一种基于多层特征的光伏板高阶纹理定位和故障检测方法

本发明涉及深度学习、计算机视觉和光伏组件检测领域，具体涉及一种基于多层特征的光伏板高阶纹理定位和故障检测方法。

背景技术：

1、随着科技的快速进步和发电成本的持续下降，全球光伏行业的产业规模也不断扩大。光伏发电在全球电力供应中的份额逐年提升，作为一种清洁能源，它受到了全球的广泛关注和应用。然而，大规模部署的太阳能板在使用中可能会出现坏点、坏块和坏板等缺陷，这不仅影响单块电池板的发电效率，还可能对周围电池板的健康状态造成影响。传统的维护方法通常需要工作人员进行现场检查，这种方法不仅耗时、耗力，还可能带来安全隐患。因此，利用图像处理技术自动、高效、准确地检测红外图像中的太阳能板缺陷变得尤为重要。

2、图像处理技术包括传统方法和深度学习方法。传统方法常常结合空间域和频率域进行缺陷检测，而深度学习的方法则采用图像分割和目标检测。尽管这些方法各有利弊，但是深度学习在此类问题上表现出更大的潜力，特别是在识别微小裂缝方面。它依靠训练大量的数据样进行工作，并能够解决各种复杂问题。然而，现有的一些方法(例如专利公开号为“cn116051534a”和“cn113538503a”)大多仅关注缺陷检测，却忽略了定位缺陷所在太阳能板的具体位置的重要性。在大规模的光伏电站中，仅仅识别缺陷是远远不够的，还需要知道哪块板上存在缺陷，以方便维修人员进行及时的更换或维护。考虑到光伏系统通常部署在广阔的地域中，工作人员不能轻易地访问每一个面板，因此我们迫切需要一个准确且可靠的基于多层特征的光伏板高阶纹理定位和故障检测的方法，以方便相关工作人员的操作。

技术实现思路

1、本发明的目的是提供一种基于多层特征的光伏板高阶纹理定位和故障检测，能够准确地检测无人机红外图像中太阳能板中不同类型的缺陷并对缺陷的具体位置进行识别，以方便检察人员及时处理。

2、本发明目的是提供一种基于多层特征的光伏板高阶纹理定位和故障检测

3、本发明采用了以下技术方案：本发明能够将光伏太阳能板故障进行缺陷分类、分级评价、并给出智能报告专业建业

4、为解决上述技术问题，本发明采用了以下技术方案：

5、一种基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，包括以下步骤：

6、r1：利用无人机拍摄红外图片，采用小波变换的方法对红外图片进行预处理，以去除噪声；

7、r2：通过灰度量化技术对预处理后的图像进行关键特征提取；

8、r3：将提取后的多种特征输入到深度学习模型中以测量缺陷类别的支持度；

9、r4：根据缺陷类别的支持度值，利用高阶纹理定位技术来进一步定位缺陷。

10、其中，步骤r1具体为：

11、r1-1、按层递进式分解原红外图像，使用低通和高通滤波对图像进行过滤,分别得到低频和高频子图，对低频子图进行下采样，实现第一层分解，对第一层低频子图重复进行滤波和下采样，实现二三四层等继续分解；

12、r1-2、对每个层级的高频子图进行阈值滤波处理，统计并设置每个尺度的阈值t，对高频子图像素值做阈值处理|υ|<t则置0,其他置原值；

13、r1-3、按照分解顺序逐级重构，从最后一层低频子图开始上采样还原采样点，对应添加回去第一个高频子图，进行重构滤波，逐级将更高频率的子图加入重构；

14、r1-4、反复迭代优化重构效果，重复上述重构过程多次迭代优化阈值和效果，每次重构后与原图做误差计算来调整阈值；

15、r1-5、彻底迭代后输出最后的重构后的红外预处理图片。

16、其中，步骤r2具体为：

17、r2-1、对预处理后的图像应用索贝尔边缘检测算法检测图像边缘，根据检测到的边缘，来提取面板纹理特征；

18、r2-2、将边缘检测后的图像转换为二值图像，并对二值图像进行形态学操作，然后根据形态学的结果，从输入的灰度图像中移除面板纹理；

19、r2-3、对减去纹理后的图像进行灰度量化分割，根据灰度值将图像分割成不同区域；

20、r2-4、从得到的分割图像中提取不同特征，包括从二值化图像中提取纹理特征，计算面板特征区域和缺陷区域的平均灰度，并计算两者之间的编译来获取平均灰度变异特征，计算纹理直方图的平均值来获取对比变异特征。

