[发明专利]一种基于人工智能的光伏组件玻璃爆裂预警方法及系统

权利要求书

1.一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述方法包括：

采集光伏电池板RGB图像；

提取所述RGB图像的R通道图像得到第一图像；根据预设的第一像素阈值二值化处理第一图像，获得所述光伏电池板的边框栅线图像；

根据所述边框栅线图像以边框和所述光伏电池板的最外围栅线划分感兴趣区域图像；

将所述感兴趣区域图像送入预先训练好的所述孪生网络中进行处理，输出与正常电池板区域的相似性向量；根据所述相似性向量确定边框发生形变的异常电池板；

在所述感兴趣区域图像根据预设的第二像素阈值分割气泡图像；对所述气泡图像进行边缘提取获得气泡轮廓；

在所述异常电池板上根据每个边框对所述感兴趣区域进行编号，获得多个边框区域；在每个所述边框区域内以所有所述气泡轮廓坐标和所述最外围栅线划分气泡影响区域；

在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离，以所述欧氏距离的均方差作为边框形变对玻璃爆裂的影响因素；

对所述边框区域内每个所述气泡轮廓内像素点求和得到气泡面积，根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值；将所述爆裂估计值求和得到整体电池板的整体爆裂估计值；对所述整体爆裂估计值归一化处理，当所述爆裂估计值达到设定预警值时，反馈预警信息。

2.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述边框栅线图像以边框和所述光伏电池板的最外围栅线划分感兴趣区域图像：

以所述边框和所述最外围栅线之间的区域作为感兴趣区域，将所述感兴趣区域内像素标注为1，其他区域为0，获得掩膜图像；

将所述掩膜图像与所述第一图像相乘，获得所述感兴趣区域图像。

3.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述相似性向量确定边框发生形变的异常电池板后还包括以下操作：

若通过孪生网络输出相似性向量判断出异常电池板但是所述异常电池板未出现气泡，则将所述异常电池板进行特殊标记。

4.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述在所述边框区域内以所述气泡轮廓坐标划分气泡影响区域方法包括：

以上下边框区域中所述气泡轮廓的最大横坐标与最小横坐标的差值作为所述气泡影响区域的长；所述上下边框区域的宽为所述气泡影响区域的宽；和/或

以左右边框区域中所述气泡轮廓的最大纵坐标与最小纵坐标的差值作为所述气泡影响区域的宽；所述左右边框区域的长为所述气泡影响区域的长。

5.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述在所述气泡影响区域内计算每个栅线和边框对应的像素点之间的欧氏距离的方法包括：

对所述气泡影响区域二值化处理后进行霍夫直线拟合，获得所述气泡影响区域中栅线斜率；

以所述栅线上的栅线像素点做所述栅线的垂线；所述垂线与所述边框交点为对应的边框像素点；计算所述栅线像素点和所述边框像素点的欧氏距离。

6.根据权利要求1所述的一种基于人工智能的光伏组件玻璃爆裂预警方法，其特征在于，所述根据所述气泡面积和所述欧式距离均方差得到每个所述边框栅线区域的爆裂估计值：

通过公式计算每个所述边框区域的爆裂估计值：

Q_j＝W(MSE_j+S_j)

其中，W为调整权重，j为边框区域的编号，MSE_j为编号为j的边框区域的所述欧氏距离均方差，S_j为编号为j的边框区域的所述气泡面积。