【技术实现步骤摘要】
本专利技术属于新能源，尤其涉及一种基于机器视觉的光伏板融雪时间预测方法及系统。
技术介绍
1、现有技术中存在积雪检测的相关技术以及融雪过程的模拟建模，但缺乏对于局部积雪检测及融雪速率和融雪时间的探讨。具体技术缺陷如下：
2、积雪状态受多种因素影响，例如光照变化、不同天气条件等，面对不同的环境条件，朴素贝叶斯分类器可能需要重新训练或调整以适应这些变化，环境适应性差，实时性能受影响；同时，朴素贝叶斯分类器的性能在很大程度上过于依赖于训练数据的质量和数量，在处理复杂的图像数据时精度不足。
3、传统图像处理方法在特定数据集上表现良好，但在未见过的数据或环境变化时泛化能力较差，影响检测准确性；在复杂背景或多目标的情况下，传统方法可能难以准确分割和识别目标，尤其是在目标与背景相似或有遮挡的情况下；传统图像处理方法不具备从数据中学习的能力，因此难以适应多变的外界环境。
4、光伏板的尺寸相对较小，而遥感图像通常覆盖较大的区域，图像的采集可能无法实时进行，导致光伏板细节不够清晰，限制了对积雪动态变化的监测能力；同时遥感图像可能难以准确估计积雪的厚度，而厚度的不同会显著影响积雪的融化速率和光伏板的发电效率；大气条件(如雾、云层、烟雾等)也会影响遥感图像的质量，从而影响积雪检测的准确性；频繁的遥感图像采集和处理也会涉及较高的成本和资源消耗，尤其是在需要高分辨率和高频率监测的情况下。
5、现有技术中大多搭建遥感图像的融雪模型，缺乏针对局部区域的融雪速率和时间的讨论。
技术实现思
1、本专利技术的目的是提供一种基于机器视觉的光伏板融雪时间预测方法及系统，通过图像处理单元实现对光伏板上积雪的检测，通过光伏板上积雪厚度的计算方法，提升了对光伏板的细节检测能力，降低了实施难度和实施成本，通过计算积雪区域面积的实际融雪量以及通过以温度为主导的度日因子模型计算单位时间融雪量，模拟局部区域的融雪场景，得到了最终局部区域融雪需要的时间。
2、本专利技术提供了一种基于机器视觉的光伏板融雪时间预测方法，包括如下步骤：
3、步骤1，通过搭载有高清摄像头的无人机，按照预设飞行路径在冬季定期采集光伏板区域的无任何覆盖的光伏板图像，在冬季下雪天气采集光伏板区域的覆盖积雪的光伏板图像，并将所述无任何覆盖的光伏板图像与覆盖积雪的光伏板图像一一对应；
4、步骤2，对覆盖积雪的光伏板图像进行数据增强预处理，当作训练的图像数据集，搭建yolo模型检测光伏板上是否有积雪，若是，计算积雪覆盖率及积雪厚度；
5、步骤3，根据计算得到的实际积雪厚度，结合积雪分析仪实地测量的积雪密度，得到积雪水当量，再结合积雪覆盖率得到积雪区域面积的实际融雪量，基于实际融雪量及度日因子模型得到融雪时间。
6、进一步地，所述步骤2中对覆盖积雪的光伏板图像进行数据增强预处理，当作训练的图像数据集，搭建yolo模型检测光伏板上是否有积雪包括：
7、1)数据集制作
8、收集训练需要的图像，使用旋转、翻转、对比度增强方式进行数据增强当作训练的图像数据集；
9、使用labelme对训练集中每张图像的光伏板区域以及光伏板积雪区域进行标注，通过边界框确定其位置，分为积雪类与光伏板类，同时对图像进行预处理，调整图像尺寸为统一大小并进行归一化，使用高斯滤波器进行卷积操作和权值分配去除图像中的噪声，对经过卷积后的图像，分别用水平方向和垂直方向的sobel算子进行卷积操作；
10、计算卷积结果的梯度幅值，使用非极大值抑制方法对梯度图像每个像素点进行局部极大值检测从而去除冗余；
11、2)目标检测
12、基于yolo模型进行图像预测，如果无人机传输的是图像文件且图像预测结果中同时存在积雪类和光伏板类标签，则将该图像以及对应的无覆盖光伏板图像传输到积雪参数计算模块中进行处理，如果图像预测结果中只存在积雪类或光伏板类标签，则结束运行；如果无人机传输的是视频文件，则根据设置帧率提取视频流中的图像，如果图像预测结果中同时存在积雪类和光伏板类标签，则将该图像以及对应的无覆盖光伏板图像传输到积雪参数计算模块中进行处理，如果图像预测结果中只存在积雪类或光伏板类标签，则继续对下一帧图像进行处理。
13、进一步地，所述收集训练需要的图像包括不同天气、不同光照条件、不同环境下覆盖积雪的光伏板图像。
14、进一步地，所述基于yolo模型进行图像预测包括：
15、基于yolo模型将标注好的数据集分成小批次进行训练并得到权重文件；在处理输入图像时，首先对无人机传输的图像进行同样的预处理操作，然后利用yolo模型将图像划分为一个个网格，对于中心点落在网格内的光伏板目标图像，每个网格预测目标的多个边界框和所述边界框的置信度，所述边界框有不同的形状和比例以适应不同目标的尺寸，置信度表示边界框包含目标的概率以及预测框与实际框的匹配程度，同时预测目标与积雪类或光伏板类匹配的条件概率，在网络预测多个边界框后，去除重叠的边界框，只保留最佳的预测结果，最终，yolo输出的是每个边界框的位置、大小、置信度以及与已有标签匹配类别概率。
