基于無人機與HSV空間的光伏電池板檢測分析

趙玲玲，汪 燁，劉 俊

基于無人機與HSV空間的光伏電池板檢測分析

趙玲玲，汪 燁，劉 俊

（上海電機學院 機械學院，上海 201306）

針對復雜環境下圖像分析的困難性，研究了一種基于HSV空間模型的圖像分割與檢測方法。首先，利用無人機采集圖像，區域分割提取出光伏電池板區域。其次，運用高斯卷積檢測裂紋圖像的梯度。最后，應用形態學圖像處理與HSV空間模型的方法提取遮擋物，計算最小外接矩形面積與其占光伏電池板的比例。該方法能有效地對復雜背景下的光伏圖像進行區域分割與檢測，具有一定創新性和實用價值。

工業無人機；HSV空間模型；圖像分割；區域檢測；形態學處理

0 引言

能源危機與環境問題受全球重視，光伏產業技術的發展也備受關注[1]。光伏電站分布著大面積的太陽能電池板，電池板的發電效率直接影響著光伏電站的發電量，準確高效地監測維護電池板對光伏電站意義重大[2]。目前的檢測方法主要有人工勘測方法[3]、電致發光檢測EL（electro luminescence）法、超聲波檢測法等。近年來，人們開始利用工業無人機對規模大、危險性高的監測目標進行巡檢。

當無人機采集到光伏圖像后需要進行區域分割與檢測。文獻[4]提出一種準確有效的統計紅外熱斑圖像中局部特征的分割算法。文獻[5]提出基于概率模型改進的PV性能評估閾值方法，識別功率損耗超出了基于自適應閾值的方法。文獻[6]提出一種新的缺陷檢測方法，通過前景分割，求灰度差分圖、形態學開運算等步驟準確完整地分割出缺陷位置。文獻[7]從對人眼吸引程度的角度出發，提出一種視覺顯著性缺陷檢測算法，在含有多種缺陷的圖片庫上進行實驗證明了該算法的有效性。文獻[8]利用無人機設備巡檢絕緣子，采用閾值分割、形態學與邊緣檢測等技術對絕緣子進行圖像識別。然而，實際圖像包含有復雜的背景信息會給后續圖像分析帶來一定的困難，因此有效的圖像分割方法是光伏電池板檢測與分析的重要保障。

基于以上原因，本文在利用工業無人機采集圖像的基礎上提出一種基于HSV空間模型的圖像分割與檢測方法。

1 圖像獲取

本文基于工業無人機采集光伏電池板圖像，如圖1(a)所示。搭載可見光與紅外一體的云臺相機，通過通信系統將圖像數據實時傳輸至地面站。該無人機最大載重為6kg，定點懸停精度水平方向≤1.15m，垂直方向≤0.25m。可見光相機的分辨率為1920×1080，紅外相機的分辨率為640×512，波長范圍為8～14mm，焦距為19mm。規劃飛行路徑后讓無人機在合適的高度采集圖像。圖1(b)為無人機圖片采集現場。圖1(c)與圖1(d)分別為紅外圖像與可見光圖像。

2 HSV空間模型與圖像分割

2.1 HSV與RGB空間模型

目前來看，在計算機視覺研究領域存在著多種類型的顏色空間模型，最熟悉的是以R、G、B三個分量為主色在三維坐標系中呈現為單位正方體模型，此外還有HIS（Hue, Intensity, Saturation）與HSV（Hue, Saturation, Value）兩種以圓柱體三維坐標表示的顏色空間模型。由于R、G、B三個分量會隨著光照變化而變化，相近顏色的R、G、B值差別可能會很大[9]，而HSV顏色空間模型在視覺上比RGB模型更具有直觀性。因此，本文選擇在HSV空間對圖像進行處理。

圖2為HSV模型，由RGB模型轉換到HSV模型的轉換表達式為：

式中：為RGB三個分量最大與最小值之差，＝max(,,)－min(,,)；Max為RGB三個分量的最大值，Max＝max(,,)。

圖2 HSV模型

2.2 前景分割

通過對HSV與RGB空間模型的轉換分析，將原始光伏面板RGB圖像通過設定HSV藍色取值范圍對其進行分割，將面板從復雜的背景中提取出來。謝永祥等[10]基于HSV空間對汽車牌識別方法研究，通過二次標記車牌圖片減少藍色背景干擾的方法可以有效地分割出車牌。因此本文提出一種基于HSV顏色空間模型的3個分量取值的方法分割光伏面板，提取前景區域。藍色與綠色區域在HSV空間取值范圍如表1所示。

