一种基于机器学习的太阳能电池板故障分析方法和装置与流程

1.本技术涉及到光伏领域，具体而言，涉及一种基于机器学习的太阳能电池板故障分析方法和装置。


背景技术：

2.太阳能电池板一般会在人迹罕至的地理区域内大量的安装，比如在山坡或者沙漠等地区。
3.太阳能电池板有可能会发生故障，该故障有时可以从发电量的变化来确定，某种情况下还可以通过太阳能电池板的表面图像来确定。
4.在现有技术中，一般会依靠人工巡查的方式来确定太阳能电池板的表面是否存在影响发电情况，这种巡查方式需要大量的人力，效率较低。


技术实现要素：

5.本技术实施例提供了一种基于机器学习的太阳能电池板故障分析方法和装置，以至少解决现有技术中需要人工巡查太阳能电池板表面是否出现影响发电效率较低的问题。
6.根据本技术的一个方面，提供了一种基于机器学习的太阳能电池板故障分析方法，包括：获取无人机飞行的路径以及在所述无人机飞行过程中拍摄的多张图像；根据所述飞行的路径获取所述多张图像中的每张图像拍摄的位置信息；对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板；对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障；在出现故障的情况下，发送告警信息，其中，所述告警信息中包括出现故障的太阳能电池板的图像以及位置。
7.进一步地，对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板包括：将所述每张图像输入到预先训练好的第一机器学习模型中；获取被所述第一机器学习模型识别并输出的该图像中的每块太阳能电池板。
8.进一步地，所述第一机器学习模型是根据多组第一训练数据训练得到的，所述多组第一训练数据中的每组第一训练数据均包括：输入数据和输出数据，输入数据是包括太阳能电池板的图像，输出数据是从所述输入数据中提取到的每块太阳能电池板。
9.进一步地，对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障包括：将所述每块太阳能电池板对应的图像输入到预先训练好的第二机器学习模型中；获取所述第二机器学习模型输出的该块太阳能电池板对应的图像是否出现故障的结果信息。
10.进一步地，所述第二机器学习模型是根据多组第二训练数据训练得到的，所述多组第二训练数据中的每组第二训练数据均包括：输入数据和输出数据，输入数据为每块太阳能电池板的图像，输出数据用于标识该块太阳能电池板图像中的太阳能电池板是否出现故障的标签。
11.根据本技术的另一个方面，还提供了一种基于机器学习的太阳能电池板故障分析
装置，包括：第一获取模块，用于获取无人机飞行的路径以及在所述无人机飞行过程中拍摄的多张图像；第二获取模块，用于根据所述飞行的路径获取所述多张图像中的每张图像拍摄的位置信息；识别模块，用于对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板；确定模块，用于对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障；发送模块，用于在出现故障的情况下，发送告警信息，其中，所述告警信息中包括出现故障的太阳能电池板的图像以及位置。
12.进一步地，所述识别模块用于：将所述每张图像输入到预先训练好的第一机器学习模型中；获取被所述第一机器学习模型识别并输出的该图像中的每块太阳能电池板。
13.进一步地，所述第一机器学习模型是根据多组第一训练数据训练得到的，所述多组第一训练数据中的每组第一训练数据均包括：输入数据和输出数据，输入数据是包括太阳能电池板的图像，输出数据是从所述输入数据中提取到的每块太阳能电池板和每块太阳能电池板的布局。
14.进一步地，所述确定模块用于：将所述每块太阳能电池板对应的图像输入到预先训练好的第二机器学习模型中；获取所述第二机器学习模型输出的该块太阳能电池板对应的图像是否出现故障的结果信息。
15.进一步地，所述第二机器学习模型是根据多组第二训练数据训练得到的，所述多组第二训练数据中的每组第二训练数据均包括：输入数据和输出数据，输入数据每块太阳能电池板的图像，输出数据用于标识该块太阳能电池板图像中的太阳能电池板是否出现故障的标签。
