【技术实现步骤摘要】
本专利技术涉及一种基于视频图像与风速仪数据增强融合的光伏电站积水检测方法，属于可见光图像与风速仪数据增强结合的计算机解译领域。
技术介绍
1、图像是应用探测仪器，不与探测目标相接触，把目标的光学特性记录下来，通过与风速仪数据增强融合后综合分析，揭示出物体的特征性质及其变化的综合性探测技术。
2、摄像机图像已被广泛应用于各种领域，随着摄像机技术的不断发展，图像的时间、空间分辨率不断提高，目前已经成为人们获取资源和环境信息的必要方式，为人们的生产生活提供了广泛丰富的信息，展现出了巨大的经济价值。
3、风速仪是测量空气平均流动的速度和方向的仪器，其基本原理是将一根细的金属丝放在流体中，通电流加热金属丝，使其温度高于流体的温度。当流体沿垂直方向流过金属丝时，将带走金属丝的一部分热量，使金属丝温度下降。根据强迫对流热交换理论，可导出热线散失的热量q与流体的速度v之间存在关系式。
4、数字图像与其它数据融合的计算机解译主要目的是将图像信息和其它相关的数据信息在计算机支持下进行图像与其它相关数据的智能化识别。目前研究计算机解译的相关算法主要侧重图像的信息,与其它数据融合的还不多见,结合其它数据的数字图像计算机解译有利于提高解译效率和解译精度，因此具有巨大的研究价值和广阔的应用前景。
5、由于光伏产业具有环保、收益高等特点，我国目前正在大力发展光伏产业，各个省市地区特别是西藏、新疆、内蒙古、四川等省份一直在大量兴建光伏电站。在这样环境每年会有瀑雨的天气，对于大型地面光伏电站，需要及时了解是否出现电
6、由于光伏电站地处偏僻，无法及时知晓，因此需要借助图像处理的手段进行大范围监测。
技术实现思路
1、本专利技术的目的是：提供一个基于视频图像与风速仪数据增强融合的方法。从深度学习出发，构建了一个高分辨率纯卷积神经网络，对图像进行检测，提取纹理信息，与风速仪数据增强融合提取光伏电站内积水所在的区域。进一步，对神经网络提取的结果进行后处理，并计算出光伏电站的积水占地面积。
2、技术方案：
3、一种基于视频的光伏电站积水检测方法，包括以下步骤：
4、步骤一：提取视频帧图像和风速仪测量数据的扩维数据集，通过数据集形成训练数据和测试数据；
5、步骤二：视频帧图像进行高斯低通滤波后提取视频帧图像的纹理信息；
6、步骤三：对视频帧图像的纹理信息构造卷积神经网络；
7、步骤四：在卷积基后的flatten层特征数据和风速仪扩维数据集拼接在一起，实现图像和增强数值型数据的融合，产生融合数据；
8、步骤五：根据步骤四中形成的训练数据训练神经网络，并记录此时的网络参数；
9、步骤六：根据步骤五训练好的神经网络对所述测试数据进行光伏电站积水检测；
10、步骤七：根据步骤六的检测结果，计算得到光伏电站积水的面积。
11、优选的，视频帧图像自监控摄像机提取，包括光伏电站积水和没有积水的图像；风速仪测量数据为视频帧图像对应时刻由风速仪测得的风速数据。
12、优选的，对于风速数据进行扩维，基于风速数据，引入20％的扰动，生成6个数据风速数据，7个数据合并为一个风速仪的风速仪扩维数据集。
13、优选的，将监控摄像机图像及相应的风速仪扩维数据集制作成符合训练和测试的数据集，图像分为两部分，一部分是带标签的训练数据，另一部分是测试数据。
14、优选的，所述步骤三构造卷积神经网络，具体为：
15、在caffe框架下逐层搭建卷积神经网络，该神经网络只包含一个分支；该神经网络最后一个卷积层为输出层，采用1*1的卷积核且输出维度为2，分别表示原始图像中的像素属于积水区域与非积水区域的概率，其余的卷积层均采用5*5的卷积核。
16、优选的，卷积层的计算公式如下：
17、
18、其中xjl和bjl代表当前层第j个神经元的输出特征图和偏置量，xil-1表示当前层输入的第i个特征图，kijl表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核，函数f为非线性激活函数，所述激活函数采用的是relu激活函数。
