基于热成像图像的太阳能光伏组件掉串检测论文_李永军1，陈佳2，冯莉2，王松2

摘要：作为清洁能源，光伏发电在电力领域愈显独特。近年来，越来越多的太阳能光伏组件被应用于光伏电站。由于需要长达数年时间的长时露天工作，受电站内环境甚至自然灾害（如强风，冰雹等）的影响，不可避免的太阳能电池板会出线故障，缺失甚至整体掉串的现象。如何能自动检测此类丢失的组件对于电站发电效率的提升，保障电站安全显得尤为关键。由于太阳能电池板的发热特性在热成像图像中清晰可见，使得使用热成像图像更易检测到组件缺失。为此，本文提出了一种有效的太阳能光伏板缺失检测方法。首先，将光伏板的热成像图片从RGB通道转换为HSV颜色空间，并基于H空间对太阳能光伏板的所有单元进行分割。其次，将形态学运算应用于第一步的结果，并生成整个太阳能组串的特征。最后，计算太阳能光伏板的面积和凸壳面积，用以比较区分组串中是否存在太阳能光伏板缺失和掉串的情况。经过实验，证实本文所提掉串检测方法是有效可行的。

关键词：组串缺失检测，太阳能光伏板，热成像图像

1简介

在当前全球气候变暖，传统发电原料资源短缺和造成的恶劣的环境污染的现状下，太阳能发电越来越受到关注。按照能量转换的形式，太阳能发电主要分为两种：光伏发电和热能发电。光伏设备通过半导体材质的太阳能电池板直接由太阳光能转换为电能，此过程被称为光伏效应[1]。本文重点关注光伏发电组件中的太阳能电池板。由于太阳能电池板通常是无保护地部署在室外，因此，大雪，强风和冰雹等自然情况可能会导致光伏组件表面产生一些重大裂缝[2、3、4]，甚至可能导致整体脱落。另一方面，由于前期现场施工质量等问题，电池板支架不够坚固，也可能导致电池板丢失。电池板的缺失将会极大影响电站的发电能力，给电站带来经济损失，甚至会引发安全隐患。因此，检测太阳能电池板的完整性，判断其是否缺失，及时发现组件掉串等问题，显得尤为紧迫。光伏发电作为新兴的领域，现有文献中缺乏有关于发电组件缺失和掉串的自动化检测的相关方法和文档。

由于太阳能板的发热特性在热成像图像中清晰可见，因此使用热成像图片作为检测电池板缺失的样本行之有效。热成像图片不同于普通的光学图像，展示了光伏组件表面的温度分布特性。由于人眼无法直接感知热成像图像，必须用专业的热成像传感装置予以拍摄。图1显示了一个示例热成像图像。

图1：电池板热成像图片

如图1所示，太阳能电池组串通常由多个矩形电池板组成。本文首先基于机器视觉和图像处理技术在热成像图像中分割太阳能电池板的单元。然后，根据单个分割结果对整体太阳能组串进行分割。最后，计算太阳能电池板的面积和凸包面积，以判断当前组串中是否缺少电池板。

本文下述内容结构如下：第2节介绍了分割太阳能电池板的方法，第3节提供了用于电池板缺失检测的主要方法，第4节阐述了实验步骤，以验证文中涉及太阳能面板缺失检测方法的有效性。第5节表达一些意见和结论。

2太阳能电池板分割

　如图1所示，发电组串中通常由24块电池板组成，而缺少的电池板仅占全部组串的一小部分。因此，我们需要对整个太阳能电池板进行分割处理。为消除噪音和增强图片特征，我们必须对图像进行预处理。

2.1预处理

伽玛校正用于图像校正和对比度增强，其公式为：

为了从图像背景中分离出太阳能电池板，将系数为2的Gamma变换应用于原始图像。采用高斯平滑滤波来减少噪声。所采用的高斯平滑滤波器可描述为

(c).R通道分割结果 (d).二值化图像

HSV颜色空间的三维表示是一个六角形。中心纵轴表示强度[5]。色调是指在[0,2π]范围内相对于红色轴的一个角度，红色轴的角度为0，绿色轴的角度为2π/3，蓝色轴的角度为4π/3，红色轴的角度为2π。饱和度是颜色的深度或纯度，是从中心轴到外表面的径向距离，其值介于0到1之间[6]。根据热成像原理，太阳电池板的温度远高于图片背景的温度。其色调将会呈现与背景完全不同的特性。

