本發(fā)明屬于光伏電站檢測，具體涉及nes-光伏組件大數(shù)據(jù)ai分析診斷系統(tǒng)。

背景技術(shù)：

1、隨著深度學(xué)習(xí)、云計算、物聯(lián)網(wǎng)（iot）等先進技術(shù)的發(fā)展，機器視覺系統(tǒng)正變得越來越智能、靈活和強大，未來的機器視覺技術(shù)將更注重實時處理能力、更高的分辨率以及更廣泛的適應(yīng)性，使其能夠更好地服務(wù)于各種應(yīng)用需求，機器視覺作為一項關(guān)鍵技術(shù)，在推動工業(yè)自動化、智能制造等領(lǐng)域進步的同時，也在不斷地融入新的科技元素，成為實現(xiàn)智能生產(chǎn)和智能生活的關(guān)鍵技術(shù)之一。

2、機器視覺的識別工作一般分兩個步驟，第一個步驟是模擬人類的視覺，利用opencv對圖像中的角、邊特征進行提取，這部分不需要標(biāo)注，第二個步驟是模擬人類對圖像信息的判斷，主要通模式匹配和深度學(xué)習(xí)，對圖像的特征和需要判斷的故障類型做關(guān)聯(lián)，這部分是需要一個較大的標(biāo)注量。

3、機器視覺的兩個步驟，在實踐過程中是組合使用，并不是完全孤立的，直接提取圖像特征的方式，有堅實的圖像處理學(xué)的理論基礎(chǔ)，在圖像特征比較明確的情況下具有較高的精確度，而且不需要進行數(shù)據(jù)的預(yù)訓(xùn)練，這在故障樣本比較少的時候，具有特殊的優(yōu)勢。但是，直接提取圖像特征的方式，在算法的泛化性不太方便，模型識別的圖像類型過多，或者在其他場景下應(yīng)用時，需要對模型進行調(diào)節(jié)，如何提高模型的泛化性和在復(fù)雜圖片上識別的準(zhǔn)確度是圖像特征提取算法主要要考慮的問題。通過深度學(xué)習(xí)的方式，在不確定具體的圖像特征的情況下，通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)，進行圖像的識別，具有解決通用問題的優(yōu)勢，在計算力充足、標(biāo)記量足夠的情況下，具有較好的效果；而且因為算法的立足點是通過圖像信息得到具體判斷，所以可以直接同業(yè)務(wù)場景結(jié)合。該方法的缺點在于，在識別圖像特征的過程中，需要一個大量、準(zhǔn)確的人工標(biāo)注，在很多情況下，故障樣本的數(shù)量過少，不能夠形成有效的標(biāo)注。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供nes-光伏組件大數(shù)據(jù)ai分析診斷系統(tǒng)，能夠在少樣本上實現(xiàn)故障的檢測，后通過圖像的高斯金字塔，解決了大小、旋轉(zhuǎn)、光照強度改變時識別的穩(wěn)定性，解決樣本較小和泛化性的問題。

2、本發(fā)明采取的技術(shù)方案具體如下：

3、nes-光伏組件大數(shù)據(jù)ai分析診斷系統(tǒng)，包括圖像處理模塊、角點提取模塊、圖像分類模塊、缺陷提取模塊以及缺陷定位模塊；

4、所述圖像處理模塊用于采集光伏電板的巡檢圖像，并對所述巡檢圖像進行背景分離處理，得到前置目標(biāo)圖像；

5、所述角點提取模塊用于采集所述前置目標(biāo)圖像的邊緣區(qū)域，并依據(jù)所述邊緣區(qū)域的亮度差異確定前置目標(biāo)圖像的邊緣角點；

6、所述圖像分類模塊用于對所述邊緣角點的鄰域進行描述，生成多個圖像描述子，且對不同所述前置目標(biāo)圖像的描述子進行相似度比較，得到多個圖像描述子集合；

7、所述缺陷提取模塊用于依據(jù)所述邊緣角點，確定光伏電板的缺陷特征，所述缺陷特征包括二極管故障和亮斑缺陷；

8、所述缺陷定位模塊用于定位存在所述缺陷特征的光伏電板的位置，且添加坐標(biāo)編號，并發(fā)送至管理端。

9、在一種優(yōu)選方案中，所述圖像處理模塊執(zhí)行時，包括以下步驟：

10、獲取所述巡檢圖像，且對所述巡檢圖像進行灰度化處理；

11、應(yīng)用高斯模糊算法對灰度化處理后的巡檢圖像進行平滑處理，減少圖像噪聲；

12、采用自適應(yīng)閾值分割方法對平滑處理后的巡檢圖像進行二值化處理，分離出圖像背景和目標(biāo)區(qū)域，并將目標(biāo)區(qū)域內(nèi)的圖像作為前置目標(biāo)圖像。

