光伏组件缺陷智能检测定位系统及方法与流程

摘要: 本发明涉及光伏发电系统检测,特别是涉及光伏组件缺陷智能检测定位系统及方法。背景技术:1、光伏发电作为一种清洁、可再生的能源形式,在近年来得到了快速发展。然而,光...
光伏组件缺陷智能检测定位系统及方法与流程

本发明涉及光伏发电系统检测,特别是涉及光伏组件缺陷智能检测定位系统及方法。

背景技术:

1、光伏发电作为一种清洁、可再生的能源形式,在近年来得到了快速发展。然而,光伏板在长期运行过程中,会受到多种因素的影响,例如光照、温度、湿度、灰尘、鸟粪等,导致光伏板出现各种缺陷,如遮挡、线路问题、自身缺陷(如隐裂/损坏)等。这些缺陷会导致光伏板发电效率降低,甚至影响光伏发电系统的正常运行。人工巡检效率低、成本高、易受主观因素影响;红外热成像技术可以检测光伏板的热斑,但无法区分热斑的原因,例如遮挡、线路问题、自身缺陷等。无人机巡检可以快速获取光伏板的图像数据,但需要专业人员操作,成本较高,且容易受到天气等因素的影响。急需结合无人机采集可见光和红外热成像多源数据的光伏板缺陷智能检测与定位系统,能够高效、准确地识别光伏板的各种缺陷,并精确定位缺陷位置,为光伏发电系统的运维管理提供重要的技术支持。现有技术中对光伏组件进行光斑识别的手段中,一种是基于太阳能电池片电气特性,即通过对发电组件的输出电压、输出电流、输出功率等进行监控的检测方法,另外一种是基于发电组件图像分析的检测方法,主要是通过分析光伏板在不同工作状态下的温度分布热成像,利用机器学习或图像处理方法实现热斑识别。

2、例如现有技术发明202210209242.6公开了一种基于可见光和红外视觉的光伏板缺陷检测方法,通过yolov3深度学习网络模型进行表面污渍检测;基于红外光伏板图像,通过自适应最小阈值分割算法进行光伏板热斑效应区域的检测。未形成智能可见光和红外热成像的多源数据分类检测定位识别系统。

3、例如发明202110046360.5公开了一种基于无人机图像的光伏电站智能巡检方法及系统,实现了光伏板缺陷的智能检测,构建巡检回放功能,通过巡检过程可视化,便于运维人员的直观调试和巡检管理。但该发明未对光伏板缺陷数据进行人工智能分类识别,也未对比可见光图像进行缺陷定位报告的生成。

4、例如发明202311492717.8公布了一种通过识别装置,采集不同光照条件下、不同角度条件下、不同尺寸光伏板的图像数据以及光伏板的温度数据和电流数据,实现了对光伏板的实时图像进行识别,无需人工干预,降低了人力成本,但仅对单一组件识别,不适用于整个光伏场站的大量组件热斑识别。

5、例如发明202411389826.1公开了一种使用无人机采集光伏场区图像,解决了光伏场区地形崎岖多变,组串排列复杂,地图软件无法提供路径导航的问题。但未融合可见光图像数据及深度学习算法对不同组件问题的智能识别与定位。

6、例如发明202411389826.1公开了一种基于红外图像的太阳能光伏组件热斑识别方法,该方法需要将红外图像转化为灰度图像,并未引入智能识别算法,不适用于光伏场站点多、面广、量大的特点,更适用于对单张图像的识别。

7、例如发明202410903620.x公开了一种光伏电池板热斑故障检测方法,解决了电池板在不同时间段内因太阳位置变化和遮挡物存在产生的热斑位置和形状会发生变化,导致的热斑分布时变性问题的技术问题。发明cn202410487334.x公开了一种新能源光伏组件故障检测方法及系统。通过构建能有效体现弱热斑区域和正常区域之间的差异的单尺度显著性值,改善组件显著图的显著性检测效果,提高故障检测结果的准确性。

8、例如发明202010298498.x公开了一种光伏板热斑检测方法,构建实验平台,根据实验数据、实验图像、实测数据和实测图像来检测光伏板是否存在热斑,但该发明侧重于检测在脏污程度不同的情况下的光伏板存在热斑情况。

