一种屋顶智能红外摄像机光伏组件故障识别方法技术

本发明专利技术涉及一种屋顶智能红外摄像机光伏组件故障识别方法，方法包括以下步骤：S1、获取光伏组件图像；S2、调用训练完成的故障识别模型，将光伏组件图像输入模型中；S3、模型输出识别结果，将识别结果发送至显示单元，其中，故障识别模型在训练模块中进行训练，训练完成后训练模块将模型发送至开发板进行调用；识别结果的生成过程具体为：基于模型的特征值对光伏组件图像中的故障点进行框选，框选后的光伏组件图像为识别结果。与现有技术相比，本发明专利技术具有高辨识度，小目标故障识别准确率等优点。小目标故障识别准确率等优点。小目标故障识别准确率等优点。

【技术实现步骤摘要】
一种屋顶智能红外摄像机光伏组件故障识别方法


[0001]本专利技术涉及光伏发电的故障检测
，尤其是涉及一种屋顶智能红外摄像机光伏组件故障识别方法。

技术介绍

[0002]目前，计算机视觉技术高速发展，深度学习和卷积神经网络技术的推动着计算机视觉技术迅速发展。现有的智能运维系统多用普通摄像机或不具备自主识别功能的红外摄像机对光伏组件进行监控。
[0003]现有的机光伏组件故障识别技术大多都需要具备相关技术储备的工作人员进行辅助，并且普通摄像机只能第一时间发现异物遮挡、外表破损等异常。不具备自主识别功能的红外摄像机，需要工作人员仔细甄选故障点，识别的效率地低下的同时容易误识别、漏识别。

