渔光互补光伏电站智能巡检图像识别系统应用

来源:用户上传      作者:

　　摘  要：随着图像识别、大数据、人工智能技术在近些年的飞速发展，这些技术在渔光互补光伏发电站智能巡检、维护领域的应用成为大势所趋。文章主要介绍了卷积神经网络在渔光互补太阳能发电站图像辨认故障及识别的应用状况，并简要分析了太阳能光伏巡检图像辨认及识别的过程。
　　关键词：渔光互补;智能巡检;图像故障识别
　　中图分类号：TP391.4 文献标志码：A 文章编号：2095-2945（2020）34-0018-02
　　Abstract： With the rapid development of image recognition， big data and artificial intelligence technology in recent years， the application of these technologies in the field of intelligent inspection and maintenance of fishing-solar complementary photovoltaic power station has become a general trend. This paper mainly introduces the application of convolution neural network in image identification and recognition of fishing-solar complementary photovoltaic power station， and briefly analyzes the process of image identification and recognition of solar photovoltaic patrol inspection.
　　Keywords： fishing-solar complementary photovoltaic power; intelligent patrol inspection; image fault identification
　　1 图像故障诊断识别系统
　　本项目通过采用图像识别、机器学习算法[1]，同时，为了克服采集图像样本的缺乏，引入迁移学习，从无人机回传的图像数据中提取渔光互补光伏发电站光伏板的准确边界及位置，分析识别出热斑、积污、倾角异常故障等故障类别[2]，结合无人机位置信息，确定故障位置，并将信息存入数据库[3]。
　　2 卷积神经网络（CNN）简介
　　加拿大高等学校的KrizheDvsky A教授等人2012年使用卷积神经网络的概念AlexpNet在ImageNet大层次图像识别比赛中获得了最佳的辨识和分类、分层效果。通常来说，CNN也就是卷积神经网络是通过三种不同形式的层级组合而成的，也就是通常所说的卷积层、子采样层和完全连接层。卷积层的意义是使用特定的可以实时学习的过滤模块从输入的图像中提取关键的概念特征，然后用相应的激活函数让其非线性特征能够增强。经常会使用到的一些活函数是sigmoid、ReLU或 tanh等。池化层能够让每个具体特征概念的映射维度大大降低，但是仍然保留这些分类模型中最关键的信息特征。完全连接层通常可以借助数学函数得到具体分类或者回归的具体特征信息。CNN的训练也就是通过这种反向传播数学算法来实现的。
　　在检测的目标结果当中，经常会使用的一种模型就是卷积，通过对巡检图像中小范围的像素，通过数学加权能够输出并得出有关输出的像素图像，如（1.1） 式所示，巡检的图像输入第一步经过运算卷积算法，其次通过调整有关偏置参数，得到其特征图，最后应该用激活函数计算出其最终特征模型。其数学表达可为：
　　式中：*表示卷积步骤，Mj代表集合特征，l是第l层网络，k代表卷积核变量，b为网络参数，X代表l层输出参数，X表示l层输入参数，f（·）为激活函数/参数
　　3 主要故障（光斑等）识别关键方法
　　3.1 图像标注步骤
　　图像相关特征的标注是在图像某个具体区域和标注形式分类之间的相应函数关系。按照相关方式可以分为手动和自动标注两大类。人工标注其实是最简单、最直接、效率最高的方法。使用LabelImg对有关光板故障进行特征提取和标注。这个步骤主要是在相关巡检图像中故障点的附近进行绘制有關范围。算法模型会按照程序简历一个计算机文件，对对象特征进行标注和记录描述，如图1所示。
　　3.2 迁移学习
　　通过科学家对于迁移学习这一概念的深入分析，能够解决有关数据量不足的缺陷。这样可以避免仅仅依靠前述步骤不可能训练得到更加高层次的泛化性的大数据学习模型的实例。在具体操作中，需要完成这个任务，但是这些任务不一定具体相关，可以在完成前面任务后，根据前面的经验来提高后续任务完成效果。同时，因为好多和图像有关的任务都有一些具体的特征，比如集几何变化、光照不同等。
　　3.3 TensorFlow概念及框架
　　光斑等故障的识别是通过TensorFlow概念开展的图像识别的系统，通过美国谷歌公司开发的第二代人工智能学习模型，通过应用该模型能够得到内置学习的目标软件。在多种学习概念模型以及概念架构下，本概念的有效率和用户关注度上占有压倒性地位。因为其能够兼容多种架构、平台，同时支持多种服务器、电子终端，同时通用性非常优秀;支持扩展;特别对于OP也能够进行支持和扩展。
　　4 识别过程及实验结果
　　在图像识别检测故障的步骤，通常分为标注特征、训练模型、具体检测。
　　标注特征最重要的目标就是要通过提取的数据和相应映射数据，以及有关特征数据的标定和高可靠质量数据的分析和初筛。初筛是特别的防止在标注过程中由于人类自身缺陷导致的相对不可靠的数据信息引起的非典型错误。
　　训练数据步骤最重要的就是要通过训练得出进行故障目标识别检测的大数据深度学习架构。通过对于初筛的数据、有关配置数据参数等进行数据模型训练。在具体实施中，可以随时选择并得到有关训练的区县，同时在具体应用上还有R-FCN以SSD-MobileNet。TensorFlow数据训练得到的格式为.record，需要对于前述数据标注的大数据数据库进行有关转换工作。可以借助Object Detection API工具具体进行实施。
　　通过对于模型的不断训练，可以得到最终用于实际检测的数据模型。在具体实际中，可以用多种模型对巡检图形进行测试，可以选定具体颜色以及类型，还能够限定具体的区域进行测试。还可以不断地对前述步骤的模型、输入数据进行不断训练、学习和修正，得到更为精确的数据模型库。
　　参考文献：
　　[1]赵波，张姝伟，曹生现，等.基于状态监测的电池板积灰清洗周期确定与费用评估[J].中国电机工程学报，2019（14）：4205-4213.
　　[2]林刚，王波，彭辉，等.基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识[J].中国电机工程学报，2018（11）：3393-3401.
　　[3]于航，刘阳，连魏魏，等.一种基于神经网络的硅基光伏组件运行温度在线软测量方法[J].发电技术，2018（06）：566-573.
转载注明来源:https://www.xzbu.com/1/view-15358672.htm