21、其中，步骤r3具体为：

22、r3-1、将r2中提取到的多种特征输入到多层神经网络中；

23、r3-2、神经元计算四种不同的缺陷类别支持度值，包括光斑缺陷类支持度、裂纹缺陷类支持度、腐蚀缺陷类支持度和沉积缺陷类支持度，光斑缺陷类支持度表示纹理分类为光斑缺陷的能力，它基于灰度均值-方差来测量，该值是对给定输入图像的测量，裂缝缺陷类支持度表示图像对裂缝类的支持，初始步骤是将纹理映射到位置地图上，根据地图位置，对每个纹理像素计算距离，从中确定最大距离，并计算平均最大距离，然后使用平均最大距离来计算裂缝缺陷类支持度，腐蚀缺陷分类支持表示图像适合被分类为腐蚀缺陷，基于较低强度的灰色像素的变化来测量，首先选择强度较低的像素，并测量它们之间的变化，然后依据这些测量的变化来计算，沉积缺陷分类支持这个度量表示光伏红外图像被分类为尘埃颗粒的沉积，基于提取的纹理区域的对比特征来测量，首先测量面板的平均对比度和被考虑的纹理的平均对比度，使用这些值来计算；

24、r3-3、根据模型，选择具有最大权重的缺陷类别作为输出，包括光斑缺陷类、裂纹缺陷类、腐蚀缺陷类和沉积缺陷类。

25、其中，步骤r4具体为：

26、r4-1、读取纹理集合和要测试的图像，并创建一个空的权重集合ws和一个空的最大权重集合ms，分别用来存储每个纹理的权重和具有最大权重的纹理；

27、r4-2、对每个纹理计算权重，对于纹理集合中的每一个纹理，我们要确定它的权重，并选择其最大的权重，将最大的权重添加到ms集合中

28、r4-3、完成上述循环后，从ms集合中选择具有最大权重的纹理

29、r4-4、使用选择的纹理，在原始测试图像中进行标记，产生一个新的图像，最终得到纹理在图像中的具体位置。

30、上述技术方案中提供的基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，与现有技术相比，具有以下有益效果：

31、1、使用无人机进行远程拍摄光伏电站来获取太阳能红外图像，降低了成本，提高了效率，适用于大型光伏电站使用。

32、2、采用多层次多变量深度学习网络，不仅能够有效提高缺陷的识别精度，而且能够准确地识别缺陷的类别。

33、3、采用高阶纹理定位技术，能够精确识别存在故障的太阳能板，方便工作人员进行维护。

技术特征：

1.一种基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，其特征在于，步骤r1具体为：

3.根据权利要求1所述的基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，其特征在于，步骤r2具体为：

4.根据权利要求1所述的基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，其特征在于，步骤r3具体为：

5.根据权利要求1所述的基于深度学习的光伏电站太阳能板红外缺陷检测和定位方法，其特征在于，步骤r4具体为：

技术总结
本发明涉及一种基于多层特征的光伏板高阶纹理定位和故障检测方法。不同于传统的、稳定性较差的人工检测方法，该方法能够准确地检测和定位由于天气因素、物理损坏等原因导致的太阳能板故障，进而指导电站运维人员对缺陷面板采取适当的手段进行修复。所述方法包括如下步骤：使用小波变换算法对光伏太阳能板的红外图像进行预处理；通过灰度量化技术对预处理后的图像进行关键特征提取，将提取的特征送入一个多层次、多变量的深度学习模型，其中每一层对应不同类别的神经元，这些神经元专门设计用于测量缺陷类别的支持度，基于所得到的支持度值，利用高阶纹理定位技术来进一步定位缺陷。

技术研发人员：林钦泳,张金超,曾伟良
受保护的技术使用者：广东工业大学
技术研发日：
技术公布日：2024/4/29