[发明专利]基于人工智能的光伏电池板彩虹纹检测方法、装置及设备

说明书

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏电池板彩虹纹检测方法、装置及设备。该方法包括：采集多个含有彩虹纹的光伏电池板的正视图像并识别出彩虹纹区域；对每个彩虹纹区域分类，并检测其边缘轮廓；获取每个边缘轮廓的关键点，计算其可信权重；计算目标关键点与周围关键点的距离均方差；根据可信权重和距离均方差获取目标关键点的可信程度；根据可信程度筛选可信关键点；利用可信关键点获得边缘轮廓的平均形状；获取边缘轮廓的方差矩阵并调整边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。本发明实施例能够结合彩虹纹的位置特性计算出光伏电池板各区域被检测的优先度，极大地提高了彩虹纹的检测效率。

技术领域

本发明涉及人工智能技术领域，具体涉及基于人工智能的光伏电池板彩虹纹检测方法、装置及设备。

背景技术

光伏组件表面最常见的污染就是组件下端由于边沿阻水导致边缘的积灰，特别是一些彩钢瓦工商业屋顶由于安装倾角低，积水积灰更为严重。造成组件下端积灰的原因很简单，因为下雨或者是对组件表面进行清洗维护，组件表面冲刷了积灰的污水会沿着组件向下端流动。而由于组件边沿比玻璃会高出1-2mm，总有部分积水无法越过边沿。积水晒干或风干后，留下的灰尘就会结在表面，很难被冲刷掉，日积月累形成泥带。由于泥带和玻璃表面有行程高度差，在下次清洗时积水区域会更大，脏污区域会不断变大。

由于组件下沿泥带的形成，造成的热斑效应让局部玻璃温度升高，同时泥带中的杂质和玻璃中的钠盐在高温下对镀膜形成损伤，会造成无法恢复的彩虹纹，即便将泥带冲洗干净，该区域的光透射率也会衰减。

发明人在实践中，发现上述现有技术存在以下缺陷：

现有针对彩虹纹的检测方式基本依靠人工进行，这种方式不仅费时费力，准确度也有限；其他诸如运用深度神经网络来对彩虹纹进行学习识别的方式也需要较大的训练集和较长的训练时间；而传统的机器分割算法均是针对整幅图像进行分割，并不能根据彩虹纹的位置特点进行针对性的识别分割。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的光伏电池板彩虹纹检测方法、装置及设备，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的光伏电池板彩虹纹检测方法，该方法包括以下步骤：

采集多个含有彩虹纹的光伏电池板的正视图像，识别每个所述正视图像的彩虹纹区域；

依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类，并检测所述彩虹纹区域的边缘轮廓；

获取每个所述边缘轮廓的关键点，根据所述关键点的位置信息计算每个所述关键点的可信权重；选取每个类别的参考轮廓，并获取所述参考轮廓上的目标关键点；获取每个目标关键点的周围关键点，所述周围关键点是与所述目标关键点同类别的每个边缘轮廓中与所述目标关键点距离最近的关键点；计算所述目标关键点与周围关键点的距离均方差；根据所述可信权重和所述距离均方差获取所述目标关键点的可信程度；

对于每个类别的边缘轮廓，根据所述可信程度筛选所述目标关键点，获取可信关键点；利用所述可信关键点使所有边缘轮廓进行轮廓对齐，获得边缘轮廓的平均形状；

通过计算同一类别中的所有所述边缘轮廓与所述平均形状的偏差组成方差矩阵；根据所述方差矩阵的特征向量和特征值调整所述边缘轮廓的优先度，按照优先度大小对待测光伏电池板进行彩虹纹检测。

优选的，所述识别所述正视图像的彩虹纹区域的方法为：

获取标准光伏电池板的标准灰度平均值，通过比较所述光伏电池板的灰度值与所述标准灰度平均值，识别出所述彩虹纹区域。

优选的，所述依据每个所述彩虹纹区域与所述光伏电池板各边沿的距离对其分类的步骤包括：

获取每个所述彩虹纹区域的主成分方向；