一种光伏板鸟粪快速检测识别的方法技术

本发明专利技术涉及光伏板检测领域，且公开了一种光伏板鸟粪快速检测识别的方法，其包括以下步骤：步骤一、光伏板分割，通过分割算法对光伏板进行定位，进而对每块光伏板的位置进行分割；步骤二、光伏板校正，分割后的光伏板采用透视变换的方法进行校正；步骤三、光伏板增强去噪；步骤四，鸟粪定位识别，将图像空间从RGB空间转换到HSV空间，按照HSV颜色空间的H、S、V值定位出白色鸟粪的颜色区域。本发明专利技术提出的光伏板鸟粪识别方案是从鸟粪相对固定特征出发在光伏板定位颜色区域，本申请的优点在于快速，与深度学习方法相比，无需大量标注样本进行模型训练以及投入巨大的人工成本，可以对鸟粪进行快速高效的识别定位。速高效的识别定位。速高效的识别定位。

【技术实现步骤摘要】
一种光伏板鸟粪快速检测识别的方法


[0001]本专利技术属于光伏板检测领域，具体为一种光伏板鸟粪快速检测识别的方法。

技术介绍

[0002]在沿海、丘陵地带，鸟类众多，鸟粪积附在光伏板上会形成很厚的一层污垢，大大影响光伏板的发电效应。
[0003]光伏组件的表面的灰尘、鸟粪等形成的遮挡问题一定程度上阻碍了太阳光到达光伏电池的光照强度，由于鸟粪含有大量强酸性物质，会腐蚀太阳能板，导致电能转化效率更加低。故而，光伏板的清洁是必须的。
[0004]而清洁光伏板就需要能够检测到光伏板上是否存在鸟粪，因为，这里提出一种光伏板鸟粪快速检测识别的方法。

