一种光伏电板红外图像分割方法技术

本发明专利技术公开了一种光伏电板红外图像分割方法，包括如下步骤：

【技术实现步骤摘要】
一种光伏电板红外图像分割方法、装置及电子设备


[0001]本专利申请涉及图像处理
，特别是涉及一种光伏电板红外图像分割方法
、
装置及电子设备
。

技术介绍

[0002]新世纪以来，煤炭
、
天然气等化石燃料的大规模使用导致全球变暖和环境污染日益严重
。
光伏发电利用太阳能的清洁能源发电，可作为一种技术性的环境污染解决方案
。
光伏电板在工作时，由于受到各种环境因素的影响，会产生各种意想不到的故障
。
如何自动检测太阳能电池板组件故障对于发电效率的提升
、
保障电站安全显得尤为关键，而要实现这一点，首先要对光伏电板图像中的组件进行分割
。
[0003]光伏电板的发热特性在红外图像中清晰可见，所以使用红外图像更容易检测光伏电板上组件的故障
。
当使用红外相机拍摄光伏电板的图像时，能够获得反映光伏电板温度信息的光伏电板红外图像
。
由于光伏电板的组件内部和组件边缘的材料不同和工作方式的差异，导致光伏电板红外图像中的组件内部和边缘灰度值上的差异
。
使用滤波等传统图像处理技术对红外图像进行处理以获得组件边缘时，往往出现大量噪声等干扰因素，造成组件边缘识别困难
。
另外，当光伏电板红外图像中某些存在故障的组件边缘本身很模糊，导致识别结果中边缘断裂，为此，我们提出一种光伏电板红外图像分割方法
、
装置及电子设备
。<br/>
技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中技术问题之一，为此，本专利技术的第一个目的在于提出一种光伏电板红外图像分割方法，首先手动标记光伏电板红外图像中组件的边缘，利用
U
‑
Net
对原始数据和标签数据进行训练，则可通过利用训练得到的模型自动检测其余任意图像中组件的边缘
。
针对识别得到的边缘图像中存在断裂的缺陷，使用形态学膨胀操作对识别边缘图像进行优化，弥补因边缘不够清晰带来的识别边缘断裂造成组件漏检的缺点
。
能够通过有效地检测组件的边缘而确定每一个组件在图像中的位置，解决了传统图像处理方法识别组件边缘带来的实时性和准确性的问题
。
[0005]本专利技术的第二个目的在于提出一种光伏电板红外图像分割装置
。
[0006]本专利技术的第三个目的在于提出一种光伏电板红外图像分割设备
。
[0007]为达到上述目的，本专利技术第一方面实施例提出了一种光伏电板红外图像分割方法，所述红外图像分割方法包括如下步骤：
[0008]S1、
通过无人机搭载的云台相机拍摄光伏电板，以获取光伏电板的原始红外图像；
[0009]S2、
对原始红外图像的边缘进行标记，获得标签图像，原始红外图像和标签图像构成数据集，数据集包括训练数据集和测试数据集；
[0010]S3、
基于
U
‑
Net
模型对数据集进行训练，以获取针对光伏电板红外图像边缘分割的最优化模型，实现红外图像的分割；
[0011]S4、
将步骤
S3
中基于
U
‑
Net
获取的最优化模型应用于测试数据集的测试中，针对输
入的测试图像，给出相应的组件边缘识别结果
。
[0012]S5、
当步骤
S4
中组件出现边缘模糊时，采用形态学膨胀的操作为边缘识别图像进行优化，以实现对光伏电板红外图像的分割
。
[0013]进一步的，所述步骤
S2
中通过手动对原始红外图像的边缘进行标记，获得标签图像，并将原始红外图像和标签图像分别存放；
[0014]所述训练数据集由
80
％的原始红外图像和
80
％的标签图像构成，测试数据集由
20
％的原始红外图像和
20
％的标签图像构成
。
[0015]进一步的，所述步骤
S3
包括：
[0016]S31、
构建
U
‑
Net
卷积神经网络：
U
‑
Net
卷积神经网络分为两个部分，其中一部分网络负责特征提取，随着网络层加深，图像的通道数逐渐增大，而尺寸逐渐减小，每经过两次卷积提取特征，再经过一次最大值池化缩小图像尺寸，另一部分网络负责特征还原，随着网络层加深，图像的通道数逐渐减少，而尺寸逐渐增大，每经过一次反卷积放大图像尺寸，再经过两次卷积提取特征；
[0017]S32、
使用
U
‑
Net