16.在本技术实施例中，采用了获取无人机飞行的路径以及在所述无人机飞行过程中拍摄的多张图像；根据所述飞行的路径获取所述多张图像中的每张图像拍摄的位置信息；对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板；对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障；在出现故障的情况下，发送告警信息，其中，所述告警信息中包括出现故障的太阳能电池板的图像以及位置。通过本技术解决了现有技术中需要人工巡查太阳能电池板表面是否出现影响发电效率较低的问题，从而提高了巡查效率，能够及时迅速定位被影响的太阳能电池板。
附图说明
17.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例的基于机器学习的太阳能电池板故障分析方法的流程图。
具体实施方式
19.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
20.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
21.在本实施例中，提供了一种基于机器学习的太阳能电池板故障分析方法，图1是根据本技术实施例的基于机器学习的太阳能电池板故障分析方法的流程图，如图1所示，该方法包括以下步骤：
22.步骤s102，获取无人机飞行的路径以及在所述无人机飞行过程中拍摄的多张图像；
23.步骤s104，根据所述飞行的路径获取所述多张图像中的每张图像拍摄的位置信息；
24.步骤s106，对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板；
25.步骤s108，对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障；
26.步骤s110，在出现故障的情况下，发送告警信息，其中，所述告警信息中包括出现故障的太阳能电池板的图像以及位置。
27.通过本实施例，解决了现有技术中需要人工巡查太阳能电池板表面是否出现影响发电效率较低的问题，从而提高了巡查效率，能够及时迅速定位被影响的太阳能电池板。
28.可选地，在步骤s102之前，无人机可以搭载可见光、红外双光镜头，沿光伏区飞行航拍，这样，可以获取原始红外照片和原始可见光照片。例如，100兆瓦拍摄7000余张照片。
29.优选地，在步骤s106中，对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板包括：将所述每张图像输入到预先训练好的第一机器学习模型中；获取被所述第一机器学习模型识别并输出的该图像中的每块太阳能电池板。
30.作为一种可选的实施方式，所述第一机器学习模型是根据多组第一训练数据训练得到的，所述多组第一训练数据中的每组第一训练数据均包括：输入数据和输出数据，输入数据是包括太阳能电池板的图像，输出数据是从所述输入数据中提取到的每块太阳能电池板。
31.优选地，在步骤s108中，对每块太阳能电池板对应的图像进行识别确定该块太阳能电池板是否出现故障包括：将所述每块太阳能电池板对应的图像输入到预先训练好的第二机器学习模型中；获取所述第二机器学习模型输出的该块太阳能电池板对应的图像是否出现故障的结果信息。
32.作为一种可选的实施方式，所述第二机器学习模型是根据多组第二训练数据训练得到的，所述多组第二训练数据中的每组第二训练数据均包括：输入数据和输出数据，输入数据为每块太阳能电池板的图像，输出数据用于标识该块太阳能电池板图像中的太阳能电池板是否出现故障的标签。这样，通过ai机器学习实现了自动识别故障。
33.第二机器学习模型可以为两个，这两个第二机器学习模型为了区分，分别称为第二机器学习模型a和第二机器学习模型b，其中所述第二机器学习模型a是用普通照片训练得到的，所述第二机器学习模型b是使用红外照片训练得到的。将太阳能电池板的普通照片和红外照片分别输入到第二机器学习模型a和第二机器学习模型b中，通过两个第二机器学习模型获取输出是否发生故障，如果第二机器学习模型a和第二机器学习模型b输出的结果相同，根据输出结果确定是否发生故障。
34.可选地，所述第一机器学习模型和所述第二机器学习模型可以设置为faster r
‑
cnn学习模型。
35.可选地，太阳能电池板的故障可以包括以下至少之一：组件不发电、遮挡、灰尘、背板划伤、低效片、组件内汇流条短路、旁路二极管启动。