技术实现思路

[0005]要解决的技术问题：鸟粪积附在光伏板上会形成很厚的一层污垢，大大影响光伏板的发电效应。
[0006]技术方案：本专利技术提供了一种光伏板鸟粪快速检测识别的方法，所述方法包括以下步骤：步骤一、光伏板分割，通过分割算法对光伏板进行定位，进而对每块光伏板的位置进行分割；步骤二、光伏板校正，分割后的光伏板采用透视变换的方法进行校正；步骤三、光伏板增强去噪，x(i,j)是图像中某点的灰度值，局部区域的定义为以(i,j)为中心，窗口大小为(2n+1)(2n+1)的区域，其中n为一整数，局部的平均值为局部方差为定义f(i,j)表示x(i,j)对应的增强后的像素值，则f(i,j)＝m
x
(i,j)+G(i,j)[x(i,j)
‑
m
x
(i,j)]，其中G(i,j)为上下文背景图像CG，当CG大于1时，高频成分[x(i,j)
‑
m(i,j)]得到增强；步骤四，鸟粪定位识别，将图像空间从RGB空间转换到HSV空间，按照HSV颜色空间的H、S、V值定位出白色鸟粪的颜色区域。
[0007]进一步地，步骤一中分割的光伏板宽度不低于400像素。
[0008]进一步地，步骤二中的透视变化公式如下，
[0009]进一步地，步骤四中的鸟粪颜色区域定位计算具体步骤如下：首先，转换到HSV颜色空间设定颜色的HSV的上下界；其次，找出图片中属于设定颜色的区域；再次，计算各个颜色区域的量化面积；最后，通过颜色最大面积来判别鸟粪位置。
[0010]技术效果：
[0011]本专利技术提出的光伏板鸟粪识别方案是从鸟粪相对固定特征出发在光伏板定位颜
色区域，本申请的优点在于快速，与深度学习方法相比，无需大量标注样本进行模型训练以及投入巨大的人工成本，可以对鸟粪进行快速高效的识别定位，为下一步清洁光伏板给出明确的定位指向，大大提高光伏板清洁效率并降低光伏板运维成本。
附图说明
[0012]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0013]图1为本专利技术的方法流程示意图；
[0014]图2为本专利技术的HSV空间颜色取值范围图。
具体实施方式
[0015]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]本具体实施方式提供的光伏板鸟粪快速检测识别的方法，如图1所示，步骤如下：
[0017]一、光伏板分割，通过分割算法对光伏板进行定位，进而对每块光伏板的位置进行分割，检测分割有最小尺寸要求，即每块待检测的光伏板宽度不低于400像素不完整的不识别，无人机在拍摄光伏板图像时是按照设定的航线进行飞行的，因此拍摄的图像中可能有不完整的光伏板，在后续的识别中只需要在完整的光伏板中进行定位，因为航线之间会考虑拍照的重叠度来保证所有的光伏板不遗漏；
[0018]二、光伏板校正，分割后的光伏板校正采用透视变换的方法，是将图片投影到一个新的视角或平面，变换公式如下：和仿射变换不同的是，透视变换的变换矩阵是一个3x3的矩阵，透视变换的作用域是一个三维坐标系(x,y,z)，而仿射变换则是二维(x,y)平面变换，在无人机拍摄的图片中找到分割后的光伏板四个角的坐标，在最终校正后的鸟瞰图中需要确定的四个点的坐标，因此利用这四个点的对应关系，我们可以构建变换矩阵；
[0019]三、光伏板增强去噪，无人机航拍图像采集和实时传输过程中，有时会受到高斯噪声和脉冲噪声的污染，这必将对图像的识别产生不良影响，需要对航拍图像的噪声类型做分析，进行有效的图像去噪和增强处理，通过对图像局部区域执行响应的直方图变换，对于那些像素值分布比较均匀的图像来说像素很好，然后如果图像中包括明显比其他区域阴暗或者亮的部分，在这些部分的对比度就得不到有效增强，当某个区域包含的像素值非常相似，其直方图就会尖状化，此时直方图的变换会将一个很窄范围内的像素映射到整个像素范围，这些使得某些平坦区域的少量噪音经处理后会放大，x(i,j)是图像中某点的灰度值，局部区域的定义为以(i,j)为中心，窗口大小为(2n+1)(2n+1)的区域，其中n为一整数，局部
的平均值，也就是低频部分，可以用下式计算：而局部方差为定义f(i,j)表示x(i,j)对应的增强后的像素值，则f(i,j)＝m
x
(i,j)+G(i,j)[x(i,j)
‑
m
x
(i,j)]，其中G(i,j)为上下文背景图像CG，当CG大于1时，高频成分[x(i,j)
‑
m(i,j)]就能得到增强；
[0020]四、鸟粪定位识别，光伏板上的鸟粪从颜色上看都基本上呈现白色或灰白色，形状上没有固定的形状，这也给一些在其他应用上效果较好的定位算法应用到鸟粪定位带来了难度，因此本方法从颜色角度出发，利用颜色这一相对固定的特征进行鸟粪定位识别，定位鸟粪位置并区分异常与干扰目标，需要结合多种目标检测的方法并在多光谱图像中分析目标的颜色以及尺度特征，并将这些异常目标与干扰目标与鸟粪初步区分开来，首先要将图像空间从RGB空间转换到HSV空间，按照HSV颜色空间的H、S、V值定位出白色鸟粪的颜色区域，各空间颜色取值范围如图2所示，计算步骤为：首先，转换到HSV颜色空间设定颜色的HSV的上下界；其次，找出图片中属于设定颜色的区域；再次，计算各个颜色区域的量化面积；最后，通过颜色最大面积来判别鸟粪位置。
[0021]本方法提出的光伏板鸟粪识别方案是从鸟粪相对固定特征出发在光伏板定位颜色区域，鸟粪从形状上讲不固定的特性为其他深度学习方法带来了很大挑战，因此本方案的优点在于快速，与深度学习方法相比无需大量标注样本进行模型训练，以及投入巨大的人工成本，从技术上讲本方法适合要求快速高效的场合进行鸟粪的识别定位，为下一步清洁光伏板给出明确的定位指向，大大提高光伏板清洁效率并降低光伏板运维成本。
[0022]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏板鸟粪快速检测识别的方法，其特征在于，所述方法包括以下步骤：步骤一、光伏板分割，通过分割算法对光伏板进行定位，进而对每块光伏板的位置进行分割；步骤二、光伏板校正，分割后的光伏板采用透视变换的方法进行校正；步骤三、光伏板增强去噪，x(i,j)是图像中某点的灰度值，局部区域的定义为以(i,j)为中心，窗口大小为(2n+1)(2n+1)的区域，其中n为一整数，局部的平均值为局部方差为定义f(i,j)表示x(i,j)对应的增强后的像素值，则f(i,j)＝m
x
(i,j)+G(i,j)[x(i,j)
‑
m
x
(i,j)]，其中G(i,j)为上下文背景图像CG，当CG大于1时，高频成分[...

【专利技术属性】
技术研发人员：胡小华，张安，梅利军，陈祥，许兆鹏，刘瓦，崔立业，田宇，高飞，陈楠，李磊，
申请(专利权)人：长春吉电能源科技有限公司，
类型：发明
国别省市：