13、在一種優(yōu)選方案中，所述角點提取模塊的執(zhí)行步驟，包括：

14、獲取所述前置目標(biāo)圖像的亮度信息；

15、計算前置目標(biāo)圖像中相鄰像素點的亮度差值，并記錄為待評估條件參數(shù)；

16、獲取篩選閾值，并將所述篩選閾值與待評估條件參數(shù)進行比較，保留大于篩選閾值的待評估參數(shù)對應(yīng)的像素點，并記錄為待評估邊緣點；

17、比較所述待評估邊緣點與鄰域內(nèi)像素點的亮度差值，且在所述待評估邊緣點的亮度差值大于鄰域內(nèi)所有點的亮度差值時，將所述待評估邊緣點記錄為邊緣角點。

18、在一種優(yōu)選方案中，所述圖像分類模塊的執(zhí)行步驟，包括：

19、獲取所述邊緣角點的鄰域圖像；

20、獲取所述鄰域圖像的代表特征，以及所述代表特征與邊緣角點之間的方向?qū)傩裕?/p>

21、對所述代表特征，以及所述代表特征與邊緣角點之間的方向?qū)傩赃M行組合，得到特征描述組；

22、對所述特征描述組進行向量化處理，并將向量化處理后的特征描述組輸出為所述邊緣角點的圖像描述子。

23、在一種優(yōu)選方案中，確定二級管故障時，獲取所述巡檢圖像的圖像梯度，沿梯度的方向檢查鄰域像素值，抑制非最大值的像素；

24、獲取滯后閾值，其中，所述滯后閾值包括高滯后閾值和低滯后閾值；

25、若所述邊緣角點的梯度幅值大于高滯后閾值，則所述邊緣角點被記錄強邊緣點；

26、若所述邊緣角點的梯度幅值介于低滯后閾值和高滯后閾值之間，則所述邊緣角點被記錄為弱邊緣點；

27、若所述邊緣角點的梯度幅值小于滯后閾值，則所述邊緣角點被抑制為零，不屬于邊緣；

28、保留所有強邊緣點，以及與強邊緣點相連接的弱邊緣點，并共同構(gòu)成邊緣曲線；

29、測量所述邊緣曲線的長度，且當(dāng)存在兩條相互平行的邊緣曲線，且兩條所述邊緣曲線的長度超過光伏電板中區(qū)塊的50%時，判定所述光伏電板為二級管故障。

30、在一種優(yōu)選方案中，確定亮斑缺陷時，獲取所述邊緣角點對應(yīng)的亮斑區(qū)域，以及存在亮斑的訓(xùn)練樣本，且依據(jù)所述邊緣角點和訓(xùn)練樣本進行模式匹配，確定所述光伏電板是否存在亮斑缺陷。

31、在一種優(yōu)選方案中，所述確定所述光伏電板是否存在亮斑缺陷時，將亮斑區(qū)域的特征描述子與訓(xùn)練樣本的特征描述子進行比較，得到特征匹配得分；

32、將所述特征匹配得分與預(yù)設(shè)的評估閾值進行比較，且在所述評估閾值小于特征匹配得分時，判定所述光伏電板為亮斑缺陷。

33、在一種優(yōu)選方案中，所述缺陷定位模塊執(zhí)行時，搜索所有尺度上的巡檢圖像位置，識別巡檢圖像中對于尺度和旋轉(zhuǎn)不變的關(guān)鍵點，并依據(jù)所述關(guān)鍵點匹配光伏電板的位置。

34、本發(fā)明還提供了，nes-光伏組件大數(shù)據(jù)ai分析診斷方法，應(yīng)用于上述的nes-光伏組件大數(shù)據(jù)ai分析診斷系統(tǒng)，包括以下步驟：

35、采集光伏電板的巡檢圖像，并對所述巡檢圖像進行背景分離處理，得到前置目標(biāo)圖像；

36、采集所述前置目標(biāo)圖像的邊緣區(qū)域，并依據(jù)所述邊緣區(qū)域的亮度差異確定前置目標(biāo)圖像的邊緣角點；

37、對所述邊緣角點的鄰域進行描述，生成多個圖像描述子，且對不同所述前置目標(biāo)圖像的描述子進行相似度比較，得到多個圖像描述子集合；

38、依據(jù)所述邊緣角點，確定光伏電板的缺陷特征，所述缺陷特征包括二極管故障和亮斑缺陷；

39、定位存在所述缺陷特征的光伏電板的位置，且添加坐標(biāo)編號，并發(fā)送至管理端。

40、以及，一種電子設(shè)備，所述電子設(shè)備包括：

41、至少一個處理器；

42、以及與所述至少一個處理器通信連接的存儲器；

43、其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的計算機程序，所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行上述的nes-光伏組件大數(shù)據(jù)ai分析診斷系統(tǒng)。

44、本發(fā)明取得的技術(shù)效果為：

45、本發(fā)明通過對巡檢圖像的識別處理，能夠提取出光伏電板的缺陷特征，從而實現(xiàn)對光伏電板健康狀況的實時監(jiān)控，具體通過基于梯度的邊緣檢測子判定二極管故障，基于邊緣角點特征識別亮斑缺陷，最后采用高斯金字塔的圖像匹配算法，得到匹配的光伏電板定位，提高了缺陷檢測的準(zhǔn)確性和效率，減少了人工巡檢的需求，降低了運營成本，為光伏電板的維護和管理提供了有力的數(shù)據(jù)支持，有助于提升光伏電站的整體性能和可靠性。