基于融合SIFT算法的光伏電站安監圖像精準識別技術研究

doi：10.3969/j.issn.1001-5922.2024.02.038

摘 要：隨著我國“雙碳”工作的不斷推進，光伏電站的規模逐漸擴大。為解決光伏電站圖像安防技術中存在的拍攝角度、光線影響大，識別準確率低的問題，提出了一種基于SIFT的光伏電站圖像安防技術。通過SIFT算法提取光伏電站圖像特征點，解決了光線、角度帶來的識別誤差問題；通過卷積神經網絡方法準確的識別了光伏電站車輛、人員、動物、積雪等安防問題。該方法在某光伏電站進行應用，其光伏電站圖像安防識別準確率平均為99.7%。所提方法能有效提高光伏電站圖像安防識別準確率。

關鍵詞：光伏電站；SIFT；安防技術；CNN；三維模型；圖像形態學

中圖分類號：TM615⁺.2；TP277" " " "文獻標志碼：A" " " "文章編號：1001-5922（2024）02-0143-04

Research on high-precision recognition technology of photovoltaic power station safety supervision image based on SIFT algorithm

XIONG Changquan1，ZHANG Yuning1，LIU Yu2，TANG Daojian2

（1.State Power Investment Group Sichuan Electric Power Co.，Ltd.，Chengdu 610000， China；

2.State Power Investment Group Southwest Energy Research Institute Co.，Ltd.，Chengdu 610000， China）

Abstract：With the continuous advancement of China’s “dual carbon” work，the scale of photovoltaic power stations has gradually expanded.In order to solve the problems of large influence of shooting angle and light and low recognition accuracy in the image security technology of photovoltaic power station，an image security technology of photovoltaic power station based on SIFT was proposed.The SIFT algorithm was used to extract the image feature points of the photovoltaic power station，which solved the problem of recognition errors caused by light and angle，and the convolutional neural network method was used to accurately identify the security problems of the photovoltaic power station，such as vehicles，personnel，animals，and snow.The method was applied in a photovoltaic power station，and the average accuracy of image security recognition of photovoltaic power station was 99.7%.The proposed method could effectively improve the accuracy of image security recognition of photovoltaic power station.

Key words：photovoltaic power plants;SIFT;security technology;CNN;3D model;image morphology

近年來隨著我國政府“雙碳”政策的提出，光伏電站得到迅猛的發展^[1]，但光伏電站安防形勢嚴峻。國內外許多學者對光伏電站的安防技術做了大量研究。如提出了一種基于物聯網的光伏電站安防技術^[2]。提出了一種基于可編程陣列的光伏電站安防巡檢系統^[3]。提出了一種基于通用分組無線業務（GPRS）的光伏電站安防技術^[4]。提出了一種基于多融合技術的光伏電站安防技術^[5]。由此可見，光伏電站安防技術方法多樣，且取得了一定的效果，但在光伏電站視頻巡檢過程中受光線、拍攝角度的影響，上述方法檢測安防異常行為的準確性低。為解決光伏電站圖像安防技術中存在的拍攝角度、光線影響大，識別準確率低的問題，提出了一種基于尺度不變特征轉換（SIFT）的光伏電站圖像安防技術。

1"光伏電站圖像安防流程

基于SIFT的光伏電站圖像安防技術流程如圖1所示。

（1）光伏電站三維監測。根據光伏電站所處的地理位置、光伏板安裝等進行三維建模，為光伏電站安防提供數據基礎。將光伏電站攝像頭拍攝的現場照片疊加到光伏電站三維模型上，形成光伏電站的數字底座監測場景；

（2）光伏電站圖像特征數據分析。對光伏電站圖像數據的噪聲進行去噪，消除噪聲數據對圖像識別帶來的影響；其次，進行圖像特征點提取，獲取光伏電站中設備、人、異物等圖像的典型特征；最后，采用透視變換解決了光伏電站圖像的特征對齊工作，消除光線和角度因數帶來的影響；