9、例如发明202010740350.7公开了一种光伏板热斑定位方法及系统,对光伏板红外图像进行处理,判断光伏板的各个网格红外图像是否包含热斑,该发明不能实现不同热斑智能分类识别与定位。

10、例如发明202011605219.6公开了一种光伏板热斑检测方法,包括数据采集装置、检测装置、清洗机构、控制台等,通过单独采集的光伏板温度和热成像图对比来检测热斑是否存在,该发明主要针对通过红外图像检测故障,而未结合可见光图像信息,在污渍定位方面存在局限性。

11、虽然现有技术中有如上述的多种检测方法,但是针对光伏场站点多面广、尤其是山地光伏和海上光伏项目,光伏板出现各种缺陷,如遮挡、线路问题、自身缺陷(如隐裂/损坏)等,会导致发电效率降低,甚至影响发电系统的正常运行。人工巡检效率低、成本高、易受主观因素影响,虽然已经存在诸多无人机巡检和人工智能算法相结合的识别方法,但是存在数据单一有限、定位困难、适用性不强及识别精度不高等应用局限。

技术实现思路

1、为了克服现有技术的不足,本发明提供一种可实现多元数据的导入、一键智能识别、人工缺陷核验、精准定位和报告生成功能,可大幅提高光伏场站运维效率与运维精度的光伏组件缺陷智能检测定位系统及方法。为解决上述技术问题,本发明提供如下技术方案:

2、光伏组件缺陷智能检测定位方法,包括以下步骤:

3、s1、采集图像数据,采用无人机搭载双模红外相机,对光伏场站进行飞行巡检,采集光伏板变焦和红外图像数据;

4、s2、对步骤s1所得的图像数据进行分类,采用场站的不同类型进行红外数据分类;

5、s3、对步骤s2所得数据进行分类标记并生成数据集,采用图像标记软件按热斑类型进行分类标记,至少包括遮挡、短路、空载、损坏、缺失、积水,分类标记后的数据按80:10:10的比例划分训练集、测试集和验证集;

6、s4、对步骤s3所得的数据集进行识别网络训练并生成网络模型,采用yolox模型进行训练;

7、s5、基于步骤s4的网络模型建立识别定位系统,实现数据导入、一键智能识别、人工缺陷核验和报告生成功能。

8、在采用上述技术方案的基础上,本发明还可采用以下进一步的技术方案:

9、所述步骤s3还包括分别将训练集、验证集、测试集的原始图像与标注数据全部读取,关联图像数据与标注数据,检查标记框是否正确,即标记框不能超出图像边缘,宽和高必须为正值,并显示训练集中标记效果。

10、所述步骤s4包括:

11、s41、构建yolox模型;

12、s42、调整图像大小,进行数据增强,同时在可视化窗口中展示数据增强效果;

13、s43、训练参数设置,选择优化函数为adam,设置初始学习率为0.0001,每次迭代数量minibatchsize设置为16,最大循环次数maxepochs为100次;

14、具体地,采用余弦退火学习率衰减策略:

15、

16、其中为当前学习率,为初始学习率,为最小学习率,为当前轮次,为总轮次。

17、s44、训练yolox检测器,利用测试集评估模型,开始检测目标,评估检测目标与真实目标差别并计算精准率precision、召回率recall、平均准确率ap,绘制pr曲线,并计算平均精度;

18、具体地,计算公式为:

19、

20、

21、s45、使用yolox检测器检测目标,加载训练好的网络模型,读取需要检测的图片,进行目标检测并展示检测结果;

22、具体地,对于输入图像,模型输出检测结果集,其中为类别标签,为预测框坐标,为置信度分数。设定置信度阈值,仅保留的检测结果。

23、s46、基于matlab—appdesigner设计批量目标检测系统。

24、所述步骤s41包括:

25、s411、采用采用anchor-free方法,将目标检测转化为对目标中心点及其宽高的直接回归;

26、具体地,对于输入图像上的每个位置(x,y),模型预测目标中心点存在概率pij,以及目标框的宽度w和高度h,其回归公式为:

