本发明涉及光伏发电系统巡检技术领域，具体为基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法。
背景技术：
随着无人机在光伏巡检中的广泛使用，光伏面板的故障检测的效率大大提高，无人机上搭载的高清摄像头源源不断的将数万块光伏面板的照片实时传回，依靠人工难以做到准确，及时的处理，需要计算机对缺陷进行实时检测，当光伏面板发生故障时，由于电流和电压的失配，会在故障区域及其附近消耗大量电能而发热，在红外图像上亮度高于正常部位，这种现象被称为“热斑”，开发出一种热斑的识别及定位算法对于光伏面板的故障检测具有十分重要的意义。
技术实现要素：
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，解决了人工对无人机光伏巡检传回的光伏面板红外图像无法实时、准确识别故障光伏面板的问题，通过应用计算机对光伏组件进行实时检测，提高光伏组件热斑检测效率和质量，实现光伏组件故障智能识别定位。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，具体包括以下步骤：
s1、将rgb图像转化成灰度图，热斑在灰度图中以亮斑形式体现；
s2、为准确识别热斑区域，使用轮廓识别算法，识别图片中亮斑的轮廓，并计算亮斑的面积，当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，并计算热斑区域的中心点；
s3、识别出光伏组件的内部栅格线及边界对光伏组件热斑进行定位；
s4、内部栅格线的计算方式，将原图片转化为灰度图像后，再将得到的灰度数组导入excel，然后采用热力图的方式进行显示，栅格线处的灰度值在行方向上属于较小值，对光伏组件上的每个点往前后各拓展为4个元素，形成一个横向或纵向的窗格，此时窗格中心点处的值是整个网格中心的最小值，纵向或横向栅格线即可以被正确识别出来；
s5、光伏面板外的区域在灰度图存在大量散点，利用面板边界线两侧数据分布的不一致性对面板上下边缘进行识别，任选一点为中心，上下各扩展5个点，形成一个窗格，计算上面5个值的和与下面5个值的和，分别代表面板区域与地面区域，计算两者之差使用上诉算法遍历图像中的点，差值最大者认为是边界线；
s6、针对光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，将识别出的所有边界点使用线性回归拟合出一条直线，拟合出的直线即为下边界线。
优选的，所述步骤s1中灰度图上存在如电池部件反光的噪点。
优选的，所述步骤s2中当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，减少灰度图中噪点影响，准确识别热斑区域。
优选的，所述步骤s4中应用窗格检测方法能够准确识别光伏组件内部栅格线。
优选的，所述步骤s5中应用窗格检测方法能够识别光伏面板边界线。
优选的，所述步骤s6中光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，提升光伏面板边界识别准确性。
(三)有益效果
本发明提供了基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法。与现有技术相比具备以下有益效果：该基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，具体包括以下步骤：s1、将rgb图像转化成灰度图，热斑在灰度图中以亮斑形式体现，s2、为准确识别热斑区域，使用轮廓识别算法，识别图片中亮斑的轮廓，并计算亮斑的面积，当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，并计算热斑区域的中心点，s3、识别出光伏组件的内部栅格线及边界对光伏组件热斑进行定位，s4、内部栅格线的计算方式，将原图片转化为灰度图像后，再将得到的灰度数组导入excel，然后采用热力图的方式进行显示，s5、光伏面板外的区域在灰度图存在大量散点，利用面板边界线两侧数据分布的不一致性对面板上下边缘进行识别，s6、针对光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，将识别出的所有边界点使用线性回归拟合出一条直线，拟合出的直线即为下边界线，很好的解决了现有无人机光伏巡检图片人工分析效率低、不准确的问题，通过设计可应用于计算机的一种基于窗格检测和线性回归算法的光伏组件热斑缺陷定位方法，实现了光伏组件热斑缺陷智能识别和定位，大大提高了光伏组件故障检测效率和精准度，减少了人力成本，避免了人工对无人机光伏巡检传回的光伏面板红外图像无法实时、准确识别故障光伏面板的情况发生，从而应用计算机对光伏组件进行实时检测，提高光伏组件热斑检测效率和质量，实现光伏组件故障智能识别定位。
附图说明
图1为本发明的整体流程图；
图2为本发明热斑识别流程中将rgb图像转化成灰度图后效果图；
图3为本发明使用阈值法提取的灰度值大于设定阈值后的热斑区域图；
图4为本发明热斑定位原理图；
图5为本发明将原图片转化为灰度图像后，再将得到的灰度数组导入excel，然后采用热力图的方式进行显示的效果图；
图6为本发明窗格检测识别光伏面板内部栅格线的原理描述图；
图7为本发明识别光伏面板内部栅格线后图片效果图；
图8为本发明窗格检测识别光伏面板上下边界的原理描述图；
图9为本发明识别光伏面板上下边界后图片效果图；
