本发明提供一种基于图像融合识别的光伏组件故障检测方法，通过图像采集装置获取光伏组件的图像，包括红外热成像图像和可见光图像；利用基于强化KAZE算法的图像拼接算法对图像进行拼接；利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；基于故障类型的判断结果，进行故障发展趋势的预测；进行针对性维护措施的决策。
1.一种基于图像融合识别的光伏组件故障检测方法，其特征在于：它包括以下步骤：S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；
S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接；
S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；
S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；
S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；
S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；
S7：基于故障类型的判断结果，进行故障发展趋势的预测；
S61、分别读取红外热成像图像和可见光图像的特征向量；
S62、通过卷积神经网络执行分类操作，获取初步检测结果；
S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
2.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
3.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
4.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定所述同一位置已产生特定故障；若得到不同故障表征，则再次读取所述同一位置其他图像进行比对，重新进行判断，减小误判的可能性。
5.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S7具体为：S71、基于故障类型的判断结果，判断该故障是否可发展严重；
S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
6.根据权利要求1所述的基于图像融合识别的光伏组件故障检测方法，其特征在于：所述的S8具体为：S81、根据故障类型的判断结果划分故障等级；
S82、根据故障发展趋势的预测结果判断故障发展情况；
S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
一种基于图像融合识别的光伏组件故障检测方法
技术领域
[0001] 本发明属于光伏发电系统故障检测领域，具体涉及一种基于图像融合识别的光伏组件故障检测方法。
背景技术
[0002] 随着近年来光伏产业的迅猛发展，也对相应的运行维护工作提出了更高要求。在光伏组件的实际运行过程中，长期覆盖在光伏组件表面的灰尘和污染物（如鸟粪、落叶、无机盐结垢等）会对光伏组件造成严重影响：降低了光的透过率，实际光照强度和受光面积均大幅度减少，影响发电效率；散热不佳导致电能转化为热能的比例增大，其电能转换效率会降低30% 40%；此外，污染物长期存在于光伏组件上，还会引起热斑效应，一块约占光伏组件~面积1/60的热斑将影响整体1/3的发电量，导致光伏组件的使用寿命至少减少10%，并对光伏组件造成不可逆损毁。
[0003] 现有的集中式大型光伏电站投资大，运维系统较为完善，但只是通过定期检查的方式来检测故障，难以及时发现故障，存在着较大的故障隐患；而逐渐兴起的运载工具光伏发电系统和光伏路灯等分布式光伏发电系统普遍存在着不巡检、不维护的问题，极易发生故障，造成不可逆的损失。且现有光伏运维方式只能进行故障发生后的识别与事后维修，不能做到故障预测与及时排除。
发明内容
[0004] 本发明要解决的技术问题是：提供一种基于图像融合识别的光伏组件故障检测方法，省去光伏电站故障检测大量耗费的人力物力。
[0005] 本发明为解决上述技术问题所采取的技术方案为：一种基于图像融合识别的光伏组件故障检测方法，其特征在于：它包括以下步骤：
[0006] S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像；
[0007] S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接；
[0008] S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理；
[0009] S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理；
[0010] S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量；
[0011] S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型；
[0012] S7：基于故障类型的判断结果，进行故障发展趋势的预测；
[0013] S8、进行针对性维护措施的决策。
[0014] 按上述方法，所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
[0015] 按上述方法，所述的S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
[0016] 按上述方法，所述的S6具体为：
[0017] S61、分别读取红外热成像图像和可见光图像的特征向量；
[0018] S62、通过卷积神经网络执行分类操作，获取初步检测结果；