27、

28、其中,为网格单元偏移量,为网络预测的偏移量,为预设尺度,为网络预测的尺度缩放量。anchor-free机制简化了模型结构,同时提升了检测精度与泛化能力。

29、s412、将分类任务与回归任务进行解耦,分别通过两条独立的卷积分支进行处理;

30、具体地,分类分支用于预测目标类别概率pclass,回归分支用于预测目标框坐标及置信度pobj。设输入特征图,则解耦检测头的输出可表示为:

31、

32、其中为类别数,为回归参数数(通常为4个坐标加1个置信度)。这种解耦结构有效避免了分类与回归任务在特征学习中的相互干扰,提高了模型在复杂背景下的目标定位能力。

33、s413、采用动态标签分配策略,通过计算预测框与真实框之间的代价矩阵,动态为每个目标分配最优的正样本;

34、具体地,设预测框集合为,真实框集合为,对于第个预测框和第个真实框,代价定义为:

35、

36、其中为分类损失,为回归损失,为中心点先验损失,和为平衡系数。通过求解最优传输问题,为每个真实框动态选择个最优预测框作为正样本,避免了传统固定阈值分配方式带来的样本不平衡问题,尤其适用于光伏组件中缺陷目标小、类别不均衡的场景。

37、s414、总损失函数由分类损失、回归损失与置信度损失组成。

38、具体地,其表达式为:

39、

40、其中:

41、分类损失使用交叉熵损失(bce loss):

42、

43、回归损失使用iou损失(giou loss):

44、

45、其中,为包含和的最小闭包区域。

46、置信度损失使用二元交叉熵损失,衡量目标存在概率:

47、

48、所述步骤s42包括hsv空间中的颜色抖动增强、随机平移和随机缩放;

49、所述hsv空间中的颜色抖动增强为对色调h、饱和度s、亮度v通道分别添加随机扰动;

50、具体公式为:

51、

52、所述随机平移以概率p对图像进行水平或垂直平移,平移量δx,δy服从均匀分布;

53、所述随机缩放以概率对图像进行缩放,缩放因子,并相应调整标注框坐标。

54、进一步地,还集成了mosaic数据增强方法,将四张图像随机缩放后拼接为一张,增强模型对不同尺度、光照、遮挡条件下光伏组件缺陷的鲁棒性。

55、所述步骤s46包括:

56、s4601、在类定义中添加一个属性来保存当前显示的图像索引,初始化为1,将度、分、秒数组转换为度、分、秒格式的字符串,设置选择的文件夹为工作路径;

57、s4602、提示用户选择多个图像文件,创建进度条,确保文件名是一个cell数组,并初始化计数器,遍历每个选中的图像文件,更新进度条,读取图像元数据;

58、s4603、从元数据中获取经度、维度、高度和修改日期信息,获取修改日期,将经度和纬度转换为度、分、秒格式的字符串,将图像信息和日期添加到表格数据中,更新成功导入的图像数量,关闭进度条;

59、s4604、更新导入成功和导入失败的图像总数量文本框,将数据显示在表格中,加载yolox目标检测器,获取总的图像数量,初始化总时间,创建并显示进度,遍历每张图像,更新进度条;

60、s4605、 获取图像的名称,读取图像并开始计时,使用yolox模型进行目标检测,设定置信度阈值,停止计时并累加检测时间,如果检测结果不为空,处理检测结果,将检测标签转换为字符串数组,遍历每个检测结果;

61、s4606、获取图像的经度、纬度和采样时间,将图像信息添加到表格数据中,确保是字符和数值类型,关闭进度条对话框,计算平均帧率并显示;

62、s4607、获取红外和可见光图像的名称,读取并显示红外图像,读取并显示可见光图像,执行目标检测,为每个检测到的目标添加标注,并在图像上显示未检测到目标的提示;

63、s4608、获取并显示相关的缺陷信息、当前显示的图像索引、红外图像的名称,构建可见光图像的文件名,读取红外图像并刷新显示;

64、s4609、读取可见光图像并刷新显示,显示缺陷文字信息及检测结果;

65、s4610、检查是否到达最后一张图像,弹出提示框询问是否重新核验,根据用户选择执行相应操作,重新核验,回到第一张图像,结束,无需操作;

