基于双光相机的光伏组件缺陷自动检测

本文针对光伏组件的缺陷检测,提出一种基于双光相机的自动缺陷检测方法。通过离线标定建立双光相机间的单应性映射矩阵,在可见光图像上使用颜色阈值实现光伏组件分割,将分割掩模映射至热红外图像上,进而在热红外图像上的光伏组件内部检测缺陷。实验表明该方法可以有效降低缺陷误报率,提高检测准确度。

基于深度学习的光伏图像透视变换算法优化

本文针对图像处理中常用的透视变换算法,提出了一种基于深度学习算法理论的二次修正优化方法。具体表现为,在混合相加(或双光)相机的两图像上面对应点的透视变换过程中,对透视变换原点根据透视变换矩阵进行透视变换的基础上,引入深度学习算法中的多层感知器模型对透视变换后的点实现二次修正优化,以期消除因图像畸变等不确定因素而产生的误差,将源图像上的点更加有效、准确的透视变换到目标图像点上面。在本文中,以无人机搭载混合相加相机对光伏场站采集的光伏组件图像数据为基础研究对象,将热红外图像中存在的光伏组件缺陷点准确透视变换到可见光图像上对应的点上面为研究目标,以传统图像透视变换为研究基础,引入深度学习的多层神经网络模型,对其进行算法上的二次修正优化,更加准确的将热红外图像中的光伏组件存在的缺陷点透视变换到对应的可见光图像上面对应位置。

迁移学习在风机桨叶缺陷检测中的应用

随着新能源的不断投入与蓬勃发展,风能作为可再生的清洁能源更是其主要部分。风力发电应用的广泛普及,对服役运行中的风机桨叶缺陷检测成为刚需。在人工智能科学技术的发展驱动下,对于服役运行中的风机桨叶缺陷检测方式,已由传统的人工复检、常规桨叶缺陷识别逐渐发展为基于视觉的无接触式智能化检测。针对基于机器视觉与深度学习算法理论相结合的风机桨叶缺陷智能检测领域,基于小样本风机桨叶缺陷的端到端检测模型构建,引入迁移学习方法理论。以实际应用场景为研究对象,进行实验研究,结果证实了该应用方法的有效性。

基于无人机影像的屋顶检测与光伏自动排布方法

针对分布式光伏屋顶自动排布设计,提出一种基于无人机的屋顶检测与光伏自动排布方法。利用多旋翼无人机搭载高清相机,环绕屋顶采集多幅倾斜影像,通过视觉重建算法构建出屋顶三维点云模型,对三维点云进行欧氏聚类与平面拟合,搜索矩形屋顶面片,并根据光伏面板排布规则自动排布光伏面板,实现分布式光伏屋顶勘测排布全流程自动化。