[发明专利]一种基于卷积神经网络的光伏组件间距不良缺陷检测方法

说明书

本发明公开了一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其方法步骤为：粗略定位电池片的位置，并截取电池片之间的ROI区域；利用卷积神经网络模型，对ROI图像块进行语义分割；对网络输出的结果进行后处理，计算电池片之间的距离；将计算得到的各个电池片间距和设定的阈值比较，如果超出阈值，则判定电池片间距存在异常，反之判定为正常。本发明的有益效果：本发明基于卷积神经网络来预测光伏组件间距的方法，具有灵活性高、鲁棒性好的特点；提取ROI区域的方法可克服产品切换、组件位移等造成的电池片定位不准问题；阈值区间校正方法可将模型预测的阈值和实际测量的阈值映射到统一空间，提升间距不良缺陷检测的准确率。

技术领域

本发明涉及光伏组件技术领域，尤其是一种基于卷积神经网络的光伏组件间距测量方法。

背景技术

光伏组件是太阳能发电系统的基础组成部分；大体来说，一块光伏组件由若干电池串并联组成，而每一电池串又由若干个单体电池片串联而成，如图1所示光伏组件中的电池片是按照特定方式排布的光伏阵列，光伏阵列的间距需限定在一定的范围内，以便更好地采集光能来发电；这种设计方式可有效避免前后排电池片间的遮挡导致的热斑效应，延长光伏组件的使用寿命，并增大输出功率。光伏阵列的间距是结合阵列安装角度、太阳高度角等因素计算得到的。在生成过程中的串焊和层叠等作业中可能发生电池片位置偏移的情况，使得电池片间距超出了特定的范围，引发间距不良缺陷。

对于此类缺陷，目前行业内的主要做法是：采用可见光相机来采集组件的外观图像，然后通过人工逐一判断各个电池片之间是否存在间距不良缺陷。基于目前的方法，一方面会由于人工长时间观察导致的视觉疲劳引发漏检，另一方面人眼只能粗略地估计电池片间距，无法保持稳定、一致的判定标准。

因此，针对上述问题提出一种基于卷积神经网络的光伏组件间距不良缺陷检测方法。

发明内容

针对上述现有技术中存在的不足，本发明的目的在于提供一种基于卷积神经网络的光伏组件间距不良缺陷检测方法。

一种基于卷积神经网络的光伏组件间距不良缺陷检测方法，其方法步骤为：

步骤1：粗略定位电池片的位置，并截取电池片之间的ROI区域；

步骤2：利用卷积神经网络(CNN)模型，对ROI图像块进行特征提取，并进行语义分割，即对每个像素二分类，判断其为前景还是背景；

步骤3：对网络输出的结果进行后处理，并计算电池片之间的距离；

步骤4：将计算得到的各个电池片间距和设定的阈值比较，如果超出阈值，则判定电池片间距存在异常，反之判定为正常。

其中步骤1的ROI区域提取方法为：

(1)通过去噪、轮廓提取等一系列传统的图像处理方法提取出每个电池片的轮廓；

(2)获得粗略的电池片位置信息；

(3)根据定位的电池片位置，截取每两个电池片之间的区域(含水平方向和垂直方向)作为ROI区域；

(4)对水平方向的ROI图像块进行90度旋转操作，以得到统一的垂直电池片方向。

其中步骤2中的卷积神经网络模型采用UNet分割网络；Unet分割网络采用Encoder-Decoder对称网络结构提取图像特征，最终输出每个类别的语义分割结果。

选取步骤3中的网络输出结果中表征前景概率的特征图，将特征图二值化，设定阈值T，每个像素点概率小于T的像素值为0，大于T的像素值为1；将二值化的特征图归一化到输入图像大小，得到图像分割的掩码结果图。