首先将预处理后的图像从RGB图像转换为HSV空间，然后我们将低阈值和高阈值分别设置为[0，0，0]和[35，255，255]。低阈值和高阈值之间的区域将被归类为太阳能电池板。图2（b）示出了HSV颜色空间中H分量的结果。R通道的图像分割效果，如图2（c）所示。最后，应用单阈值分割算法对太阳能电池板的连通区域进行二值化处理，如图2（d）所示。

2.3分割整个太阳能组件的视觉处理

从图2（d）可以看出，背景图像中仍存在一些噪声。此外，一部分分割单元与其他单元相互独立。为了减少噪声，对二值图像应用诸如腐蚀和膨胀等形态学操作，如图2（d）所示。在进行如上所述形态操作后，可以将相对更完整的太阳能电池板分割开来。完整的太阳能组串如图3所示。

图3.完整的太阳能组串

为了标记图3所示获取的太阳能组串，首先得到白色区域的轮廓，并用绿色绘制凸面外壳的轮廓。结果如图4所示。

图4 光伏组件轮廓

3电池板缺失检测

在图3中，白色区域对应于太阳能电池板。为了消除照片中不完整太阳能电池板的干扰，我们去除了整体像素小于20000的“太阳能电池板”。图4中剩余的太阳能电池板如图5所示。 很明显，电池板缺失的面积远小于完整区域面积，太阳能电池片的缺板面积远小于凸壳面积。所以为每个光伏组串定义一个参数α。

其中Shull表示组串完整表面面积，Scell表示单块太阳能电池板的面积。通过保留α值大于0.07的太阳能组串，我们得到了缺板的太阳能组串。

(a)原始光伏组件 (b)检测丢失的太阳能组件

图7

4实验

通过计算α并将α与给定的阈值0.07进行比较，我们可以得到缺失的太阳能电池板。图6为图1展示的太阳能组件检测结果，图1中缺少电池板的太阳能组串轮廓为红色，完整太阳能组串轮廓为绿色。

为验证方法的通用性，我们将其应用于更多的图像。图7显示了组件丢失检测的另外一个示例。我们看到，成功检测到缺失的太阳能电池板。

5结论

本文提出了一种太阳能电池板缺失检测的方法。其处理核心是对太阳能电池板进行分割，然后将计算出的面积比例α与设定的阈值进行比较，以确定太阳能组串中是否存在任何电池板缺失。实验结果表明，我们的方法对组件缺失和掉串的检测是有效的，未来我们将考虑使用基于深度学习的目标检测方法，如效率更高的R-CNN[7]、单次多盒探测器（SSD）[8]、基于单个神经网络的目标检测系统（YOLO）[9]，更有效地检测太阳电池板的缺失。

参考文献

[1] S.Salamanca，P，Merchan，I.Garcia。利用图像处理技术检测太阳能电池板。第25届地中海控制与自动化会议（MED），478-48320017年。

[2] P.Rajput等人。印度复合气候下22年户外暴露后单晶光伏组件的退化。太阳能，786-7952016年。

[3] 迪米什先生。并网光伏监测系统（GCPV-MS）。国际环境友好能源与应用研讨会，2016年。

[4] V.莎玛，S.S.钱德尔。太阳能光伏系统长期可靠性的性能和退化分析：综述。可再生能源，可持续能源评论，753-7672013年。

[5] G.斯托克曼和L.夏皮罗，《计算机视觉》，普伦蒂斯霍尔出版社，2001年。

[6] 苏拉尔，钱和普拉马尼克。使用HSV颜色空间进行图像检索的分割和his图生成。图像处理国际会议，589-5922002年。

[7] S.Ren等人。更快的R-CNN：利用区域建议网络实现实时目标检测。神经信息处理系统，91-992015。

[8] 刘伟，安圭洛夫，二汉等。固态硬盘：单点多盒探测器，ECCV2016。

[9] J.Redmon，S.K.Divvala，R.B.Girshick等人。You Only Look Once:一元化，实时目标检测，CVPR，2015。

论文作者:李永军1，陈佳2，冯莉2，王松2

论文发表刊物:《建筑实践》2019年第23期

论文发表时间:2020/4/13

标签：电池板论文;  太阳能论文;  缺失论文;  光伏论文;  图像论文;  组件论文;  阈值论文;  《建筑实践》2019年第23期论文;