基于无人机与HSV空间的光伏电池板检测分析

发布时间：2020-12-29 14:35

　　针对复杂环境下图像分析的困难性,研究了一种基于HSV空间模型的图像分割与检测方法。首先,利用无人机采集图像,区域分割提取出光伏电池板区域。其次,运用高斯卷积检测裂纹图像的梯度。最后,应用形态学图像处理与HSV空间模型的方法提取遮挡物,计算最小外接矩形面积与其占光伏电池板的比例。该方法能有效地对复杂背景下的光伏图像进行区域分割与检测,具有一定创新性和实用价值。 

【文章来源】：红外技术. 2020年10期 北大核心

【文章页数】：5 页

【部分图文】：

光伏电池板的红外图像

绿植遮挡的分割

图4(b)、(c)为图像在x、y方向上的高斯滤波结果。运用此方法可以从x、y两个方向分别将光伏电池板表面分布的栅极网格线去除，清楚地观察到裂纹的边缘及其发展趋势。3.2 遮挡物分析

【参考文献】：
期刊论文
[1]基于红外成像技术的电气设备故障检测[J]. 刘齐,王茂军,高强,李晓明,石林.  电测与仪表. 2019(10)
[2]基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J]. 洪向共,周世芬.  科学技术与工程. 2018(34)
[3]基于机器视觉的太阳能电池片缺陷检测技术的研究[J]. 刘磊,王冲,赵树旺,李海滨.  电子测量与仪器学报. 2018(10)
[4]光伏热斑图像有效区域分割算法研究[J]. 毛峡,石天朋.  太阳能学报. 2018(05)
[5]基于视觉显著性的太阳能电池片表面缺陷检测[J]. 钱晓亮,张鹤庆,张焕龙,贺振东,杨存祥.  仪器仪表学报. 2017(07)
[6]无人机辅助巡视及绝缘子缺陷图像识别研究[J]. 王淼,杜毅,张忠瑞.  电子测量与仪器学报. 2015(12)
[7]太阳能电池板缺陷分割技术研究[J]. 陈磊,乔继红,陈岩.  微电子学与计算机. 2014(12)
[8]一种基于不规则区域的高斯滤波去噪算法[J]. 姒绍辉,胡伏原,顾亚军,鲜学丰.  计算机科学. 2014(11)
[9]复杂背景下基于HSV空间和模板匹配的车牌识别方法研究[J]. 谢永祥,董兰芳.  图学学报. 2014(04)
[10]一种基于HSV颜色空间的车辆牌照提取方法[J]. 王夏黎,周明全,耿国华.  计算机工程. 2004(17)

硕士论文
[1]基于无人机视觉的大规模光伏电池板检测技术研究[D]. 黄钰雯.广西大学 2017



本文编号：2945805