[发明专利]一种光伏航拍红外图像数据增广及识别的方法、系统

说明书

本发明公开一种光伏航拍红外图像数据增广及识别的方法、系统。其中方法包括：S1、对航拍图像进行畸变矫正；S2、利用霍夫检测，检测矫正后航拍图像的轮廓以提取完整的光伏组件；S3、图像进行初步增广，形成图像数据集；S4、将图像输入GAN模型，得到光伏组件图像集；S5、利用MMD对增广后的图像进行筛选；S6、将筛选后的图像作为测试集输入分类模型中进行识别分类，得到分类结果。本发明在模型设计上考虑了光伏航拍红外图像的特点，使得模型更加适用于光伏红外图像的增广以及检测。此外，本发明所用的模型充分考虑了不同网络结构对计算硬件的需求，进一步降低了模型对硬件的依赖，提升了该发明的泛用性。

技术领域

本发明涉及人工智能及光伏红外巡检交叉领域，尤其涉及光伏航拍红外图像的数据增广及缺陷诊断技术。

背景技术

随着光伏装机容量的不断增加，光伏发电在整个电力系统所占的比重越来越大。光伏电站的安全稳定、高效及稳定的运行对整个电力系统乃至能源系统意义重大。及时的辨识出光伏电站中的缺陷对于电站的状态评估具有重要的作用。随着光伏电站的规模日益扩大，传统依赖于人工的光伏组件缺陷诊断方法将难以适用，亟需一种高效、快速的自动缺陷诊断方法。目前，利用红外成像的技术对光伏电站进行巡检是一种有效的技术手段，但当前的红外检测只是将获取的图像进行对比观察，图像中可显示出光伏组件中热斑区域，但图像本身存在诸多干扰因素，影响最后的判定结果，使得到的缺陷判定不准确，不能精确判定是何种缺陷，影响后续的维修工作效率。也有利用深度学习对图像进行处理，但针对到光伏巡检行业，当下存在两个问题；第一是拍摄的红外图像输入前容易畸变，影响后续的处理过程，易导致对光伏组件缺陷的判定误差；第二是当下深度学习模型都需要较强的硬件配置，这对于算法的部署带来较大的困难，对硬件依赖较大，泛用性低，且多数直接训练后对图像进行检测，检测结果不理想，容易存在较大误差，不适用于光伏红外图像的缺陷判定。

发明内容

本发明提供一种光伏航拍红外图像数据增广及识别的方法、系统，本发明考虑了光伏航拍红外图像的特点，能有效对图像进行处理，以得到准确的分类结果，可以有效对光伏组件的缺陷进行判定，且本发明降低了模型对硬件的依赖，提升了泛用性。

本发明的技术方案如下：

一种光伏航拍红外图像数据增广及识别的方法，包括如下步骤：

S1、对航拍的原始红外图像进行透视畸变矫正；

S2、通过霍夫直线检测方法，检测矫正后图像中的光伏组件轮廓，以提取单个光伏组件图像；

S3、将获取的光伏组件图像进行初步增广，形成图像数据集；

S4、将图像数据集输入训练好的GAN（Generative Adversarial Networks）模型进行数据增广，获取GAN模型增广后的光伏组件图像集；

S5、通过MMD（Maximum Mean Discrepancy）对光伏组件图像集中的每个图像进行评价、筛选，将高于设定阈值的图像舍弃，只保留低于设定阈值的图像；

S6、将筛选保留的光伏组件图像作为测试集，输入训练好的基于CNN的分类模型进行识别分类，输出分类结果。

进一步，步骤S1中所述的原始红外图像是指无人机在进行电站巡检过程中航拍得到的光伏组件红外图像。

进一步，步骤S1中进行透视畸变矫正的具体过程如下：

基于相机成像畸变的数学模型，构建畸变矫正数学模型，该模型通过图像二值化，获取原始红外图像中光伏组件区域的四个交点，进而根据相机参数矩阵进行畸变矫正；

针对径向畸变，模型的畸变矫正方程如下：

针对切向畸变，模型的畸变矫正方程如下：