程为：

9.根据权利要求1所述的一种基于无人机视觉的光伏面板缺陷检测方法，其特征在于：所述重组像素阵列数据的获取过程为：

10.一种基于无人机视觉的光伏面板缺陷检测系统，其特征在于：包括：