表1 各HSV分量取值范圍

依據上述HSV空間模型取值范圍對原始圖像進行區域分割。設原始圖像為(,)，其大小為[,,]，參照表1中藍色分量的HSV取值范圍，區域分割的步驟為：

1）將原始圖像(,)從RGB空間轉換到HSV空間，得到HSV空間圖像(,)；

2）定義矩陣target 1，大小為[,1]，將圖像(,)在[0.56～0.71]的分量，[0.36～1]的分量，[0.36～1]的分量的像素點進行方向上的標記，將標記結果復制到target 1中，定位區間位置為[1:]；

3）定義矩陣target 2，大小為[1,]，重復步驟2），對圖像(,)的像素點進行方向上的標記，將標記結果復制到target 2中，并尋找target 2中標記的藍色像素點最小位置pos1與最大位置pos2，定位區間位置為[pos1,pos2]；

4）將標記的區間位置返回到原圖像中得到分割結果。

在此項工作中，本文調查了兩種光伏電池板缺陷綠植遮擋與裂紋。圖3(a)、(b)是含有裂紋、綠植遮擋的光伏電池板原圖像。通過本文提出的圖像分割方法將圖3(a)、(b)轉換到HSV空間中如圖3(c)、(d)所示，視覺上的顏色效果要比在RGB空間中更具有直觀性，有效地將光伏電池板從復雜的周圍環境中提取出來，得到圖3(e)、(f)的分割結果，大大降低了圖像處理計算與分析的冗余程度。

圖3 HSV空間中分割光伏太陽能電池板

3 障礙缺陷分析

3.1 高斯濾波及裂紋分析

光伏電池板表面分布著橫豎交錯的柵極以及主電極線，用于輸送光電轉化的電流。當利用邊緣檢測、形態學方法、自適應閾值分割等圖像處理方法時會影響結果的分析。因此，在將光伏電池板從復雜的背景環境中分割出來后，需要對其做進一步圖像處理。Li X.等[11]提出一種FODG（first-order derivative of Gaussian function）濾波方法，并基于無人機采用可見光相機對光伏電池板上存在的蝸牛印跡以及灰塵遮蔽區域進行缺陷檢測。文獻[12]提出一種改進的不規則區域的高斯濾波算法，該方法去除噪聲的同時還保留紋理細節信息，相比較傳統的高斯濾波效果更好。因此，本文采用高斯卷積濾波求取梯度的方法分別去除光伏電池板表面水平與垂直方向的柵極紋路，突出缺陷邊緣。(,)為高斯函數，(,)為原圖像函數，具體方法如下：

二維的高斯函數形式如式(2)所示，、為自變量，為方差：

利用高斯函數與導數進行卷積求得、兩個方向的卷積核ker、ker：

將原圖像函數(,)與卷積核進行卷積：

kerx＝ker(,;)?(,) (7)

ker＝ker(,;)?(,) (8)

通過圖像濾波的方法去除光伏電池板表面的柵極條紋，減少圖像計算的復雜度且該方法對噪聲敏感程度低。參數控制圖像的濾波模糊程度。

圖4(b)、(c)為圖像在、方向上的高斯濾波結果。運用此方法可以從、兩個方向分別將光伏電池板表面分布的柵極網格線去除，清楚地觀察到裂紋的邊緣及其發展趨勢。

圖4 濾波圖像

3.2 遮擋物分析

光伏電池板除了有裂紋這樣的可見缺陷外，綠植遮擋與常見的灰塵遮擋一樣能使光伏電池板產生熱斑效應。本文拍攝的紅外圖片如圖5所示。

圖5 光伏電池板的紅外圖像

光伏電池板紅外圖像如圖5所示。其中，圖5(a)是無較多灰塵遮蓋的光伏電池板的紅外圖像，整體呈現出粉紫色；圖5(b)是較重灰塵遮蓋的電池板且有熱斑，整體呈現出橘紅色；圖5(c)是缺陷的地方呈現出塊狀的熱斑。將紅外圖像與原圖進行對比可以發現熱斑出現的原因是由電池板出現裂紋或有綠植的遮擋造成。

