基于多任务融合的光伏电站红外图像热斑检测

人工巡检光伏板难以满足大规模光伏电站巡检工作的要求,且效果不佳。提出一种新的面向无人机热斑检测与定位方法,用于批量检测热斑和精确定位热斑的经纬度。运用基于YOLOv3架构的网络识别热斑,其中创新点,针对远视野的热斑检测,修改YOLOv3模型中的RU_1单元,添加神经网络残差单元进行融合。改进YOLOv3模型主干网络结构的卷积单元分布,RU_2单元与RU_1单元在网络中交替排列,增强网络的排列复杂度。针对太阳能光伏板红外图中出现的误识别问题,运用DeepLab v3+模型分割光伏板,滤除因地面亮斑而产生的误识别。通过已知信息,无人机偏航角、无人机拍摄高度、镜头视场角、镜头焦距、图像中心点经纬度、热斑和中心点在像素坐标系的像素点坐标等,根据几何定位方法计算出热斑经纬度。实验结果表明,热斑识别准确率在98%以上,无人机定高在25 m时,热斑定位误差在分米级别。

光伏全景图在组件热斑缺陷定位中的应用

光伏全景图在组件热斑缺陷定位中的应用中文摘要:随着社会的不断进步,不可再生资源日益减少,光伏发电在国内外愈来愈受到重视.光伏面板占地面积大,面板数量多,人工巡检耗时耗力.采用无人机智能巡检,相机拍摄的面板数量有限,识别出图片中的热斑缺陷与实际的面板尚未实现一一对应.本研究采用全景图拼接技术,将拍摄的光伏图片拼接成完整的电站的图片,并将结果绘制在全景图上,经验证,能实现每个热斑缺陷对应实际的光伏面板,节省人工寻找面板的时间,有利于提升电站的智能化巡检和管理效率.