[0019] S63、对特征向量进行像素划分、位置匹配；
[0020] S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
[0021] S65、将对比结果进行分析，获取二次检测结果。
[0022] 按上述方法，所述的S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定该区域已产生特定故障；若得到不同故障表征，则再次读取该位置其他图像进行比对，重新进行判断，减小误判的可能性。
[0023] 按上述方法，所述的S7具体为：
[0024] S71、基于故障类型的判断结果，判断该故障是否可发展严重；
[0025] S72、分析故障区域当前状态，划分故障程度；
[0026] S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
[0027] S74、获得故障是否会发展严重的结论。
[0028] 按上述方法，所述的S8具体为：
[0029] S81、根据故障类型的判断结果划分故障等级；
[0030] S82、根据故障发展趋势的预测结果判断故障发展情况；
[0031] S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
[0032] 本发明的有益效果为：将红外热成像图像和可见光图像融合识别的方式，显著提升了检测系统的性能，并且能够有效实现故障的检测、发展趋势判断和应采取的运维措施，可应用于大型光伏阵列、运载工具光伏系统和小型分布式光伏系统，适用面广阔，且在提升检测效果的同时能显著降低人力物力的投入。
附图说明
[0033] 图1为本发明一实施例的方法流程图。
[0034] 图2为图像处理流程图。
[0035] 图3为图像融合识别流程图。
[0036] 图4为故障趋势预测流程图。
[0037] 图5为维护方式决策流程图。
具体实施方式
[0038] 下面结合具体实例和附图对本发明做进一步说明。
[0039] 本发明提供一种基于图像融合识别的光伏组件故障检测方法，如图1所示，它包括以下步骤：
[0040] S1、通过图像采集装置获取光伏组件的图像，所述的图像包括红外热成像图像和可见光图像。所述的图像采集装置包括红外热成像相机和可见光相机，红外热成像相机和可见光相机均挂载于光伏组件巡检飞行器或移动式光伏组件检测装置上，同步采集红外热成像图像和可见光图像。
[0041] S2至S4的步骤如图2所示。
[0042] S2、利用基于强化KAZE算法的图像拼接算法对所述的图像进行拼接。S2具体包括：构造非线性尺度空间；特征点检测和定位；特征向量的描述；特征向量的匹配。
[0043] 构造非线性尺度空间包括的具体方法为：通过可变传导扩散方法构建非线性尺度空间。
[0044] 特征点检测和定位的具体方法为：在不同尺度空间中，为求出特征点对应的位置和尺度，将每个点与邻域中的点进行比较，以获取归一化后的矩阵局部极大值点。取得特征点位置后，根据泰勒展开式求解亚像素的精确位置。
[0045] 特征向量的描述的具体方法为：为每个已确定点位置和主方向的特征点构建特征向量，并以每个特征点为中心，在梯度图像上取矩形窗口，进行划分和加权。
[0046] 特征向量的匹配的具体方法为：使用两特征向量之间的欧氏距离对其进行匹配。
[0047] S3：利用基于HSV模型和YCbCr模型的图像处理算法对图像进行色彩处理。
[0048] S4：通过中值滤波、形态学图像处理、边缘检测、轮廓提取和区域分离方法对图像进行处理。
[0049] S5：使用局部二值模式LBP分别提取红外热成像图像和可见光图像中光伏组件故障区域的特征向量。本步骤中的特征向量含义与S2中的特征向量含义相同，只是S5只提取光伏组件故障区域部分的特征向量。
[0050] S6：通过卷积神经网络算法对获得的特征向量进行分类识别，并将红外热成像图像和可见光图像中同一位置的识别结果进行融合识别，判断故障类型。如图3所示，S6具体为：
[0051] S61、分别读取红外热成像图像和可见光图像的特征向量；
[0052] S62、通过卷积神经网络执行分类操作，获取初步检测结果；
[0053] S63、对特征向量进行像素划分、位置匹配；
[0054] S64、将红外热成像图像和可见光图像同一位置的特征向量进行对比；
[0055] S65、将对比结果进行分析，获取二次检测结果。S65具体为：将两种图像的特征向量进行比对后，得到相同故障表征，则确定该区域已产生特定故障；若得到不同故障表征，则再次读取该位置其他图像进行比对，重新进行判断，减小误判的可能性。
[0056] S7：基于故障类型的判断结果，进行故障发展趋势的预测。如图4所示，S7具体为：
[0057] S71、基于故障类型的判断结果，判断该故障是否可发展严重；
[0058] S72、分析故障区域当前状态，划分故障程度；
[0059] S73、根据图像融合识别的结果，判断故障形成因素是否仍然存在；
[0060] S74、获得故障是否会发展严重的结论。
[0061] S8、进行针对性维护措施的决策。如图5所示，S8具体为：
[0062] S81、根据故障类型的判断结果划分故障等级；
[0063] S82、根据故障发展趋势的预测结果判断故障发展情况；
[0064] S83、综合故障类型、故障等级和故障发展情况，判断应该执行的针对性维护措施。
[0065] 本发明提供一种基于图像融合识别的光伏组件故障检测方法，通过图像采集装置获取光伏组件的红外热成像图像和可见光图像，通过二值化、分割、拼接等方法进行图像处理，并利用卷积神经网络进行分类识别，判断光伏组件实时状态以及是否发生表面破损、材料老化脱落、热斑故障、栅线氧化腐蚀等常见故障，预测故障发展趋势，并提供相应维护建议。本发明利用图像识别技术，完成光伏组件的故障检测、故障趋势预测和维护方式决策，省去光伏电站故障检测大量耗费的人力物力。
[0066] 以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
