离线式光伏组件EL综合视觉缺陷检测系统及方法与流程

本发明涉及光伏组件，具体涉及离线式光伏组件el综合视觉缺陷检测系统及方法。

背景技术：

1、光伏组件是太阳能光伏发电系统的核心部件之一，其质量和性能直接影响整个发电系统的效率和稳定性，电致发光el检测是一种常用的非破坏性检测方法，用于评估光伏组件的质量和性能；

2、现有的el检测方法通常需要在线操作，公开号为cn116223511a的中国专利申请公开的基于无人机自动巡检的分布式屋顶光伏组件缺陷诊断方法及装置，该光伏组件缺陷诊断装置需要人工在线控制检测光伏组件，限制了el检测的应用效率和范围。

技术实现思路

1、为了克服上述的技术问题，本发明的目的在于提供离线式光伏组件el综合视觉缺陷检测系统及方法，以解决现有技术中，光伏组件缺陷诊断装置需要人工现场在线检测，导致了el检测系统的应用范围受限，效率低的问题。

2、本发明的目的可以通过以下技术方案实现：

3、本发明的第一方面提供离线式光伏组件el综合视觉缺陷检测系统，包括图像采集模块，其用于采集光伏组件的图像数据；所述图像采集模块上设有安装座，安装座的底面设有伸缩杆，伸缩杆的底端设有装置底座，装置底座用于连接自动驱动设备，自动驱动设备使图像采集模块沿光伏组件的顶部移动，连续采集光伏组件的图像数据，在图像采集模块上装载有控制模块，所述控制模块在离线状态下预先收集历史训练数据集合，基于历史训练数据集合，训练出识别光伏组件的图像数据的灰度值的机器学习模型；所述控制模块通过图像采集模块采集光伏组件的图像数据，基于图像数据使用机器学习模型识别出图像数据的灰度值，控制模块预设灰度阈值，基于灰度值和灰度阈值筛选光伏组件。

4、作为本发明进一步的方案：所述装置底座包括连接板，连接板的顶面圆心位置与伸缩杆的底端固定连接，连接板的底面固定连接有固定板，固定板的底面转动连接有旋转盘，旋转盘的底面设有夹持机构。

5、作为本发明进一步的方案：所述固定板的内部安装有电动机，电动机的输出轴固定连接有齿轮，旋转盘的侧面靠近齿轮的位置开设有与齿轮相匹配的齿槽，所述齿轮与所述齿槽啮合。

6、作为本发明进一步的方案：所述夹持机构包括四组夹持块，四组夹持块的顶面固定连接有移动卡，四组夹持块的形状均为扇形圆柱体。

7、作为本发明进一步的方案：所述固定板的内侧开设有弧形滑道，旋转盘的内侧开设有十字滑道，弧形滑道的宽度大于十字滑道的宽度，移动卡同时在弧形滑道和十字滑道内滑动。

8、作为本发明进一步的方案：所述夹持块的侧面开设有滑轨，滑轨的内侧设有两组滑块，两组滑块的表面均固定连接有旋转轴，旋转轴的侧面嵌套有旋转板。

9、作为本发明进一步的方案：所述滑轨的侧壁靠近旋转轴的位置开设有与旋转轴相匹配的限位槽。

10、作为本发明进一步的方案：所述历史训练数据集合包括n组训练数据，n为正整数，每组训练数据包括特征数据和标签数据；

11、所述特征数据为收集每组训练数据时，图像采集模块采集光伏组件的灰度图片；

12、所述标签数据为收集每组训练数据时，光伏组件的灰度图片的灰度值；

13、所述控制模块基于灰度图片中的光伏组件建立直角坐标系，光伏组件的中心点为坐标原点，控制模块将灰度图片基于光伏组件的规格分割成若干个特征区域，基于直角坐标系生成特征区域的特征坐标，控制模块通过机器学习模型识别特征坐标内的灰度图片的灰度值。

14、作为本发明进一步的方案：所述控制模块训练出识别光伏组件的图像数据的灰度值的机器学习模型的方式为：

15、将特征数据作为机器学习模型的输入，机器学习模型对特征数据预测的灰度值作为输出，以特征数据对应的标签数据中的灰度值作为预测目标，以最小化所有预测误差之和作为训练目标，预测误差的计算公式为ui=（ai-bi）2，其中ui为预测误差，ai为第i组特征数据对应的预测的灰度值，bi为第i组标签数据中的灰度值，对机器学习模型进行训练，直至预测误差达到收敛时停止训练。