19、优选的，所述步骤五训练神经网络的具体步骤为：
20、s5-1、按照均匀分布对神经网络的权重进行初始化；
21、s5-2、将训练数据输入到神经网络中并进行多层卷积操作；
22、s5-3、计算神经网络的输出结果和相对标签的误差；
23、s5-4、利用误差反向传播算法调整网络的权重和偏置，并返回步骤s5-2，当神经网络迭代更新至预设次数时，记录此时的网络参数。
24、优选的，所述步骤六对测试数据进行光伏电站积水检测，具体为：
25、s6-1、载入调优的网络参数；
26、s6-2、将测试数据切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
27、s6-3、将步骤s6-2中得到的检测结果进行拼接，即可获得粗检测结果；
28、s6-4、对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果，精检测结果包含积水目标像素元数量。
29、优选的，所述步骤七根据检测结果，计算光伏电站的积水面积，具体为：
30、根据图像的分辨率以及步骤六光伏电站检测结果中积水目标像元数量，计算出光伏电站的积水占地面积s。
31、本专利技术的有益效果
32、本专利技术实现了一种基于视频图像与风速仪数据增强融合的光伏电站积水检测方法，通过构造卷积神经网络，对数据进行检测。视频图像与风速仪数据增强融合，提高了神经网络的空间检测精度。自动化程度高，能够大幅度提高检测效率，降低人工成本。
33、本专利技术所述方法估计出的积水面积与实际积水面积相差较小，结果准确，得到的结果与实际情况大致相符。
本文档来自技高网...【技术保护点】
1.一种基于视频的光伏电站积水检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：视频帧图像自监控摄像机提取，包括光伏电站积水和没有积水的图像；风速仪测量数据为视频帧图像对应时刻由风速仪测得的风速数据。
3.根据权利要求1所述的方法，其特征在于：对于风速数据进行扩维，基于风速数据，引入20％的扰动，生成6个数据风速数据，7个数据合并为一个风速仪的风速仪扩维数据集。
4.根据权利要求1所述的方法，其特征在于：将监控摄像机图像及相应的风速仪扩维数据集制作成符合训练和测试的数据集，图像分为两部分，一部分是带标签的训练数据，另一部分是测试数据。
5.根据权利要求1所述的方法，其特征在于：所述步骤三构造卷积神经网络，具体为：
6.根据权利要求5所述的方法，其特征在于：卷积层的计算公式如下：
7.根据权利要求1所述的方法，其特征在于：所述步骤五训练神经网络的具体步骤为：
8.根据权利要求1所述的方法，其特征在于：所述步骤六对测试数据进行光伏电站积水检测，具体为：
9.根
...【技术特征摘要】
1.一种基于视频的光伏电站积水检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：视频帧图像自监控摄像机提取，包括光伏电站积水和没有积水的图像；风速仪测量数据为视频帧图像对应时刻由风速仪测得的风速数据。
3.根据权利要求1所述的方法，其特征在于：对于风速数据进行扩维，基于风速数据，引入20％的扰动，生成6个数据风速数据，7个数据合并为一个风速仪的风速仪扩维数据集。
4.根据权利要求1所述的方法，其特征在于：将监控摄像机图像及相应的风速仪扩维数据集制作成符合训练和测试的数据集，...
【专利技术属性】
技术研发人员：熊昌全，张宇宁，闫启明，唐道建，
申请(专利权)人：国家电投集团四川电力有限公司，
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。