[发明专利]一种地图中的光伏组串识别与定位方法

说明书

本发明实施例公开了一种地图中的光伏组串识别与定位方法，包括以下步骤：获取无人机采集测绘的光伏电站地图图像，将地图图像按一定尺寸依次有重叠切割图像，得到一系列图像；根据预设的组串识别神经网络模型，对切割后的光伏电站的地图图像进行特征提取，预测并获取每张图像中组串的位置坐标；计算组串在完整地图图像中的位置坐标；对整幅图像的识别结果计算交并比，并判断得到的交并比是否大于阈值，当得到的交并比大于阈值时则保留面积较大的识别框；最终结果通过服务器进行显示，通过服务器可以对结果进行修改。本发明实施例提供一种地图中的光伏组串识别与定位方法，以解决现有技术中故障组件不能精准定位的问题。

技术领域

本发明实施例涉及太阳能电池发电运维技术领域，具体涉及一种地图中的光伏组串识别与定位方法。

背景技术

光伏电站运行的全生命周期内，无法避免大颗粒灰尘、鸟粪、树叶等造成的组件遮挡，遮挡造成的局部阴影不仅会降低组件发电量，还会使得组件局部温度升高，产生热斑效应。热斑的产生在影响光伏系统的发电效率的同时，甚至会对光伏组件造成永久性的伤害，为电站带来火灾隐患。据统计，一块约占电池1/60面积的热斑，将影响整块光伏电板1/3的发电量，严重的热斑效应会使太阳电池组件的实际使用寿命至少减少30％。如果不能及时的检测出热斑并换掉问题组件，热斑区域会越变越大；长此以往可能会造成组件失效，严重的甚至会烧毁组件，引发火灾，造成无法弥补的损失。所以对光伏电站的故障巡检十分的必要，而基于地图图像的光伏组串识别可以为故障巡检，定位等提供必要的支持。

对于组串的识别可以采用图像分割方法等来实现，现有的图像分割算法有很多种，通过颜色之间的差异性，简单的使用阈值处理可以将图像划分成两个区域，常见的阈值处理方法有固定阈值、OTSU阈值、全局阈值、自适应阈值等。而简单的阈值法过度依赖颜色特征并且容易受到背景干扰，分割不够精准，因此需要更加有效的识别方法。

采用目标检测方法可以直接得到组串像素区域的位置信息，随着计算机视觉技术不断发展，使用机器学习进行目标检测的精度不断提高，通过大规模数据集训练的深度学习神经网络模型的性能已经超越传统图像处理，对于复杂背景图像的检测性能鲁棒性更高，无需人工干预矫正即可高效率的进行检测。因此本发明提出基于深度学习神经网络的光伏组串检测的技术方案，使用YOLOv4网络模型进行完整光伏组串定位。

发明内容

为此，本发明实施例提供一种地图中的光伏组串识别与定位方法，以解决现有技术中故障组件不能精准定位的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例公开的一种地图中的光伏组串识别与定位方法，包括以下步骤：

S1、获取无人机采集测绘的光伏电站地图图像，将地图图像按一定尺寸依次有重叠切割图像，得到一系列图像；

S2、根据预设的组串识别神经网络模型，对切割后的光伏电站的地图图像进行特征提取，预测并获取每张图像中组串的位置坐标；

S3、计算组串在完整地图图像中的位置坐标；

S4、对整幅图像的识别结果计算交并比，并判断得到的交并比是否大于阈值，当得到的交并比大于阈值时则保留面积较大的识别框；

S5、最终结果通过服务器进行显示，通过服务器可以对结果进行修改。

进一步地，在步骤S1中，测绘得到的光伏电站地图图像不能直接输入模型进行识别，将光伏电站地图图像按900*600像素大小并重叠500*60像素进行切割，保证每个组串都被完整地包含在一张图片中。

进一步地，将光伏电站地图图像还可以按1200*900像素大小并重叠500*60像素进行切割。

进一步地，在步骤S2中组串识别神经网络模型的构建包括以下步骤：