【技术实现步骤摘要】
基于人工智能的光伏电池板隐裂检测方法及系统
本专利技术涉及人工智能
，具体涉及一种基于人工智能的光伏电池板隐裂检测方法及系统。
技术介绍
光伏电池板产生蜗牛纹是多个因素共同作用下的综合结果，但主要原因是电池隐裂造成的。隐裂是电池片的缺陷。由于晶体结构的自身特性，晶硅电池片十分容易发生破裂。晶体硅组件生产的工艺流程长，许多环节都可能造成电池片隐裂，一般轻微隐裂不会导致电池和组件输出功率下降，但随着隐裂程度的加剧和时间的推移，隐裂对组件衰减的作用会逐渐显现，严重隐裂会导致电池和组件输出功率下降，甚至会引起热斑，直至烧毁组件。目前，在光伏电池板隐裂的检测方面，大多通过人工使用EL检测仪检测，虽然能够准确的检测出电池板的数量，但费时费力，而且在每次定时检查时，都要重复花费相同的时间和精力。
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光伏电池板隐裂检测方法及系统，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光伏电池板隐裂检测方法，
【技术保护点】
1.基于人工智能的光伏电池板隐裂检测方法，其特征在于，包括以下步骤：/n采集电池板完整表面纹理图像信息，得到电池板图像，所述电池板图像包括栅线的特征信息和蜗牛纹的特征信息；/n根据栅线方向切分所述电池板图像，得到多个尺寸等同的子图像，根据栅线垂直方向切分所述子图像，得到多个尺寸等同的子图像单元；/n将每个所述子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩；/n将所述蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S
【技术特征摘要】
1.基于人工智能的光伏电池板隐裂检测方法，其特征在于，包括以下步骤：
采集电池板完整表面纹理图像信息，得到电池板图像，所述电池板图像包括栅线的特征信息和蜗牛纹的特征信息；
根据栅线方向切分所述电池板图像，得到多个尺寸等同的子图像，根据栅线垂直方向切分所述子图像，得到多个尺寸等同的子图像单元；
将每个所述子图像单元经过深度神经网络，输出蜗牛纹的语义区域遮罩；
将所述蜗牛纹的语义区域遮罩经过图像处理，分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩，根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S11，根据带状蜗牛纹遮罩获取带状蜗牛纹的面积S12；
获取电池板隐裂数量N的映射模型：
其中，A为所述电池板的面积；Tp表示温度对所述隐裂数量的影响程度，Hp表示湿度对所述隐裂数量的影响程度；α为第一调整系数，β为第二调整系数。
2.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法，其特征在于，所述的深度神经网络包括邻域特征提取网络、栅线判别网络和语义分割网络，所述根据所述子图像单元输出所述蜗牛纹的语义区域遮罩包括以下步骤：
将所述子图像单元经过所述邻域特征提取网络，输出每个所述子图像单元的特征信息，所述特征信息包括空域特征信息和邻域特征信息；
将所述特征信息经过栅线判别网络，判断对应所述子图像单元是否存在栅线；
在所述子图像单元存在栅线时，将所述特征信息经过语义分割网络，得到所述子图像中栅线断裂区域的遮罩；
将所有所述子图像单元的所述栅线断裂区域的遮罩拼接后，获得所述电池板的蜗牛纹的语义区域遮罩。
3.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法，其特征在于，所述的图像处理包括以下步骤：
将所述蜗牛纹的语义区域遮罩进行多次高斯下采样后，进行数学形态学处理去除掉带状蜗牛纹，获得第一遮罩图像；
将所述第一遮罩图像进行与所述高斯下采样相同次数的高斯上采样后，进行数学形态学处理去除噪声，获得面状蜗牛纹遮罩；
将所述面状蜗牛纹遮罩进行反相处理后与所述蜗牛纹的语义区域遮罩获取交集，获得交集图像；
将所述交集图像经过数学形态学处理去除噪声，获得带状蜗牛纹遮罩，所述带状蜗牛纹遮罩为包含带状蜗牛纹遮罩信息的图像。
4.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法，其特征在于，所述的第一调整系数和第二调整系数是根据多组所述带状蜗牛纹的面积、所述面状蜗牛纹的面积与实际电池板隐裂数量拟合得出；所述实际电池板隐裂数量为电池板实际存在的隐裂数量。
5.基于人工智能的光伏电池板隐裂检测系统，其特征在于，包括：
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。