[发明专利]一种基于机器视觉的太阳能板缺陷检测系统

说明书

一种基于机器视觉的太阳能板缺陷检测系统。步骤1，收集太阳能板常见故障和正常太阳能板的照片，并对收集到的照片进行样本扩展处理；步骤2，将步骤1中的样本输入到上位机的CNN模型中进行训练，直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数，此时CNN模型训练完成；步骤3，无人机采集光伏发电站中太阳能板的信息和实物照片，并通过WIFI上传至上位机；步骤4，上位机利用训练好的CNN模型对步骤3中的照片进行识别，如果识别结果为故障，则发送至MYSQL数据库，反之，不作处理；步骤5，操作人员通过移动终端获取MYSQL数据库中的故障数据，并执行相应的故障维修，维修结束时需清除数据库中的故障数据。本发明提高了发电效率和降低了因故障而引发的损失。

技术领域

本发明涉及光伏产业智能维护领域，特别是涉及一种基于机器视觉的太阳能板缺陷检测系统。

背景技术

近年来，我国的科技、工业水平都得到的大力的提升与发展，智能制造、工业4.0等目标不断的被提及，快速的发展导致各行各业的用电量都近乎于指数增长，传统的发电方式已经满足不了需求，同时考虑到地球可再生资源日益减少，所以国家在大力发展光伏产业。国家能源局发展规划司于2019年表示目前正在研究“十四五”能源发展规划，同时将继续壮大清洁能源发展。其中的太阳能发电没有任何排放和噪声，应用技术成熟，安全可靠，同时我国76％的国土光照充沛，光能资源分布较为均匀，这也为大力发展光伏产业提供了有力的保障，近年来，我国的光伏产业有了很大的发展，实现了很高的经济效益。

光伏发电站中最核心的是太阳能板，但是太阳能板易发生以下故障：1.热斑问题，在板面出现烧坏热斑，其可以造成太阳能组件整块损坏，同时大大降低太阳能电站的发电效率，并且减少电站10％的使用寿命；2.隐裂问题，在电池片中出现细小的裂纹，一般由外力造成，达到碎片时肉眼可见，对电站的输出功率有着较大的影响；3.蜗牛纹问题，太阳能板面出现黑色或白色线状图案，看起来像蜗牛爬过的痕迹，故称之。对于偌大的光伏发电站中太阳能板的维护，利用人工的话效率低下，需开发出一套智能维护系统，利用机器实现太阳能板状态的监测，一旦出现故障及时警告，提高发电效率，同时保护设备。

国内涉及太阳能板检修维护的专利有“集群太阳能板的缺陷检测与定位方法”(201810219181.5)，通过对采集到的图像进行直方图统计，而后确定表面温度异常的阈值，最后对温度异常的太阳能板进行定位，但该专利只考虑到温度异常这种情况，对其它太阳能板故障不适应。国家发明专利“一种太阳能光伏板光斑识别方法”(201711403165.3)，该方法通过提取图片的灰度值，温度差和像素数这三个特征量，而后结合随机森林确定相应类别的阈值，从而实现太阳能板光斑的识别，同样的，该专利仅支持光斑故障的识别，在实际应用中可能存在一定的局限性。由此可见，设计一个多故障识别的智能系统亟待解决。

发明内容

为解决上述问题，本发明在CNN，MYSQL数据库的基础上，提出了一种基于机器视觉的太阳能板缺陷检测系统，为解决实际中太阳能板故障照片样本较少的问题，通过改变照片颜色、以不同的角度对照片进行旋转和图片加噪处理来扩充CNN训练样本的容量，从而提高模型的泛化性。而后利用训练好的模型实现太阳能板状态的在线识别，最终将故障的太阳能板信息传到移动终端上，方便快捷的完成对故障太阳能板的更换维修。为达此目的，本发明提供一种基于机器视觉的太阳能板缺陷检测系统，具体步骤如下，其特征在于：

步骤1，收集太阳能板常见故障包括热斑、隐裂、蜗牛纹和正常太阳能板的照片，并对收集到的照片进行样本扩展处理，增大模型训练样本量；

步骤2，将步骤1中的样本输入到上位机的CNN模型中进行训练，直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数，此时CNN模型训练完成；

步骤3，无人机采集光伏发电站中太阳能板的信息和实物照片，并通过WIFI上传至上位机；

步骤4，上位机利用训练好的CNN模型对步骤3中的照片进行识别，如果识别结果为故障，则发送至MYSQL数据库，反之，不作处理；