16、进一步地，所述积雪覆盖率的计算方法包括：
17、分别计算积雪覆盖光伏板图像中积雪类标签框所占的像素块数和光伏板类标签框所占的像素块数，计算两者比值即为积雪在光伏板上的覆盖率。
18、进一步地，所述积雪厚度的计算方法包括：
19、对传输过来的两组图像进行边缘检测操作，通过双阈值处理将边缘像素分为强边缘和弱边缘，将计算得出的图像梯度幅值与阈值比较，通过连接相邻的强边缘像素点，形成完整的边缘；
20、记录下无积雪光伏板在图像中的边缘长度和边界点的坐标以及积雪覆盖光伏板图像的边界点坐标，利用边缘长度与实地测量得到的光伏板实际长度的比值求出比例系数；
21、通过比较光伏板积雪前后的边界点坐标，得出光伏板上下边缘每一点的积雪厚度，根据比例系数得出积雪在光伏板上的实际厚度。
22、进一步地，所述步骤3包括：
23、通过下式计算实际融雪量：
24、m＝swe*f＝h*ρ*f
25、其中，m为实际融雪量，h为积雪厚度，ρ为积雪密度，f为积雪覆盖率；
26、同时构建简易线性回归模型，通过最小二乘法对长时间序列气温与对应的融雪量数据进行线性拟合，搭建以温度为主导的度日因子模型，其中以气温为自变量，以融雪量为因变量得出如下融雪模型：
27、
28、其中，sm为融雪量，ta为外界气温，tr为融雪临界温度；
29、根据某时刻光伏阵列的实时温度计算单位时间融雪量，结合积雪区域面积的实际融雪量，得到积雪区域的实际融雪时间t，公式如下：
30、
31、本专利技术还提供了一种基于机器视觉的光伏板融雪时间预测系统，包括融雪时间预测模块，所述融雪时间预测模块执行所述一种基于机器视觉本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的光伏板融雪时间预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述步骤2中对覆盖积雪的光伏板图像进行数据增强预处理，当作训练的图像数据集，搭建YOLO模型检测光伏板上是否有积雪包括：
3.根据权利要求2所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述收集训练需要的图像包括不同天气、不同光照条件、不同环境下覆盖积雪的光伏板图像。
4.根据权利要求3所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述基于YOLO模型进行图像预测包括：
5.根据权利要求4所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述积雪覆盖率的计算方法包括：
6.根据权利要求5所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述积雪厚度的计算方法包括：
7.根据权利要求6所述基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述步骤3包括：
8.一种基于机器视觉的光伏板融雪时间预测系统，其特征在于，包括融雪时
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述一种基于机器视觉的光伏板融雪时间预测方法。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于机器视觉的光伏板融雪时间预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述步骤2中对覆盖积雪的光伏板图像进行数据增强预处理，当作训练的图像数据集，搭建yolo模型检测光伏板上是否有积雪包括：
3.根据权利要求2所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述收集训练需要的图像包括不同天气、不同光照条件、不同环境下覆盖积雪的光伏板图像。
4.根据权利要求3所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述基于yolo模型进行图像预测包括：
5.根据权利要求4所述的基于机器视觉的光伏板融雪时间预测方法，其特征在于，所述积雪覆盖率...
【专利技术属性】
技术研发人员：乔彦涵，闫敬书，刘燕，杜文韬，丛聪，王万堃，王翠，
申请(专利权)人：中国大唐集团科技创新有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。