技术实现思路

[0004]本专利技术的目的就是为了克服上述问题而提供的一种屋顶智能红外摄像机光伏组件故障识别方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种屋顶智能红外摄像机光伏组件故障识别方法，方法包括以下步骤：
[0007]S1、获取光伏组件图像；
[0008]S2、调用训练完成的故障识别模型，将光伏组件图像输入模型中；
[0009]S3、模型输出识别结果，将识别结果发送至显示单元，
[0010]其中，故障识别模型在训练模块中进行训练，训练完成后训练模块将模型发送至开发板进行调用；
[0011]所述识别结果的生成过程具体为：基于模型的特征值对光伏组件图像中的故障点进行框选，框选后的光伏组件图像为识别结果。
[0012]进一步地，框选故障点时，基于模型的特征值判断光伏组件图像中是否有异常温度的热斑，对存在的热斑通过自适应锚框自动框选出故障点。
[0013]进一步地，框选出故障点的同时产生带有故障标记的故障概率，每个框选出的故障点对应一个故障概率。
[0014]进一步地，故障识别模型采用改进后的YOLOv5网络模型，改进后的YOLOv5网络模型包括骨干模块和预测模块，其中，骨干模块中包括依次连接的注意力机制层、C3正确单元一、卷积层一、3个连续的C3正确单元、卷积层二、3个连续的C3正确单元、卷积层三、空间金字塔池化层和C3错误单元一；
[0015]预测模块包括依次连接的卷积层四、上采样单元一、连接单元一、C3错误单元二、卷积层五、上采样单元二、连接单元二、C3错误单元三、卷积层六、连接单元三、C3错误单元四、卷积层七、连接单元四和C3错误单元五。
[0016]进一步地，卷积层包括依次连接的卷积、归一化层和损失函数；
[0017]C3错误单元包括卷积、卷积层、瓶颈错误单元和连接单元，C3正确单元包括卷积、卷积层、瓶颈正确单元和连接单元。
[0018]进一步地，瓶颈正确单元包括依次连接的两个卷积层和加和单元，瓶颈错误单元包括依次连接的两个卷积层。
[0019]进一步地，注意力机制层包括多个片层、连接单元和卷积层，空间金字塔池化层包括两个卷积层和连接单元，损失函数为SIOU损失函数。
[0020]进一步地，开发板为Jetson nano开发板。
[0021]进一步地，所述光伏组件图像为红外图像。
[0022]进一步地，红外图像基于红外摄像机获取。
[0023]与现有技术相比，本专利技术具有以下有益效果：
[0024](1)本专利技术可以识别光伏组件的缺陷，从而智能地将其框选出来，同时能够做到对屋顶光伏组件进行检测的同时输出锚框概率，有效防止了因人工检测漏看漏查的情况。
[0025](2)本专利技术采用开发板，将训练单元训练好的模型传输至开发板端，相比传统人工分拣和传统智能运维，除了能够实现自动故障识别之外，还具有高辨识度，小目标故障识别准确率高等优点。
附图说明
[0026]图1为本专利技术的流程图；
[0027]图2为本专利技术的模型训练和损失函数图，其中，a为训练函数的损失函数均值，b为训练函数的目标检测loss均值，c为训练函数的分类loss均值，d为精确度，e为召回率，f为验证集的损失函数均值，g为验证集的目标检测loss均值，h为验证集的分类loss均值，i为正负样本的阈值为0.5时的精确度和召回率围成的面积图，j为正负样本的阈值为0.5:0.05:0.95取均值时的精确度和召回率围成的面积图；
[0028]图3为本专利技术的故障检测可视化结果示意图；
[0029]图4为本专利技术的模型的结构图。
具体实施方式
[0030]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0031]本专利技术提出一种屋顶智能红外摄像机光伏组件故障识别方法，方法的流程图如图1所示。本专利技术针对目前只能在值班室安排工作人员，消耗人力物力得到的检测效果却不尽如人意进行的智能红外摄像机改进，同时本专利技术辅助完成无人值守光伏电站的建设，提高提高检测精度后可以使智能运维体系原本需要安装的摄像机台数进行缩减仍能覆盖原有检测范围，从而达到控制成本的目的。
[0032]方法包括以下步骤：
[0033]S1、获取光伏组件图像；
[0034]S2、调用训练完成的故障识别模型，将光伏组件图像输入模型中；
[0035]S3、模型输出识别结果，将识别结果发送至显示单元，
[0036]其中，故障识别模型在训练模块中进行训练，训练完成后训练模块将模型发送至开发板进行调用；
[0037]识别结果的生成过程具体为：基于模型的特征值对光伏组件图像中的故障点进行框选，框选后的光伏组件图像为识别结果。
[0038]框选故障点时，基于模型的特征值判断光伏组件图像中是否有异常温度的热斑，对存在的热斑通过自适应锚框自动框选出故障点。框选出故障点的同时产生带有故障标记的故障概率，每个框选出的故障点对应一个故障概率。故障检测可视化结果示意图如图3所示。
[0039]故障识别模型的结构图如图4所示。模型采用改进后的YOLOv5网络模型，改进后的YOLOv5网络模型包括骨干模块和预测模块，其中，骨干模块中包括依次连接的注意力机制层、C3正确单元一、卷积层一、3个连续的C3正确单元、卷积层二、3个连续的C3正确单元、卷积层三、空间金字塔池化层和C3错误单元一；预测模块包括依次连接的卷积层四、上采样单元一、连接单元一、C3错误单元二、卷积层五、上采样单元二、连接单元二、C3错误单元三、卷积层六、连接单元三、C3错误单元四、卷积层七、连接单元四和C3错误单元五。卷积层包括依次连接的卷积、归一化层和损失函数；C3错误单元包括卷积、卷积层、瓶颈错误单元和连接单元，C3正确单元包括卷积、卷积层、瓶颈正确单元和连接单元。
[0040]瓶颈正确单元包括依次连接的两个卷积层和加和单元，瓶颈错误单元包括依次连接的两个卷积层。注意力机制层包括多个片层、连接单元和卷积层，空间金字塔池化层包括两个卷积层和连接单元，损失函数为SIOU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种屋顶智能红外摄像机光伏组件故障识别方法，其特征在于，方法包括以下步骤：S1、获取光伏组件图像；S2、调用训练完成的故障识别模型，将光伏组件图像输入模型中；S3、模型输出识别结果，将识别结果发送至显示单元，其中，故障识别模型在训练模块中进行训练，训练完成后训练模块将模型发送至开发板进行调用；所述识别结果的生成过程具体为：基于模型的特征值对光伏组件图像中的故障点进行框选，框选后的光伏组件图像为识别结果。2.根据权利要求1所述的一种屋顶智能红外摄像机光伏组件故障识别方法，其特征在于，框选故障点时，基于模型的特征值判断光伏组件图像中是否有异常温度的热斑，对存在的热斑通过自适应锚框自动框选出故障点。3.根据权利要求2所述的一种屋顶智能红外摄像机光伏组件故障识别方法，其特征在于，框选出故障点的同时产生带有故障标记的故障概率，每个框选出的故障点对应一个故障概率。4.根据权利要求1所述的一种屋顶智能红外摄像机光伏组件故障识别方法，其特征在于，故障识别模型采用改进后的YOLOv5网络模型，改进后的YOLOv5网络模型包括骨干模块和预测模块，其中，骨干模块中包括依次连接的注意力机制层、C3正确单元一、卷积层一、3个连续的C3正确单元、卷积层二、3个连续的C3正确单元、卷积层三、空间金字塔池化层和C3错误单元一；预测模块包括依...

【专利技术属性】
技术研发人员：王云冰，付晓刚，王志刚，陆天坤，牛源，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：