基于红外图像的光伏组件热斑智能检测

发布时间：2023-03-11 19:36

　　在过去近二十年中,光伏产业发展迅速,装机容量和覆盖面积大规模上升。随着光伏电站使用年限的增加,光伏组件老化问题逐渐凸显,不同类型的故障逐渐显现。这些故障一方面影响发电效率,另一方面带来安全隐患,有可能引起火灾等安全事故。因此,光伏电站运维和巡检十分重要。目前,由于无人机的方便快捷,价格低廉等特性,通过无人机携带红外相机对光伏电站进行巡检的方式越来越受到研究人员的关注。本文针对无人机红外图像中光伏组件识别与诊断问题,针对不同应用情况,提出了两种方法。其一是传统的图像处理算法,通过模板匹配,图像金字塔结构,霍夫直线检测,干扰直线滤除等算法提取光伏组件。用边缘检测等算法进行故障诊断。通过近圆率,组件灰度方差等滤除环境干扰,并尝试根据拍摄环境进行参数自适应。其二是基于深度学习的目标检测算法。以Faster-RCNN,SSD算法为基础,采用ResNet18主干网络,特征融合方法,Focal Loss损失函数等方法对其进行优化。采集数据集并标注,采用预训练加微调的方法解决数据集不足的问题。针对不同的硬件平台给出了不同大小,不同硬件需求的模型。针对不同环境下的光伏电站进行实地测试,验证了算法的有效性...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 国外技术研究现状
        1.2.2 国内技术研究现状
    1.3 主要研究内容
    1.4 本文组织结构
第2章 光伏电站红外巡检简介
    2.1 光伏组件的结构与排布
    2.2 无人机巡检策略
    2.3 光伏电站的复杂环境以及干扰因素
    2.4 本章小结
第3章 传统图像处理算法
    3.1 基于模板匹配的光伏组件识别
        3.1.1 模板匹配算法
        3.1.2 图像金字塔
    3.2 基于霍夫直线变换的光伏组件识别
        3.2.1 Canny边缘检测法
        3.2.2 霍夫直线变换法
        3.2.3 确定光伏组件区域
    3.3 基于Canny边缘提取的故障诊断
    3.4 实验分析
    3.5 本章小结
第4章 深度学习目标检测算法
    4.1 目标检测算法简介
    4.2 目标检测算法评价指标
    4.3 Faster-RCNN算法
        4.3.1 Faster-RCNN算法简介
        4.3.2 Faster-RCNN实验测试
        4.3.3 Faster-RCNN模型分析
    4.4 SSD算法
        4.4.1 SSD算法简介
        4.4.2 SSD实验测试
        4.4.3 SSD模型分析
    4.5 改进的SSD算法
        4.5.1 ResNet模型
        4.5.2 特征融合方法
        4.5.3 Focal Loss损失函数
        4.5.4 简化模型
    4.6 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
作者简介



本文编号：3760113