36.在对第二机器学习模型进行训练的时候，还可以在训练数据中增加不同故障类型对应的不同的太阳能电池板的图片，这样训练后该机器模型可以输出故障类型。判断第二机器学习模型a和第二机器学习模型b输出的故障类型是否相同，如果相同，则确定发生了该故障类型的故障。
37.如果所述第二机器学习模型a和所述第二机器学习模型b输出的故障类型不同，则获取该太阳能电池板当前的工作参数，根据所述工作参数判断是否出现所述第二机器学习模型a输出的故障或者是否出现所述第二机器学习模型b输出的故障。如果根据工作参数判断出现的故障是所述第二机器学习模型a或者第二机器学习模型b输出的故障，则将该工作参数判断出的故障作为所述第二机器学习模型判断出的故障。
38.在通过第二机器学习模型判断出现故障之后，还可以获取该太阳能电池板的发电曲线，根据所述发电曲线确定是否发生故障，如果根据发电曲线判断未发生故障，或者发生的故障类型与第二机器学习模型判断出的类型不同，则将第二机器学习模型判断出的结果以及根据发电曲线判断出的结果发送给预先配置的联系方式。如果根据发电曲线进行判断得到的判断结果与所述第二机器学习模型的判断结果相同，则确定所述太阳能电池板发生了判断出的故障。
39.可选地，在步骤s110中，在出现故障的情况下，可以生成故障报告，其中，所述故障报告包括出现故障的太阳能电池板的图像以及位置。
40.在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
41.上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
42.这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
43.该本实施例中就提供了这样的一种装置或系统。该装置称为一种基于机器学习的太阳能电池板故障分析装置，包括：第一获取模块，用于获取无人机飞行的路径以及在所述无人机飞行过程中拍摄的多张图像；第二获取模块，用于根据所述飞行的路径获取所述多张图像中的每张图像拍摄的位置信息；识别模块，用于对所述每张图像进行识别，识别出所述图像中的每块太阳能电池板；确定模块，用于对每块太阳能电池板对应的图像进行识别
确定该块太阳能电池板是否出现故障；发送模块，用于在出现故障的情况下，发送告警信息，其中，所述告警信息中包括出现故障的太阳能电池板的图像以及位置。
44.可选地，无人机可以搭载可见光、红外双光镜头，沿光伏区飞行航拍，这样，可以获取原始红外照片和原始可见光照片。例如，100兆瓦拍摄7000余张照片。
45.优选地，所述识别模块用于：将所述每张图像输入到预先训练好的第一机器学习模型中；获取被所述第一机器学习模型识别并输出的该图像中的每块太阳能电池板。
46.作为一种可选的实施方式，所述第一机器学习模型是根据多组第一训练数据训练得到的，所述多组第一训练数据中的每组第一训练数据均包括：输入数据和输出数据，输入数据是包括太阳能电池板的图像，输出数据是从所述输入数据中提取到的每块太阳能电池板和每块太阳能电池板的布局。
47.优选地，所述确定模块用于：将所述每块太阳能电池板对应的图像输入到预先训练好的第二机器学习模型中；获取所述第二机器学习模型输出的该块太阳能电池板对应的图像是否出现故障的结果信息。
48.作为一种可选的实施方式，所述第二机器学习模型是根据多组第二训练数据训练得到的，所述多组第二训练数据中的每组第二训练数据均包括：输入数据和输出数据，输入数据每块太阳能电池板的图像，输出数据用于标识该块太阳能电池板图像中的太阳能电池板是否出现故障的标签。这样，通过ai机器学习实现了自动识别故障。
49.可选地，所述第一机器学习模型和所述第二机器学习模型可以设置为faster r
‑
cnn学习模型。
50.可选地，太阳能电池板的故障可以包括以下至少之一：组件不发电、遮挡、灰尘、背板划伤、低效片、组件内汇流条短路、旁路二极管启动。
51.可选地，在步骤s110中，在出现故障的情况下，可以生成故障报告，其中，所述故障报告包括出现故障的太阳能电池板的图像以及位置。
52.该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
53.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。