卷积神经网络对制作好的训练数据集进行图像特征提取训练，并得到训练时的不同阶段的预测结果，使用二元交叉熵损失函数作为损失函数以衡量预测结果
。
[0018]进一步的，所述步骤
S32
中，在对训练数据集的训练过程中，不断依据损失函数计算损失值，当损失值收敛于一定较小的数值时，得到训练的最优训练模型，依据该最优训练模型对任一红外图像中组件边缘特征的自动识别；
[0019]损失函数用来创建目标和输出之间的二进制交叉熵标准，其计算公式如下：
[0020]l(x,y)
＝
L
＝
{l1,...,l
N
}
T
[0021]l
n
＝
‑
w
n
[y
n
*logx
n
+(1
‑
y
n
)*log(1
‑
x
n
)][0022]其中，
x
n
和
y
n
分别为网络输出
(output)
和目标
(target)
，
w
n
为权重，
l
表示损失函数的数值，
L
表示多个损失值构成的集合，
T
表示矩阵的转置，
N
为输出和目标之间配对的个数
(batchsize)
；
[0023]二元交叉熵损失函数是在损失函数的基础上增加了
Sigmoid
层，即将输入数据规范在0‑1之间，其计算公式如下：
[0024]l
n
＝
‑
w
n
[y
n
*log
σ
(x
n
)+(1
‑
y
n
)*log(1
‑
σ
(x
n
))][0025]其中，
x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光伏电板红外图像分割方法，其特征在于，所述红外图像分割方法包括如下步骤：
S1、
通过无人机搭载的云台相机拍摄光伏电板，以获取光伏电板的原始红外图像；
S2、
对原始红外图像的边缘进行标记，获得标签图像，原始红外图像和标签图像构成数据集，数据集包括训练数据集和测试数据集；
S3、
基于
U
‑
Net
模型对数据集进行训练，以获取针对光伏电板红外图像边缘分割的最优化模型，实现红外图像的分割
。2.
根据权利要求1所述的光伏电板红外图像分割方法，其特征在于，所述红外图像分割方法还包括如下步骤：
S4、
将步骤
S3
中基于
U
‑
Net
获取的最优化模型应用于测试数据集的测试中，针对输入的测试图像，给出相应的组件边缘识别结果
。3.
根据权利要求2所述的光伏电板红外图像分割方法，其特征在于，所述红外图像分割方法还包括如下步骤：
S5、
当步骤
S4
中组件出现边缘模糊时，采用形态学膨胀的操作为边缘识别图像进行优化，以实现对光伏电板红外图像的分割
。4.
根据权利要求1所述的光伏电板红外图像分割方法，其特征在于，所述步骤
S2
中通过手动对原始红外图像的边缘进行标记，获得标签图像，并将原始红外图像和标签图像分别存放；所述训练数据集由
80
％的原始红外图像和
80
％的标签图像构成，测试数据集由
20
％的原始红外图像和
20
％的标签图像构成
。5.
根据权利要求1所述的光伏电板红外图像分割方法，其特征在于，所述步骤
S3
包括：
S31、
构建
U
‑
Net
卷积神经网络：
U
‑
Net
卷积神经网络分为两个部分，其中一部分网络负责特征提取，随着网络层加深，图像的通道数逐渐增大，而尺寸逐渐减小，每经过两次卷积提取特征，再经过一次最大值池化缩小图像尺寸，另一部分网络负责特征还原，随着网络层加深，图像的通道数逐渐减少，而尺寸逐渐增大，每经过一次反卷积放大图像尺寸，再经过两次卷积提取特征；
S32、
使用
U
‑
Net
卷积神经网络对制作好的训练数据集进行图像特征提取训练，并得到训练时的不同阶段的预测结果，使用二元交叉熵损失函数作为损失函数以衡量预测结果
。6.
根据权利要求5所述的光伏电板红外图像分割方法，其特征在于，所述步骤
S32
中，在对训练数据集的训练过程中，不断依据损失函数计算损失值，当损失值收敛于一定较小的数值时，得到训练的最优训练模型，依据该最优训练模型对任一红外图像中组件边缘特征的自动识别；损失函数用来创建目标和输出之间的二进制交叉熵标准，其计算公式如下：
l(x,y)
＝
L
＝
{l1,...,l
N
}
T
l
n
＝
‑
w
n
[y
n
*logx
n
+(1
‑
y
n
)*log(1
‑
x
n
)]
其中，
...

【专利技术属性】
技术研发人员：李永军，汪忠杰，
申请(专利权)人：尚特杰电力科技有限公司，
类型：发明
国别省市：