16、本发明的第二方面提供离线式光伏组件el综合视觉缺陷检测方法，其基于上述的离线式光伏组件el综合视觉缺陷检测系统实现，包括以下步骤：

17、s1：控制模块通过图像采集模块在离线状态下预先收集历史训练数据集合；

18、s2：基于历史训练数据集合，控制模块训练出识别光伏组件的图像数据的灰度值的机器学习模型；

19、s3：控制模块通过图像采集模块采集光伏组件的图像数据，基于图像数据使用机器学习模型识别出图像数据的灰度值；

20、s4：控制模块预设灰度阈值，基于灰度值和灰度阈值筛选光伏组件，对光伏组件进行缺陷检测和分类；

21、s5：根据光伏组件的缺陷检测和分类的结果自动生成综合评估和报告。

22、本发明的有益效果：

23、1、本发明中，图像采集模块可以在离线下工作，即图像采集模块不需要连接网络，提高了图像采集模块的应用范围和效率，在自动驱动设备的带动下，图像采集模块会自动采集光伏组件的图像数据，并通过训练好的机器学习模型对采集的图像数据进行识别，然后再根据识别的灰度值对该光伏组件进行分类，图像采集模块可以对异常光伏组件进行标记，方便后续的维护处理。

24、2、本发明中，通过设置的装置底座，可以基于夹持机构的变形，与自动驱动设备实现不同方式的对接，大幅提高了装置底座与自动驱动设备连接的适应性，保证图像采集模块可以契合不同规格的自动驱动设备。

25、3、本发明中，控制模块基于灰度图片中的光伏组件建立直角坐标系，光伏组件的中心点为坐标原点，图像采集模块可以将采集到的的灰度图片转化为同一格式以及同一分辨率，然后以灰度图片中的光伏组件的中心点建立直角坐标系，直角坐标系的原点就是光伏组件的中心点，控制模块将灰度图片基于光伏组件的规格分割成若干个特征区域，另外，由于光伏组件是由若干个电池片组成的，每个电池片都是大小相同的，因此，各个电池片的对接处会存在缝隙，可以基于电池片的规格自动生成电池片的特征区域，避免采集电池片之间的缝隙的灰度，缝隙的灰度值必然会小于灰度阈值，导致机器学习模型识别的灰度值不准确，而通过坐标直接提取电池片区域内的特征区域，保证采集的灰度值是基于电池片本身所产生的灰度值，保证机器学习模型识别的灰度值准确。

技术特征：

1.离线式光伏组件el综合视觉缺陷检测系统，其特征在于，包括：

2.根据权利要求1所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述装置底座（1）包括连接板（11），连接板（11）的顶面圆心位置与伸缩杆（2）的底端固定连接，连接板（11）的底面固定连接有固定板（12），固定板（12）的底面转动连接有旋转盘（13），旋转盘（13）的底面设有夹持机构（14）。

3.根据权利要求2所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述固定板（12）的内部安装有电动机，电动机的输出轴固定连接有齿轮，旋转盘（13）的侧面靠近齿轮的位置开设有与齿轮相匹配的齿槽，所述齿轮与所述齿槽啮合。

4.根据权利要求2所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述夹持机构（14）包括四组夹持块（141），四组夹持块（141）的顶面固定连接有移动卡（142），四组夹持块（141）的形状均为扇形圆柱体。

5.根据权利要求4所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述固定板（12）的内侧开设有弧形滑道（121），旋转盘（13）的内侧开设有十字滑道（131），弧形滑道（121）的宽度大于十字滑道（131）的宽度，移动卡（142）同时在弧形滑道（121）和十字滑道（131）内滑动。

6.根据权利要求4所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述夹持块（141）的侧面开设有滑轨（143），滑轨（143）的内侧设有两组滑块（144），两组滑块（144）的表面均固定连接有旋转轴（1442），旋转轴（1442）的侧面嵌套有旋转板（1441）。

7.根据权利要求6所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述滑轨（143）的侧壁靠近旋转轴（1442）的位置开设有与旋转轴（1442）相匹配的限位槽。

8.根据权利要求1所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述历史训练数据集合包括n组训练数据，n为正整数，每组训练数据包括特征数据和标签数据；

9.根据权利要求8所述的离线式光伏组件el综合视觉缺陷检测系统，其特征在于，所述控制模块训练出识别光伏组件的图像数据的灰度值的机器学习模型的方式为：

10.离线式光伏组件el综合视觉缺陷检测方法，其基于权利要求1-9任一项所述的离线式光伏组件el综合视觉缺陷检测系统实现，其特征在于，包括以下步骤：

技术总结本发明公开了离线式光伏组件EL综合视觉缺陷检测系统及方法，涉及光伏组件技术领域，包括图像采集模块，其用于采集光伏组件的图像数据；所述图像采集模块上设有安装座，安装座的底面设有伸缩杆，伸缩杆的底端设有装置底座，装置底座用于连接自动驱动设备，自动驱动设备使图像采集模块沿光伏组件的顶部移动，连续采集光伏组件的图像数据，在图像采集模块上装载有控制模块，所述控制模块在离线状态下预先收集历史训练数据集合，基于历史训练数据集合，训练出识别光伏组件的图像数据的灰度值的机器学习模型；所述控制模块通过图像采集模块采集光伏组件的图像数据；图像采集模块可以在离线下工作，对异常光伏组件进行标记，方便后续的维护处理。技术研发人员：温英光受保护的技术使用者：沛煜光电科技（上海）有限公司技术研发日：技术公布日：2024/7/29