一种光伏组件缺陷检测和直观定位方法与流程

本发明涉及故障巡检，具体涉及一种光伏组件缺陷检测和直观定位方法。

背景技术：

1、光伏电站传统运维方法以人力为主，监控数据为辅。人力运维方案是通过运维人员手持红外热成像设备定期采集全站光伏组件温度数据，根据光伏组件异常温度数据判定组件缺陷。该方案效率低下，人力成本较高，易受电站规模、电站地形等因素影响，巡检周期长，存在一些缺陷无法及时检测的风险。

2、一种新式的光伏电站运维方法采用无人机搭载红外热成像相机进行电站全站巡航。无人机高速、高程作业的方式一定程度上克服了光伏电站规模、地形等因素对运维工作的影响，提高运维效率，降低运维成本。该运维方法首先采用无人机巡检获取光伏电站组件红外和可见光图像，人工或将图像输入神经网络识别出缺陷光伏组件，接着构造坐标转换模型将缺陷组件像素坐标转换为大地坐标得到缺陷所在光伏组件的位置信息，或结合电站巡检日志、光伏组串发电数据辅助判断缺陷组件位置，最后运维人员根据组件位置信息实地修复光伏组件。

3、该新式运维方法只输出缺陷光伏组件大地坐标，无法将定位的缺陷组件和组串编号进行快速关联，运维人员难以直观实地排查缺陷组件。该方法鲁棒性不足，易受无人机巡检时环境扰动导致的定位精度影响，且无人机采集数据的定位信息和运维人员定位设备存在精准度偏差。

4、如中国专利cn114529817a，公开日2022年05月24日，本发明公布了一种基于注意力神经网络的无人机光伏故障诊断及定位方法，缓解了基于深度学习的目标检测算法定位精度不高的问题，并减小航拍图像定位的计算量，大幅提高缺陷定位的实时性，可以实现组件缺陷的高精度实时监测；然而该方法忽略了无人机采集数据的定位和运维人员定位设备存在的定位精度准度偏差，并且输出大地坐标下的缺陷光伏组件位置坐标，运维人员难以直观实地排查缺陷组件。

技术实现思路

1、本发明要解决的技术问题是：现有无人机检测光伏电站缺陷精度不高的技术问题。提出了一种光伏组件缺陷检测和直观定位方法，可以有效识别光伏电站的缺陷位置。

2、为解决上述技术问题，本发明所采取的技术方案为：一种光伏组件缺陷检测和直观定位方法，包括以下步骤：

3、s1：采集图像数据；

4、s2：通过光伏组件缺陷检测算法获取缺陷组件像素坐标；

5、s3：构建图像坐标与大地坐标转换模型，获取缺陷组件大地坐标；

6、s4：利用层级聚类分析算法划分相邻坐标数据簇；

7、s5：拼接图像数据，获得全站二维正射影像图；

8、s6：通过光伏组串语义分割算法标注组串并输出组串位置信息；

9、s7：对缺陷组件进行定位，输出缺陷组件所在组串编号。

10、一种光伏组件缺陷检测和直观定位方法，无人机全站巡检，采集光伏组件图像数据，采集到的光伏组件红外热成像图像数据预处理后输入提前训练完成的光伏组件缺陷检测算法，获得缺陷组件像素点坐标信息，构造图像坐标与大地坐标转换模型，输入缺陷组件像素值坐标信息，输出缺陷组件大地坐标信息，利用层级聚类分析算法划分相邻坐标数据簇去除重复数据和畸变数据，同时，采集的光伏组件可见光图像数据预处理后进行拼接处理，获得全站二维正射影像图，全站可见光二维正射影像图预处理后输入提前训练完成的光伏组串语义分割算法，标注组串并输出组串位置信息，最后，缺陷组件定位至标注组串编号的全站二维正射影像图，输出缺陷组件所在组串编号。

11、作为优选，所述步骤s2包括以下内容：

12、s21：读取图像数据的偏航角，删除偏离航线角度过大的图像；

13、s22：根据光伏电站类型和组件类型及其安装方式，选定光伏组件缺陷检测模型；

14、s23：将图像数据输入训练完成的光伏组件缺陷检测模型，获取光伏组件缺陷检测结果和缺陷组件像素值坐标。根据光伏电站类型、组串组件安装方式和组件类型的不同，所采用的yolov8光伏组件缺陷检测模型也有所不同。

