【技术实现步骤摘要】
本申请涉及光伏组件热斑识别，特别是涉及一种光伏组件热斑识别方法、装置、计算机设备和存储介质。
技术介绍
1、光伏电站由于其受限因素少、分布广泛、应用形式灵活的特点，使其在山地、屋顶、荒漠等多样地域广泛应用。但是，光伏电站在运行中长时间暴露于自然环境，会存在热斑等可能影响光伏电站的发电性能的现象。
2、传统技术中，通常获取光伏组件的图像，再通过人工查找识别光伏组件上的热斑，最后采取相应的处理措施对光伏组件上的热斑进行处理。
3、但是，上述光伏组件热斑识别方法存在效率低的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高识别光伏组件热斑效率的光伏组件热斑识别方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种光伏组件热斑识别方法。所述方法包括：
3、获取待识别的光伏组件的初始热红外图像；
4、利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
5、根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
6、在其中一个实施例中，所述根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
7、对所述目标热红外图像进行网格化处理，获取所述目标热红外
8、将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
9、在其中一个实施例中，所述光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块；所述将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
10、将所述多个网格图像输入所述卷积模型，得到各所述网格图像的特征信息；
11、将各所述网格图像的特征信息输入所述池化模块，对各所述网格图像的特征信息进行降采样处理，得到各所述网格图像降采样后的特征信息；
12、将各所述网格图像降采样后的特征信息输入所述全连接模块，得到所述初始热红外图像中光伏组件上的热斑的识别结果。
13、在其中一个实施例中，所述获取待识别的光伏组件的初始热红外图像，包括：
14、从无人机的图像存储器中获取所述初始热红外图像。
15、在其中一个实施例中，所述方法还包括：
16、获取训练样本集；所述训练样本集包括待识别的光伏组件的样本热红外图像和所述样本红外图像对应的金标准识别结果；
17、利用预设的图像转换工具，将所述样本热红外图像转换为目标样本热红外图像；其中，所述目标样本热红外图像的文件格式与预设的初始光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
18、根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
19、在其中一个实施例中，所述根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型，包括：
20、对所述目标样本热红外图像进行网格化处理，获取所述目标样本热红外图像对应的多个样本网格图像；
21、将所述多个样本网格图像输入所述初始光伏组件热斑识别模型中，得到所述样本热红外图像中光伏组件上的热斑的样本识别结果；
22、根据所述样本识别结果和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型。
23、在其中一个实施例中，所述获取训练样本集，包括：
24、获取待识别的光伏组件的样本热红外图像；
25、采用labelme工具对所述样本热红外图像进行网格化标注，得到所述样本红外图像对应的金标准识别结果。
26、第二方面，本申请还提供了一种光伏组件热斑识别装置。所述装置包括：
27、第一获取模块，用于获取待识别的光伏组件的初始热红外图像；
28、第一转换模块，用于利用预设的图像转换工具，将所述初始热红外图像转换为目标热红外图像；其中，所述目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配；
29、第二获取模块，用于根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果。
30、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
31、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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述第一方面所述的方法的步骤。
32、第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
33、上述光伏组件热斑识别方法、装置、计算机设备和存储介质，首先，获取待识别的光伏组件的初始热红外图像，再利用预设的图像转换工具，将初始热红外图像转换为目标热红外图像，其中，目标热红外图像的文件格式与预设的光伏组件热斑识别模型所在的深度学习环境的文件格式相适配，最后根据目标热红外图像和光伏组件热斑识别模型，获取初始热红外图像中光伏组件上的热斑的识别结果。这样，本申请实施例在获取待识别的光伏组件的初始热红外图像后，通过预设的图像转换工具自动将该初始热红外图像转换为目标热红外图像，确保目标热红外图像的文件格式与深度学习环境中预设的光伏组件热斑识别模型的文件格式相适配，再通过该光伏组件热斑识别模型可以自动识别光伏组件热红外图像中的热斑，无需通过人工进行查找识别，提高了识别光伏组件热斑的效率与准确性。
本文档来自技高网...【技术保护点】
1.一种光伏组件热斑识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块；所述将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述获取待识别的光伏组件的初始热红外图像，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标样本热红外图像和所述金标准识别结果，对所述初始光伏组件热斑识别模型进行训练，得到所述光伏组件热斑识别模型，包括：
7.根据权利要求5所述的方法，其特征在于，所述获取训练样本集，包括：
8.一种光伏组件热斑识别装置，其特征在于，所述装置包括：
9.一种
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种光伏组件热斑识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标热红外图像和所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述光伏组件热斑识别模型包括卷积模块、池化模块和全连接模块；所述将所述多个网格图像输入所述光伏组件热斑识别模型，获取所述初始热红外图像中光伏组件上的热斑的识别结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述获取待识别的光伏组件的初始热红外图像，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
<...【专利技术属性】
技术研发人员：张嘉伟，翟瑞聪，张捷，卢嵩，李茹，叶广贤，陈逸嘉，
申请(专利权)人：南方电网通用航空服务有限公司，
类型：发明
国别省市：
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。