飞鸟轨迹预测方法、驱鸟方法、设备、系统及存储介质技术方案

本发明专利技术公开了一种飞鸟轨迹预测方法、驱鸟方法、设备、系统及存储介质，属于电站驱鸟技术领域，飞鸟轨迹预测方法为：获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列；将第一监控图像帧序列输入飞鸟轨迹预测模型，预测得到未来第二预设时长的第二监控图像帧序列；通过鸟识别模型检测第二监控图像帧序列中的飞鸟坐标位置，得到飞鸟在未来预设时长的运动轨迹。驱鸟方法为：根据运动轨迹调整驱鸟装置执行驱鸟动作，从而在飞鸟的飞行过程中对飞鸟进行驱赶。本发明专利技术能在光伏电站中高效地驱散飞鸟，尽可能地在飞鸟的飞行过程中将其驱赶以避免飞鸟落在光伏组件上。避免飞鸟落在光伏组件上。避免飞鸟落在光伏组件上。

【技术实现步骤摘要】
飞鸟轨迹预测方法、驱鸟方法、设备、系统及存储介质


[0001]本专利技术涉及电站驱鸟领域，尤其涉及一种飞鸟轨迹预测方法、驱鸟方法、设备、系统及存储介质。

技术介绍

[0002]目前，在太阳能光伏发电站的运作过程中，鸟类在飞行后会落在光伏板四周边缘进行休息，但是当光伏板周围鸟类聚集过多时会对照射到光伏板上的阳光进行遮挡从而影响光伏板的正常工作效率，以及当鸟类从光伏板上飞走时会在光伏板上留下大量的鸟粪，长时间在光伏板上堆积会对光伏板造成腐蚀以及对照射到光伏板上的阳光进行遮挡从而影响光伏板的正常工作。光伏电站运营过程中，最主要的工作便是对光伏组件进行清洗和维护，光伏组件的清洁程度对光伏电站的发电量的影响很大。因此，各个光伏发电企业常常需要支出较大的费用用于光伏组件维护。在电站维护过程中发现，鸟类的停留及其排泄物对光伏组件的正常发电影响很大，大面积的光伏阵列吸引了很多鸟类长时间在阵列组件面上停留，并因此留下了大量排泄物。鸟类排泄物的堆积，会使光伏组件产生局部阴影，受阴影遮挡的电池单片的电流、电压发生了变化，这些电池片上会产生局部温升，这种现象叫"热斑效应"。鸟类排泄物不仅腐蚀性大，黏性也很大，一般清洁剂和清洗机器人清洗不掉，不同于灰尘，这些排泄物也很难被风吹走或被雨水冲刷掉。因此，将较大地增加组件清洗的频率和难度,从而增加了运维人员的工作负担。
[0003]因此，如何在光伏电站中有效地驱赶飞鸟是一个非常重要的问题，只有最大限度地减少飞鸟在光伏组件上的停留时间，避免飞鸟落在光伏组件上，才能降低鸟粪在光伏组件上的堆积，以便于运维人员能够在电站现场更加高效地对组件进行维护处理，该问题是本领域技术人员亟待解决的技术问题。