對綠植遮擋物的識別與分割方法步驟如下：

1）將圖3(e)與(f)轉換到HSV空間中，結合表1中綠色分量的HSV取值范圍作為標記條件，并將識別到的綠色像素點3個分量(,)、(,)、(,)的值都設置為0。

2）采集的圖像易出現光照不均等問題[13]，因此進行圖像增強，從三通道圖中提取出單通道進行圖像處理。設定通道的取值范圍為[0.43～0.689]，填充空洞并進行形態學開運算操作。形態學開運算中，用結構元素來處理圖像，先腐蝕后膨脹，即：

3）形態學方法處理過圖像后，求出遮擋區域的質心及其最小外接矩形面積以及每塊光伏電池板的最小外接面積[14]。其中，矩形面積最大的即為遮擋最嚴重的位置。

根據被標記圖6(a)、(c)的灰度直方圖設定一個灰度閾值點進行二值化分割，并選取光伏電池板塊中的單塊區域作為區域生長算法的種子點，再運用形態學增強算法進行孔洞填充，計算單塊面板的外接矩形面積，得到其總像素點為127×81，如圖6(e)所示，且單塊電池板共有10×6個網格方塊。圖6(b)小塊遮擋面積像素點經計算為25×17，遮擋面積約占2.47個網格。圖6(d)大塊遮擋面積像素點為76×56，遮擋面積約占24.8個網格，遮擋面積約占單塊面板面積的2/3，此種情形，需要及時處理掉遮擋物避免長期遮擋導致嚴重損壞電池板。

實驗證明，本文提出的基于HSV顏色空間模型的光伏電池板分割方法能實現有效的前景區域分割，并能應用到遮擋物檢測分析當中且效果良好。

4 結論

本文根據光伏電池板圖片的特點提出了一種基于HSV空間模型的圖像分割與檢測方法，有效地去除光伏電池板圖像復雜的背景干擾信息。通過設定HSV三個分量的取值范圍，識別并提取感興趣區域，重點分析了光伏組件的2種典型缺陷類型，即裂紋與綠植遮擋，并對可見相機拍攝的圖像進行基于HSV空間、高斯濾波以及形態學圖像增強的處理。從計算機視覺角度出發，減小了復雜地形對圖像處理造成的計算難度，在光伏電池板圖像分割方面具有一定的魯棒性，而且紅外檢測與可見光檢測相輔相成，兩者結合能更好地完成大型光伏電站的巡檢工作。

[1] Romero-Cadaval E, Spagnuolo G, Franquelo L G, et al. Grid- connected photovoltaic generation plants: components and operation[J]., 2013, 7(3):6-20.

[2] 洪向共, 周世芬. 基于灰度共生矩陣和區域生長算法的紅外光伏面板圖像分割[J]. 科學技術與工程, 2018, 18(34): 97-102.

HONG Xianggong, ZHOU Shifen. Infrared photoelectric panels image segmentation based on gray level co-occurrence matrix and region growing algorithm[J]., 2018, 18(34): 97-102.

[3] 劉磊, 王沖, 趙樹旺, 等. 基于機器視覺的太陽能電池片缺陷檢測技術的研究[J]. 電子測量與儀器學報, 2018, 32(10): 47-52.

LIU Lei, WANG Chong, ZHAO Shuwang, et al. Research on solar cells defect detection technology based on machine vision[J]., 2018, 32(10): 47-52.

[4] 毛峽, 石天朋. 光伏熱斑圖像有效區域分割算法研究[J]. 太陽能學報, 2018, 39(5): 1270-1276.

MAO Xia, SHI Tianpeng. Research on effective region segmentation algorithm of photovoltaic hot spot image[J]., 2018, 39(5): 1270-1276.

[5] WANG Jingyi, QIAN Zheng, Zareipour Hamidreza, et al. Performance assessment of photovoltaic modules based on daily energy generation estimation[J]., 2018, 165(1085/1414): 1160-1172.

