【技术实现步骤摘要】
基于人工智能的线性扫描相机抖动程度检测方法及系统
本专利技术涉及人工智能领域，具体涉及一种基于人工智能的线性扫描相机抖动程度检测方法及系统。
技术介绍
随着光伏能源的兴起，光伏电站的建设规模越来越大，由于光伏电站安装大多在高原或者沙漠等光照强度高的荒芜地带，需要在电站上方安装轨道线扫描相机或机器人载的线扫描相机对电池板表面情况进行信息采集，便于日常维护。但是由于环境的影响、机械结构的故障或腐蚀会导致线扫描相机运动过程中出现抖动现象，该现象会使得其采集到的图像纹理发生形变，焊带发生弯曲，严重时会影响光伏电池表面纹理的分析检测结果。而目前，针对光伏电站中线性扫描相机的抖动情况和程度的检测，没有系统的检测和判定方法。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的线性扫描相机抖动程度检测方法及系统，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于人工智能的线性扫描相机抖动程度检测方法，包括以下步骤：采集整排光伏设备的图像数据，所述图像数据包括...
【技术保护点】
1.基于人工智能的线性扫描相机抖动程度检测方法，其特征在于，包括以下步骤：/n采集整排光伏设备的图像数据，所述图像数据包括参考图像和焊带图像，所述参考图像为包含未弯曲焊带的图像，所述焊带图像为实时采集的图像；/n利用深度神经网络对所述图像数据进行特征提取后，输出每个子图像的弯曲程度和弯曲方向，所述子图像为所述参考图像和所述焊带图像的特征图经过融合后划分得到；/n根据弯曲程度序列获取弯曲程度的变化程度a，根据弯曲方向序列获取弯曲方向的变化程度b，所述弯曲程度序列由每个所述子图像弯曲程度组成，所述弯曲方向序列由每个所述子图像的弯曲方向组成；/n计算相机的抖动程度L：/n
【技术特征摘要】
1.基于人工智能的线性扫描相机抖动程度检测方法，其特征在于，包括以下步骤：
采集整排光伏设备的图像数据，所述图像数据包括参考图像和焊带图像，所述参考图像为包含未弯曲焊带的图像，所述焊带图像为实时采集的图像；
利用深度神经网络对所述图像数据进行特征提取后，输出每个子图像的弯曲程度和弯曲方向，所述子图像为所述参考图像和所述焊带图像的特征图经过融合后划分得到；
根据弯曲程度序列获取弯曲程度的变化程度a，根据弯曲方向序列获取弯曲方向的变化程度b，所述弯曲程度序列由每个所述子图像弯曲程度组成，所述弯曲方向序列由每个所述子图像的弯曲方向组成；
计算相机的抖动程度L：
其中，M为划分的所述子图像的数量；Di为所述弯曲方向序列D中第i个子图的弯曲方向，Oi为所述弯曲程度序列O中第i个子图的弯曲程度；δ为一个超参数，表示所述弯曲方向序列D的均值，表示所述弯曲程度序列O的均值；α表示的是一个衰减系数，与所述弯曲程度的变化程度和所述弯曲方向的变化程度正相关。
2.根据权利要求1所述的基于人工智能的线性扫描相机抖动程度检测方法，其特征在于，所述的深度神经网络包括焊带提取网络、焊带弯曲特征提取网络、焊带弯曲检测网络和焊带弯曲定位网络，其对所述图像数据进行特征提取包括以下步骤：
利用所述焊带分割网络对所述焊带图像采样，获取焊带的特征和焊带的边界框，根据所述的特征和所述边界框获得焊带的裁切图；
将所述参考图像和所述焊带的裁切图经过所述焊带弯曲特征提取网络，分别输出第一特征图和第二特征图，所述第一特征图包含所述参考图像中未弯曲焊带的特征信息，所述第二特征图包含所述焊带的裁切图中焊带的特征信息；
将所述第一特征图和所述第二特征图进行多层特征融合，得到融合特征图；
利用所述焊带弯曲检测网络对所述融合特征图进行全连接层分类，判断所述焊带的裁切图中的焊带是否弯曲；
在所述焊带的裁切图中的焊带出现弯曲时，利用焊带弯曲定位网络将所述融合特征图按照每N列像素划分一块子图像，输出每个子图像的弯曲程度和弯曲方向。
3.根据权利要求1所述的基于人工智能的线性扫描相机抖动程度检测方法，其特征在于，所述的根据所述的弯曲程度序列获取弯曲程度的变化程度包括：
将所述弯曲程度序列用一个长度为m的滑动窗口进行滤波操作；
经过多次滤波后，得到滤波结果的序列；
以所述滤波结果的序列中的最大值作为整条焊带的弯曲程度的变化程度。
4.根据权利要求1所述基于人工智能的线性扫描相机抖动程度检测方法，其特征在于，该方法还包括根据抖动程度进行焊带图像的修正，包括以下步骤：
在所述相机抖动程度大于预设阈值时，筛选每个所述子图像，获取弯曲程度非零的子图像的弯曲程度和弯曲方向；
将所述弯曲程度非零的子图像根据其弯曲程度和弯曲方向进行逆向复原有缺陷的特征，得到焊带原本形状特征。
5.基于人工智能的线性扫描相机抖动程度检...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。