2024基于无人机的光伏电站智能巡检

基于无人机的光伏电站智能巡检引言太阳能作为一种来源广泛的清洁能源，近年来在国内得到了充分的重视，光伏发电产业已经达到了一碎裂等等，及时发现面板缺陷并进行人工干预对保障电站的发电效率有重要意义[3]。[4]，为了解决上述问题，国内外学者进行了广泛研究。陆成龙[5]等进行无人机智能巡检系统硬件以及软件平台设计，根据损伤尺寸理论实现了对风电光伏的检测；王栓虎[6]等分析了无人机相对于传统光伏电站运维模式的优势；但他们仅仅提供了关于应用研究，并未给出具体缺陷检测方法。赵玲玲[7]等提出了一种基于HSV空间模型的图像分割及检测的光伏面板缺陷检测技术，能有效地对复杂背景下的光伏图像进行区域分割与检测；李香凡[8]等提出了一种基于金字塔图像序列的数据增强方法，该方法可以在不增加噪声的情况下最大程度地增加小目标的训练样本；GabrieleRoggi[9]等提出了一种基于视觉的引导光伏电站分析测试自动检测方法，并通过测验证明了其有效性；但他们所提出的方法存在对光照变化鲁棒性不强，检测效率低，不能满足实时性要求的问题。本文提出一种基于无人机的光伏电站智能巡检

定的规模[1-2]无人机智能巡检技术路线数据分析子系统。1M300RTK作为无人机飞行平台，该飞行平台基于实时动态测量（RealTime45H20T云台相机，该云200023倍光学混合变640×51250mK，可以较好满足任务对图像质量的要求。利用该云台相机可同时获取视场相似的红外和可见光图像，为缺陷检测与缺陷类型判别提供了很大的便利。如图2(a)2(b)图1数据采集硬件平台Fig.1Hardwareplatformfordataacquisition无人机数据采集 (b)红外图像 (c)可见光图像(a)TheUAViscollectingdata (b)Infraredimage (c)Visibleimage图2无人机数据采集Fig.2DataacquisitionbyUAV3（positionandorientation数据与相机成像模型实现缺陷定位。StartStartRouteplanningRouteplanning

34。由于基于无人机的缺陷采集单元是无人机在航5，可以看出光照大津法求得的分割阈值可以使前景与背景图像的类间方差最大，类间方差g可表示为：InfraredimageVisibleimageThedatacollectiong＝0(0－)2＋1(1－)2 和1的平均灰度；为整幅图像的平均灰度，可表示为：InfraredimageVisibleimageThedatacollection＝＋

(2)00 11DefectclassificationDefectdetection将式(2)代入式(1)DefectclassificationDefectdetectiong＝(－)2 (3)010 1InfraredimageAdaptivedynamicthresholdsegmentationEnhancementanddenoisingForegroundextractionImagepreprocessinggInfraredimageAdaptivedynamicthresholdsegmentationEnhancementanddenoisingForegroundextractionImagepreprocessingDefectlocationDefectlocationEndEnd图3巡检系统工作流程图Fig.3Workflowoftheinspectionsystem缺陷检测与定位缺陷检测从红外图像中识别出热斑区域可以划归为计算

DefectclassificationDefectclassificationHotspotdetection图4缺陷检测算法流程VisibleimageFig.4FlowofdefectdetectionalgorithmVisibleimage灰度图像 (b)灰度直方图(a)Grayimage (b)Grayhistogram图5红外数据的灰度图及灰度直方图Fig.5Grayscalediagramandgrayhistogramofinfrareddata6(b)[12]6(c)所示。在前处理结束后，为了提高缺陷识别率，需要对原图像进行图像增强，达到凸显缺陷并抑制噪声的目

值：T(i,j)＝max(devd(i,j),C) 式中：dev为标准差因子用于调整标准差对局部噪声1C环境的灰度值。则缺陷区域分割可表示为：的，具体地，包括以下步骤：

F ,(i,j)(i,j)(i,j)

(8)3像素×3像素的结构元作为计算增强系

i,j

F G T (i,j) (i,j) (i,j)数的局部窗口F。计算窗口内中心点周围8个像素点的均值（mean）和标准差（dev），如下式：

式中：G(i,j)为该像素点的高斯加权和，自适应动态阈6(e)6(c)6(e)6(c)devF

18X18i118i1 i8(Xmean)2F8F

(4)(5)

中像素为0的区域赋值为116(e)6(f)6(g)，即为识别的热斑位置。与前景提取所采用的大津法关注全局灰度值不式中：Xi代表中心像素点的8邻域。XF像素。

导致成像差异带来的影响，提高缺陷识别率。XF

devFmeanF

(6)

在红外图像中检测出热斑区域后，根据红外图像和可见光图像的对应关系，结合可见光图像对热斑区(b)Otsumethodsegmentationresults(c)Openandcloseoperationson(a)Infraredimage(f)(b)Otsumethodsegmentationresults(c)Openandcloseoperationson(a)Infraredimage(f)(c)times(c)(g)Thefinalresult(d)Adaptivedynamicthresholdsegmentationresults(e)Closeoperationon(d)

维修和更换。图6检测算法处理过程Fig.6Detectionalgorithmprocessingprocess缺陷定位为了将图像中检出的缺陷定位到真实地理坐标7u,vF中的坐标为PXE,Y,ZE)，存在如下变换关系：图7缺陷定位坐标关系示意Fig.7Defectlocationcoordinaterelationship

过公式(3)～(11)逆映射即可将图像中检测出的缺陷转换到地理坐标系下，实现缺陷定位。试验结果本文提出的智能巡检技术路线试验在建湖渔光把光伏面板建在池塘上的技术手段[13]，通过池塘养如图8为部分航线示意图，其中划定的巡检区域面积接近200000m2，规划航线总长度超过10000m，预计任务总时长约1h，可在两个架次内完成数据采集任务。u

0 u

XEx 0RtYZv0 f v EC

y 00Z

(9)1 0 0 1 EKRt

1式中：RtOECEFOCPE(XE,YE,ZE)从OECEFOC，RtPOSKK

图8部分任务航线示意Fig.8Schematicdiagramofpartialmissionroutes使用所提出的方法可在3min内完成对采集到的12009原始图像 (b)处理结果 (c)检测结果(a)Initialimage(b)Imageprocessingresults(c)Defectdetectionresult图9部分缺陷检测结果Fig.9Somedefectdetectionresults1表1缺陷检测统计结果Table1Statisticalresultsofdefectd