[6] 陳磊, 喬繼紅, 陳巖. 太陽能電池板缺陷分割技術研究[J]. 微電子學與計算機, 2014, 31(12): 98-102, 107.

CHEN Lei, QIAO Jihong, CHEN Yan. The algorithm research of solar cells defect segmentation[J]., 2014, 31(12): 98-102, 107.

[7] 錢曉亮, 張鶴慶, 張煥龍, 等. 基于視覺顯著性的太陽能電池片表面缺陷檢測[J]. 儀器儀表學報, 2017, 38(7): 1570-1578.

QIAN Xiaoliang, ZHANG Heqing, ZHANG Huanlong, et al. Solar cell surface defect detection based on visual saliency[J]., 2017, 38(7): 1570-1578.

[8] 王淼, 杜毅, 張忠瑞. 無人機輔助巡視及絕緣子缺陷圖像識別研究[J]. 電子測量與儀器學報, 2015, 29(12): 1862-1869.

WANG Miao, DU Yi, ZHANG Zhongrui. Study on power transmission lines inspection using unmanned aerial vehicle and image recognition of insulator defect[J]., 2015, 29(12): 1862-1869.

[9] 王夏黎, 周明全, 耿國華. 一種基于HSV顏色空間的車輛牌照提取方法[J]. 計算機工程, 2004, 30(17): 133-135.

WANG Xiali, ZHOU Mingquan, GENG Guohua. An approach of vehicle plate extract based on HSV color space[J]., 2004, 30(17): 133-135.

[10] 謝永祥, 董蘭芳. 復雜背景下基于HSV空間和模板匹配的車牌識別方法研究[J]. 圖學學報, 2014, 35(4): 585-589.

XIE Yongxiang, DONG Lanfang. License plate recognition in complex background base on HSV space and template matching[J]., 2014, 35(4): 585-589.

[11] LI X, YANG Q, CHEN Z , et al. Visible defects detection based on UAV-based inspection in large-scale photovoltaic systems[J]., 2017, 11(10): 1234-1244.

[12] 姒紹輝, 胡伏原, 顧亞軍, 等. 一種基于不規則區域的高斯濾波去噪算法[J]. 計算機科學, 2014, 41(11): 313-316.

SI Shaohui, HU Fuyuan, GU Yajun, et al. Improved denoising algorithm based on non-regular area Gaussian filtering[J]., 2014, 41(11): 313-316.

[13] 黃鈺雯. 基于無人機視覺的大規模光伏電池板檢測技術研究[D].南寧: 廣西大學, 2017.

HUANG Yuwen. Research on Large-scale Photovoltaic Panel Detection Technology Based on UAV Vision[D]. Nanning: Guangxi University, 2017.

[14] 劉齊, 王茂軍, 高強, 等. 基于紅外成像技術的電氣設備故障檢測[J]. 電測與儀表, 2019, 56(10): 122-126, 152.

LIU Qi, WANG Maojun, GAO Qiang, et al. Fault detection of electrical equipment based on infrared imaging technology[J]., 2019, 56(10): 122-126, 152.

Detection and Analysis of Photovoltaic Panels Based on UAV and HSV Space

ZHAO Lingling，WANG Ye，LIU Jun

(,,201306,)

To address the difficulty of image analysis in a complex environment, an image segmentation and detection method of an HSV spatial model was studied. First, a UAV was used to collect images. Second, Gaussian convolution was used to detect the gradient of the cracked image after the photovoltaic (PV) panel area was extracted. Finally, morphological image processing and the HSV spatial model were applied to extract the occlusion, and the ratio of the minimum external rectangle area to the PV panel area was calculated. This method can effectively segment and detect PV images in complex backgrounds and provides certain innovative and practical value.

industrial UAV, HSV space model, image segmentation, area detection, morphological processing

TN219

A

1001-8891(2020)10-0978-05

2019-11-28；

2019-12-20.

趙玲玲（1996-），女，碩士研究生，主要研究方向為光伏電站、變電站等故障圖像檢測分析，E-mail：angelj00@163.com。

劉俊（1971-），女，碩士，副教授，副院長，主要研究方向為機器人視覺導引與位姿控制。

國家自然科學基金（51809161）。