技术实现思路

[0004]本专利技术的主要目的在于提供一种飞鸟轨迹预测方法，旨在解决在光伏电站中如何高效地驱散飞鸟，尽可能地在飞鸟的飞行过程中将其驱赶以避免飞鸟落在光伏组件上的技术问题。
[0005]为实现上述目的，本专利技术提供一种飞鸟轨迹预测方法，所述飞鸟轨迹预测方法包括：
[0006]获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列；
[0007]将所述第一监控图像帧序列输入飞鸟轨迹预测模型，预测得到未来第二预设时长的第二监控图像帧序列；
[0008]通过鸟识别模型检测所述第二监控图像帧序列中的飞鸟坐标位置，得到飞鸟在未来所述第二预设时长的运动轨迹。
[0009]可选地，在所述获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列的步骤之前，还包括：
[0010]获取实时监控图像帧序列，通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟；
[0011]若出现飞鸟，则执行所述获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列的步骤。
[0012]可选地，在所述通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟的步骤之后，还包括：
[0013]若未出现飞鸟，则执行所述获取实时监控图像帧序列的步骤。
[0014]可选地，在所述通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟的步骤之前，还包括：
[0015]基于yolov5网络模型训练得到所述鸟识别模型。
[0016]可选地，在所述将所述第一监控图像帧序列输入飞鸟轨迹预测模型的步骤之前，还包括：
[0017]构建ST
‑
LSTM网络模型，基于所述ST
‑
LSTM网络模型训练得到所述飞鸟轨迹预测模型。
[0018]可选地，所述ST
‑
LSTM网络模型的网络结构包括编码结构和解码结构，所述构建ST
‑
LSTM网络模型的步骤，包括：
[0019]从空间堆叠序列结构中提取垂直方向的状态值，在垂直方向传递所述状态值；
[0020]在所述编码结构和所述解码结构之间增加所述状态值的传递操作；
[0021]通过所述传递操作将所述编码结构最后一层的状态值和输出值传递到所述解码结构的第一层，连接得到所述ST
‑
LSTM网络模型。
[0022]可选地，所述基于所述ST
‑
LSTM网络模型训练得到所述飞鸟轨迹预测模型的步骤，包括：
[0023]将所述第一监控图像帧序列按照时间先后顺序排列，作为训练输入数据对所述ST
‑
LSTM网络模型进行训练；
[0024]将所述第二监控图像帧序列按照时间先后顺序与实际未来所述第二预设时长的第三监控图像帧序列进行对比计算；
[0025]基于对比计算得到的误差调整所述ST
‑
LSTM网络模型的参数，得到所述飞鸟轨迹预测模型。
[0026]此外，为实现上述目的，本专利技术还提供一种驱鸟方法，所述驱鸟方法应用于上述的运动轨迹，包括以下步骤：
[0027]根据所述运动轨迹调整驱鸟装置执行驱鸟动作，从而在飞鸟的飞行过程中对飞鸟进行驱赶。
[0028]可选地，所述驱鸟方法还包括：
[0029]当所述驱鸟装置为视频激光驱鸟装置时，调整所述视频激光驱鸟装置中的激光发射器角度，使所述激光发射器发射激光并反复扫射所述运动轨迹中的最后一个轨迹点，从而在飞鸟的飞行过程中将其驱赶。
[0030]此外，为实现上述目的，本专利技术还提供一种飞鸟轨迹预测设备，其特征在于，所述飞鸟轨迹预测设备包括：存储器、处理器、存储在所述存储器上并可在所述处理器上运行的飞鸟轨迹预测程序，所述飞鸟轨迹预测程序配置为实现上述的飞鸟轨迹预测方法的步骤。
[0031]此外，为实现上述目的，本专利技术还提供一种驱鸟系统，所述驱鸟系统包括上述的飞鸟轨迹预测设备和上述的驱鸟装置，所述驱鸟装置包括实时采集监控区域内视频图像的摄像头和可执行驱鸟动作的结构。
[0032]可选地，所述驱鸟装置为视频激光驱鸟装置。
[0033]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的飞鸟轨迹预测方法和/或驱鸟方法的步骤。
[0034]本专利技术实施例提出一种飞鸟轨迹预测方法、驱鸟方法、飞鸟轨迹预测设备、驱鸟系统及计算机可读存储介质，获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列；将所述第一监控图像帧序列输入飞鸟轨迹预测模型，预测得到未来第二预设时长的第二监控图像帧序列；通过鸟识别模型检测所述第二监控图像帧序列中的飞鸟坐标位置，得到飞鸟在未来所述第二预设时长的运动轨迹。
[0035]当检测到摄像头实时采集的监控区域内的视频图像中出现飞鸟时，存储连续第一预设时长内的第一监控图像帧序列。将第一监控图像帧序列输入到飞鸟轨迹预测模型，该预测模型将作出预测，并输出预测的未来第二预设时长内的第二监控图像帧序列。利用鸟识别模型检测第二监控图像帧序列中的飞鸟坐标位置，从而得到飞鸟在未来第二预设时长内的运动轨迹。
[0036]再根据得到的飞鸟在未来第二预设时长内的运动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞鸟轨迹预测方法，其特征在于，所述飞鸟轨迹预测方法包括以下步骤：获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列；将所述第一监控图像帧序列输入飞鸟轨迹预测模型，预测得到未来第二预设时长的第二监控图像帧序列；通过鸟识别模型检测所述第二监控图像帧序列中的飞鸟坐标位置，得到飞鸟在未来所述第二预设时长的运动轨迹。2.如权利要求1所述的飞鸟轨迹预测方法，其特征在于，在所述获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列的步骤之前，还包括：获取实时监控图像帧序列，通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟；若出现飞鸟，则执行所述获取飞鸟出现时刻之前第一预设时长内的第一监控图像帧序列的步骤。3.如权利要求2所述的飞鸟轨迹预测方法，其特征在于，在所述通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟的步骤之后，还包括：若未出现飞鸟，则执行所述获取实时监控图像帧序列的步骤。4.如权利要求2所述的飞鸟轨迹预测方法，其特征在于，在所述通过所述鸟识别模型检测所述实时监控图像帧序列是否出现飞鸟的步骤之前，还包括：基于yolov5网络模型训练得到所述鸟识别模型。5.如权利要求1所述的飞鸟轨迹预测方法，其特征在于，在所述将所述第一监控图像帧序列输入飞鸟轨迹预测模型的步骤之前，还包括：构建ST
‑
LSTM网络模型，基于所述ST
‑
LSTM网络模型训练得到所述飞鸟轨迹预测模型。6.如权利要求5所述的飞鸟轨迹预测方法，其特征在于，所述ST
‑
LSTM网络模型的网络结构包括编码结构和解码结构，所述构建ST
‑
LSTM网络模型的步骤，包括：从空间堆叠序列结构中提取垂直方向的状态值，在垂直方向传递所述状态值；在所述编码结构和所述解码结构之间增加所述状态值的传递操作；通过所述传递操作将所述编码结构最后一层的状态值和输出值传递到所述解码结构的第一层，连接得...

【专利技术属性】
技术研发人员：唐红强，
申请(专利权)人：阳光电源股份有限公司，
类型：发明
国别省市：