[发明专利]基于人工智能的光伏电池板隐裂检测方法及系统在审
申请号: | 202011064440.5 | 申请日: | 2020-09-30 |
公开(公告)号: | CN112184681A | 公开(公告)日: | 2021-01-05 |
发明(设计)人: | 廖一峰;王海 | 申请(专利权)人: | 廖一峰 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/11;G06T7/40;G06T7/62;G06T5/00;G06N3/04 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 510630 广东*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 人工智能 电池板 检测 方法 系统 | ||
1.基于人工智能的光伏电池板隐裂检测方法,其特征在于,包括以下步骤:
采集电池板完整表面纹理图像信息,得到电池板图像,所述电池板图像包括栅线的特征信息和蜗牛纹的特征信息;
根据栅线方向切分所述电池板图像,得到多个尺寸等同的子图像,根据栅线垂直方向切分所述子图像,得到多个尺寸等同的子图像单元;
将每个所述子图像单元经过深度神经网络,输出蜗牛纹的语义区域遮罩;
将所述蜗牛纹的语义区域遮罩经过图像处理,分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩,根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S11,根据带状蜗牛纹遮罩获取带状蜗牛纹的面积S12;
获取电池板隐裂数量N的映射模型:
其中,A为所述电池板的面积;Tp表示温度对所述隐裂数量的影响程度,Hp表示湿度对所述隐裂数量的影响程度;α为第一调整系数,β为第二调整系数。
2.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法,其特征在于,所述的深度神经网络包括邻域特征提取网络、栅线判别网络和语义分割网络,所述根据所述子图像单元输出所述蜗牛纹的语义区域遮罩包括以下步骤:
将所述子图像单元经过所述邻域特征提取网络,输出每个所述子图像单元的特征信息,所述特征信息包括空域特征信息和邻域特征信息;
将所述特征信息经过栅线判别网络,判断对应所述子图像单元是否存在栅线;
在所述子图像单元存在栅线时,将所述特征信息经过语义分割网络,得到所述子图像中栅线断裂区域的遮罩;
将所有所述子图像单元的所述栅线断裂区域的遮罩拼接后,获得所述电池板的蜗牛纹的语义区域遮罩。
3.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法,其特征在于,所述的图像处理包括以下步骤:
将所述蜗牛纹的语义区域遮罩进行多次高斯下采样后,进行数学形态学处理去除掉带状蜗牛纹,获得第一遮罩图像;
将所述第一遮罩图像进行与所述高斯下采样相同次数的高斯上采样后,进行数学形态学处理去除噪声,获得面状蜗牛纹遮罩;
将所述面状蜗牛纹遮罩进行反相处理后与所述蜗牛纹的语义区域遮罩获取交集,获得交集图像;
将所述交集图像经过数学形态学处理去除噪声,获得带状蜗牛纹遮罩,所述带状蜗牛纹遮罩为包含带状蜗牛纹遮罩信息的图像。
4.根据权利要求1所述的基于人工智能的光伏电池板隐裂检测方法,其特征在于,所述的第一调整系数和第二调整系数是根据多组所述带状蜗牛纹的面积、所述面状蜗牛纹的面积与实际电池板隐裂数量拟合得出;所述实际电池板隐裂数量为电池板实际存在的隐裂数量。
5.基于人工智能的光伏电池板隐裂检测系统,其特征在于,包括:
图像采集模块,用于采集电池板完整表面纹理图像信息,得到电池板图像,所述电池板图像包括焊带、栅线蜗牛纹的特征信息;
图像切分模块,用于根据栅线方向切分所述电池板图像,得到多个尺寸等同的子图像;根据栅线垂直方向切分所述子图像,得到多个尺寸等同得子图像单元;
神经网络模块,用于将每个所述子图像单元经过深度神经网络,输出蜗牛纹的语义区域遮罩;
图像处理模块,用于将所述蜗牛纹的语义区域遮罩经过图像处理,分割出带状蜗牛纹遮罩和面状蜗牛纹遮罩,根据面状蜗牛纹遮罩获取面状蜗牛纹的面积S11,根据带状蜗牛纹遮罩获取带状蜗牛纹的面积S12;
映射模型计算模块,用于获取电池片隐裂数量N的映射模型:
其中,A为所述电池板的面积;Tp表示温度对所述隐裂数量的影响程度,Hp表示湿度对所述隐裂数量的影响程度;α为第一调整系数,β为第二调整系数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于廖一峰,未经廖一峰许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011064440.5/1.html,转载请声明来源钻瓜专利网。