15、作为优选，所述步骤s3根据缺陷组件像素值坐标得到缺陷组件中心点像素值坐标；构建图像坐标和大地坐标转换模型；读取无人机采集红外热成像图像的云台相机俯仰角、横滚角和偏航角计算旋转矩阵；根据红外热成像相机传感器尺寸和分辨率计算单位像素物理尺寸dx，dy；输出缺陷光伏组件中心的大地三维坐标。根据步骤s2输出的缺陷组件像素值坐标，得到缺陷组件中心点像素值坐标，通过像素坐标系、图像坐标系、相机坐标系、机体坐标系和大地坐标系的转换，实现像素坐标和大地三维坐标的转换，最终通过旋转矩阵计算公式计算旋转矩阵，最终输出缺陷光伏组件中心的大地三维坐标。

16、作为优选，所述步骤s3中的缺陷组件中心点像素值坐标如下所示：

17、

18、图像坐标和大地三维坐标的转换公式如下所示:

19、

20、旋转矩阵计算公式如下所示：

21、

22、其中：(xm，ym)为缺陷组件中心点像素值坐标；(x1，y1)和(x2，y2)分别为缺陷组件左上和右下的像素值角点坐标；(xw，yw，zw)为缺陷组件中心点三维大地坐标；dx，dy为单位像素物理尺寸；(u0，v0)为图像中心像素值坐标，即(h/2，x/2),(h，x)为红外图像尺寸；f为相机焦距；分别为大地坐标系至无人机相机坐标系的旋转和平移矩阵。通过上述公式最终计算得到缺陷光伏组件中心的大地三维坐标。

23、作为优选，所述步骤s4根据缺陷类型将s3输出的缺陷光伏组件中心的大地三维坐标分成不同集合；通过单链接聚类法，根据判定条件将同一集合内符合度量标准的单独的簇形成一个新的簇，重复此判定过程直至剩余的簇彼此不满足判定条件；计算每一个新簇的均值坐标，根据巡检重叠率标定重复值m，去除簇内元素少于m的簇。根据判定条件将集合内的单独簇合并形成一个新簇，从而去除重复数据和畸变数据。

24、作为优选，所述步骤s4中的判断条件如下所示：

25、

26、(r，s)＝min(d(r1，r2))＜t

27、其中，(xw1，yw1)，(xw2，yw2)是集合p内任意两个单独的点,r1，r2是簇r,s中相邻距离最近的点，t是标定的相邻坐标界限。l(r，s)＜t为合并簇的判定条件。

28、作为优选，所述步骤s6对全站二维正射影像图进行下采样处理，并将处理后的图像按顺序拆分成统一大小图像；将处理后图像输入unet语义分割网络模型进行推理，得到组串单通道二值图像；将得到的组串单通道二值图像按照拆分顺序拼接，得到全站单通道拼接图像；提取全站单通道拼接图像轮廓，给每一串组串分配id、填充不同颜色并输出组串角点像素值坐标；将处理后的全站单通道拼接图像叠加到原可见光二维正射影像图，得到带有标注组串编号和不同填充颜色的全站二维正射影像图。使用的unet语义分割网络模型需要先进行训练。

29、作为优选，所述步骤s7中读取全站二维正射影像图角点大地坐标和像素尺寸，选用缺陷定位同一套坐标系；将缺陷组件坐标转换为全站二维正射影像图的像素值坐标；根据得到的组串角点像素值坐标框定组串像素值坐标范围，判断并输出缺陷组件像素值坐标位于的组串编号，并将缺陷组件标注至全站二维正射影像图内。结合缺陷组件坐标和组串角点像素值坐标，可以将缺陷组件明确的标注在全站二维正射影像图上，方便工作人员对缺陷位置的定位。

30、本发明的实质性效果是：本发明设计了一种光伏组件缺陷检测和直观定位方法，采用yolov8缺陷检测算法，对不同类型的光伏电站的光伏组件，采用不同的模型，实现多种组件缺陷的精确检测；构造图像像素值坐标和大地坐标转换模型，读取无人机云台相机实时飞行和拍摄参数，实现组件缺陷的精确定位；利用层级聚类分析算法处理缺陷组件坐标，解决了由于无人机高重叠率巡检带来的缺陷组件重复识别定位的问题；剔除坐标点较少的簇，去除由于飞行时机身及环境的扰动导致的缺陷组件定位错误情况，提高本方法的抗干扰性；识别全站二维正射影像图内所有组串并编号，将缺陷组件定位至组串编号并在全站正射影像图内标注，电站运维人员可以更直观的根据图像和组串编号实地排查缺陷情况，避免了无人机采集数据的定位和运维人员定位设备存在的定位精度准度偏差问题。