图10为本发明采用线性回归对边界进行平滑处理后的效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-10，本发明实施例提供一种技术方案：基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，具体包括以下步骤：
s1、将rgb图像转化成灰度图，热斑在灰度图中以亮斑形式体现，灰度图上存在如电池部件反光的噪点；
s2、为准确识别热斑区域，使用轮廓识别算法，识别图片中亮斑的轮廓，并计算亮斑的面积，当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，并计算热斑区域的中心点，减少灰度图中噪点影响，准确识别热斑区域；
s3、识别出光伏组件的内部栅格线及边界对光伏组件热斑进行定位；
s4、内部栅格线的计算方式，将原图片转化为灰度图像后，再将得到的灰度数组导入excel，然后采用热力图的方式进行显示，栅格线处的灰度值在行方向上属于较小值，对光伏组件上的每个点往前后各拓展为4个元素，形成一个横向或纵向的窗格，此时窗格中心点处的值是整个网格中心的最小值，纵向或横向栅格线即可以被正确识别出来，应用窗格检测方法能够准确识别光伏组件内部栅格线；
s5、光伏面板外的区域在灰度图存在大量散点，利用面板边界线两侧数据分布的不一致性对面板上下边缘进行识别，任选一点为中心，上下各扩展5个点，形成一个窗格，计算上面5个值的和与下面5个值的和，分别代表面板区域与地面区域，计算两者之差使用上诉算法遍历图像中的点，差值最大者认为是边界线，应用窗格检测方法能够识别光伏面板边界线；
s6、针对光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，将识别出的所有边界点使用线性回归拟合出一条直线，拟合出的直线即为下边界线，提升光伏面板边界识别准确性。
图3为使用阈值法提取的灰度值大于设定阈值后的图像，图中既有光伏板大面积热斑又有电池部件反光，将大于阈值的热斑保留，即为热斑区域。
图4为阐述热斑定位原理，即热斑在光伏组件上处于哪一个电池单元。
综上，本发明很好的解决了现有无人机光伏巡检图片人工分析效率低、不准确的问题，通过设计可应用于计算机的一种基于窗格检测和线性回归算法的光伏组件热斑缺陷定位方法，实现了光伏组件热斑缺陷智能识别和定位，大大提高了光伏组件故障检测效率和精准度，减少了人力成本，避免了人工对无人机光伏巡检传回的光伏面板红外图像无法实时、准确识别故障光伏面板的情况发生，从而应用计算机对光伏组件进行实时检测，提高光伏组件热斑检测效率和质量，实现光伏组件故障智能识别定位。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
1.基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：具体包括以下步骤：
s1、将rgb图像转化成灰度图，热斑在灰度图中以亮斑形式体现；
s2、为准确识别热斑区域，使用轮廓识别算法，识别图片中亮斑的轮廓，并计算亮斑的面积，当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，并计算热斑区域的中心点；
s3、识别出光伏组件的内部栅格线及边界对光伏组件热斑进行定位；
s4、内部栅格线的计算方式，将原图片转化为灰度图像后，再将得到的灰度数组导入excel，然后采用热力图的方式进行显示，栅格线处的灰度值在行方向上属于较小值，对光伏组件上的每个点往前后各拓展为4个元素，形成一个横向或纵向的窗格，此时窗格中心点处的值是整个网格中心的最小值，纵向或横向栅格线即可以被正确识别出来；
s5、光伏面板外的区域在灰度图存在大量散点，利用面板边界线两侧数据分布的不一致性对面板上下边缘进行识别，任选一点为中心，上下各扩展5个点，形成一个窗格，计算上面5个值的和与下面5个值的和，分别代表面板区域与地面区域，计算两者之差使用上诉算法遍历图像中的点，差值最大者认为是边界线；
s6、针对光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，将识别出的所有边界点使用线性回归拟合出一条直线，拟合出的直线即为下边界线。
2.根据权利要求1所述的基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：所述步骤s1中灰度图上存在如电池部件反光的噪点。
3.根据权利要求1所述的基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：所述步骤s2中当面积大于设定的阈值时，就将亮斑的轮廓保留，视为热斑区域，减少灰度图中噪点影响，准确识别热斑区域。
4.根据权利要求1所述的基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：所述步骤s4中应用窗格检测方法能够准确识别光伏组件内部栅格线。
5.根据权利要求1所述的基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：所述步骤s5中应用窗格检测方法能够识别光伏面板边界线。
6.根据权利要求1所述的基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法，其特征在于：所述步骤s6中光伏面板边界线识别局部点存在“脱节跳动”的现象，采用线性回归对边界进行平滑处理，提升光伏面板边界识别准确性。
技术总结