[发明专利]一种基于红外图像的太阳能板缺陷检测方法

说明书

本发明提供了一种基于红外图像的太阳能板缺陷检测方法，利用了基于深度学习的背景分割技术去除图像非太阳能板区域的复杂背景干扰，再结合线段检测和角点检测改进了传统的太阳能板目标检测方法，最后结合太阳能板缺陷的先验知识，使用聚类等方法进行局部和全局缺陷检测，实现了鲁棒性和准确率较高的太阳能板缺陷检测。降低了成本，提高了效率，适合大型光伏电站使用，引入了基于深度学习背景分割方法，有效去除了红外图像中背景干扰信息，有益于系统适应不同自然环境中的光伏电站，提高了后续目标识别的准确度和鲁棒性。调整了传统CV方法中线段合并的具体算法，减少了算法依赖的先验知识，降低了目标识别的漏检率和误检率。

技术领域

本发明涉及深度学习、计算机视觉领域，具体为一种基于深度学习的背景分割方法，基于CV算法的目标识别方法，基于图像处理和数理统计的缺陷检测方法。

背景技术

太阳能发电过程中，环境恶劣、产品缺陷等因素可能导致光伏组件产生如裂缝和热点等缺陷，进而导致发电量下降，发电功率不稳定等不利后果。所以光伏阵列安装在公用事业规模的光伏电站后，需要进行定期检查。传统检测方法基于人工，主要由操作员通过其他检测工具(如千分尺、放大镜等)进行目测或者测量电流电压，因此大多数产品必须离开产品生产线单个进行测量。由于产品面积大，精度高，人工测量已经完全不能满足检测要求，严重影响了产品的生产效率、增加了生产成本。

为了高效率、高精度地检测太阳能板缺陷，国外研究人员进行了大量的研究。现有解决方法主要分两类，一类是传统CV方法，一类是深度学习方法。例如，Xiang Gao 等设计的基于红外图像的自动太阳能面板识别和缺陷检测系统是传统CV方法的体现。此系统通过车载摄像机获取太阳能板红外图像，再进行太阳能板目标识别和缺陷检测。此系统最大的缺点是在复杂摄影环境下的适应性较差，且需要较高成本的附加设备。Xiaoxia Li等设计的基于深度学习的大型光伏电站模块缺陷分析系统是深度学习方法的体现。虽然该方法准确率较高，但最大的缺点是模型准确率严重依赖采集数据的数量和质量，且其可靠性和鲁棒性缺乏进一步验证。因此，现有太阳能板缺陷检测的方法未能很好地解决平衡鲁棒性和准确率的问题，有待改进。

发明内容

为了克服现有技术的不足，本发明提供一种基于红外图像的太阳能板缺陷检测方法。本发明在获取的红外图像(无人机远程摄像)基础上，利用了基于深度学习的背景分割技术去除图像非太阳能板区域的复杂背景干扰，再结合线段检测和角点检测改进了传统的太阳能板目标检测方法，最后结合太阳能板缺陷的先验知识，使用聚类等方法进行局部和全局缺陷检测，实现了鲁棒性和准确率较高的太阳能板缺陷检测，适合各类大规模光伏电站使用。

本发明解决其技术问题所采用的技术方案整体流程如图1，具体包括以下几个步骤：

S1，基于深度学习的背景分割方法。

利用无人机获取原始红外图像，如果某场景的红外图像数量小于其他场景红外图像数量的1/10，对原始红外图像进行数据处理，利用包括但不限于翻转、旋转和裁剪方法中的一种或几种对原始红外图像进行数据处理，从而扩充数据集；

扩充数据集并数据处理的步骤为：

采用图像编辑软件对红外图像中太阳能板所在区域涂成红色，太阳能板所在区域含太阳能板间缝隙，再将涂成红色的图像处理为二值图像，其中太阳能板区域灰度值为1；其他区域视为背景，灰度值为0，将该二值图像作为深度学习网络的训练标签；

将扩充后的红外图像和训练标签按包括但不限于留出法的任意数据集划分方法划分为训练集、验证集、测试集，使用深度学习框架搭建Segnet深度学习网络，采用深度学习框架自带的训练函数训练背景分割模型，得到训练好的背景分割模型，训练好的模型将红外图像每个像素标注为前景或背景；

S2，结合线段检测和角点检测的太阳能板目标检测；

背景分割模型的输出结果为标签图像，对原始红外图像和标签图像进行如下预处理：