66、s4611、 更新当前显示的图像索引,显示下一张图像,获取当前锁定的行索引,检查是否有数据可删除,如有,则删除当前行数据,更新当前显示的图像索引,防止索引超出范围,若已删除最后一行,则索引移到最后一行,若所有行都被删除,则重置为1,刷新显示;

67、s4612、获取工程名称,检查是否填写了工程名称,检查表格数据是否为空,设置保存的文件名为工程名称;

68、s4613、创建一个word文档,初始化进度条,处理每组图片,更新进度条,获取红外图像和可见光图像的名称,读取图像,带标签的红外图像,插入目标标注,将三张图片组合为一张,保存组合后的图像为临时文件;

69、s4614、插入组合后的图像到word,添加经纬度信息(图片下方),设置经纬度信息居中,换行并插入1行空行,删除临时文件,关闭进度条,移动光标到文档开头,插入“缺陷详细信息”,移动光标到当前文本的起始位置,生成报告并排版,提示用户保存成功。

70、另一方面,本发明同时还提供以下技术方案:

71、光伏组件缺陷智能检测定位系统,包括:

72、数据采集端,采用无人机搭载双模成像模块;

73、数据传输与存储层,无人机通过5g/4g通信模块将采集的图像数据实时上传至云端服务器,或采用机载存储卡离线采集后统一上传,云端服务器配置对象存储服务,按场站、时间、图像类型(可见光/红外)分类存储;

74、智能识别与处理层,云端服务器部署yolox目标检测模型,提供restful api接口,接收图像数据后调用模型进行推理,返回缺陷检测结果,并部署mysql数据库记录检测历史、人工复核结果、报告生成记录;

75、应用层,用户通过web端或桌面端软件访问系统,实现数据导入、一键识别、人工核验、报告生成与下载功能。

76、所述数据采集端包括:

77、可见光相机,用于采集光伏板表面图像,其分辨率不低于2000万像素,支持2倍光学变焦;

78、红外热成像相机,用于采集光伏板温度分布图像,分辨率不低于640×512像素,测温范围-20℃~150℃,精度±2℃;

79、高精度rtk-gps模块,用于记录每张图像的经纬度坐标,定位精度厘米级;

80、机载边缘计算单元,实现实时图像预处理与图传,基于nvidia jetson系列模块。

81、与现有技术相比,本发明能达到的有益效果是:

82、1、本发明在数据层面构建“图像-标注”对齐机制,在特征层面通过yolox解耦检测头分别提取可见光与红外图像的高维语义特征,在决策层面通过置信度融合策略综合判断缺陷类型与位置。

83、2、yolox的anchor-free机制结合多尺度特征金字塔结构,能够有效捕捉小目标特征;同时通过mosaic数据增强模拟不同尺度下的缺陷表现形式,提升模型对小目标的响应能力。

84、3、本发明在训练阶段引入hsv颜色抖动、随机平移、随机缩放等增强策略,并在部署阶段结合无人机仿地飞行与正射采集,保证输入图像质量一致性,提升模型在复杂环境下的鲁棒性。

85、4、本发明为解决光伏场站组件缺陷巡检效率低、精度差、成本高等问题,针对现有技术应用局限性、技术综合性的不足,提出了一种基于可见光和红外热成像图像数据的智能巡检与定位方法,并开发实现了数据导入、一键智能识别、人工缺陷核验、精准定位和报告生成功能的软件系统。

86、即本发明通过训练神经网络模型,使其能够识别光伏板的各种缺陷,包括遮挡、线路问题、自身缺陷(如隐裂/损坏)以及缺失等。与传统图像处理方法相比,深度学习算法能够更好地捕捉图像中的复杂特征,从而提高缺陷识别的准确率。同时,融合了可见光图像和红外热成像数据,从而更全面地分析光伏板的状态。可见光图像可以提供光伏板的表面信息,而红外热成像图像可以提供光伏板的热分布信息,两者结合可以更准确地识别缺陷类型和位置。不仅能够识别光伏板缺陷,还能够精确定位缺陷位置,并提供缺陷识别报告。报告包含缺陷类型、缺陷位置、识别精度等信息,方便运维人员进行缺陷修复和管理。采用图形化界面设计,操作简单直观,易于用户使用。系统提供一键导入数据、一键识别、人工核验、查看报告等功能,方便用户进行操作。