（3） 光伏電站圖像安防分析。通過對光伏電站的圖像分析，判斷是否存在異常區域；其次，對異常區域的類型進行比對，判斷異常區域內存在的安防問題類型；最后，進行光伏電站安防告警和安防識別結果輸出。

2"光伏電站圖像安防模型

2.1"光伏電站三維監測

三維模型通過不同色彩灰度實現物體邊緣的立體展示，從而呈現出物體的立體特征。在三維模型的基礎上構建的光伏電站安防系統具有監測全面的特點^[6-7]。因此，采用三維模型作為光伏電站的數字基座。

激光點云是一種三維建模方法，采用激光雷達對光伏電站的掃描獲得光伏電站反射點的三維坐標，每個光伏電站的激光雷達反射點以立體空間的形式分布在三維空間中，其集合則構成了光伏電站的三維模型^[8-9]。

采用激光點云建立的光伏電站三維橫坐標為：

在建立光伏電站三維模型后，通過應用程序接口從攝像頭中讀取拍攝的照片，并將照片疊加到三維模型中，并建立光伏電站數字底座。光伏電站圖像采集硬件配置如圖2所示。

光伏電站數字底座是數字化底層的應用程序^[10]，具備光伏電站多個應用的鏈接能力，可以快速的集成光伏電站中各類的軟、硬件，并為光伏電站安防提供數據支撐。

光伏電站的數字底座主要包括：升壓站、光伏場站2部分。其中，升壓站有居住區板房、墻體、圍欄、二次設備艙室板房、監控室板房、其他板房、門、變壓器等重要設備和外圍停車區；光伏場站包括：光伏設備、逆變器、箱變、圍欄、、地面導線。

2.2"光伏電站圖像特征數據分析

受不同光照、氣候條件的影響，光伏電站攝像頭拍攝的圖像中存在噪聲的情況，因此，在進行光伏電站圖像安防分析前需對圖像噪聲進行處理，消除光伏電站圖像噪聲對安防分析帶來的影響。

光伏電站圖像去噪H^P為：

2.3"光伏電站圖像安防分析

CNN網絡是一種深度學習的全卷積網絡，該網絡可以進行多表征的光伏電站圖像學習，從而對光伏電站異常的安防情況進行學習^[12]。光伏電站異常圖像CNN結構如圖3所示。

由圖3可知，光伏電站圖像CNN網絡通過輸入、誤差估計、卷積、池化、全鏈接環節，并將其和異常庫中的特征進行比對，從而識別光伏電站車輛、人員、動物、積雪等安防異常類型。

3"算例分析

3.1"場景與參數設定

為驗證基于SIFT的光伏電站圖像安防技術的可行性，在某光伏電站進行了仿真應用。該光伏電站安裝攝像頭37個，圖像的像素為1 920×1 080，為節約存儲空間每10 s拍攝1張圖片。算法部署在光伏電站的升壓站工作站中，工作站的中央處理器為Intel Xeon，處理器核心頻率為2.5 GHz，16核心，工作站顯卡顯存為64 GB，工作站的內存為128 GB。工作站的軟件環境采用Windows 11，與文中方法進行對照試驗的是文獻^[13]中的圖像動態目標跟蹤方法，該方法在光伏電站安防中廣泛使用，具有行業通用性。

3.2"算例運行分析

3.2.1"光伏電站圖像安防算法性能分析

光伏電站圖像安防算法性能分析是衡量光伏電站圖像安防計算速度的核心指標。該指標的計算方法為，從算法輸入光伏電站圖像的時間起，到生成光伏電站安防結果的時間為止的時間段。光伏電站圖像安防算法分析時間越短，則說明其性能越好。

在光伏電站中，分別輸入100、200、300、400、500、600張圖像，分別采用文中所提基于SIFT的光伏電站圖像安防技術與圖像動態目標跟蹤方法比較光伏電站圖像安防算法性能，光伏電站圖像安防算法性能如表1所示。

由表1可知，文中所提基于SIFT的光伏電站圖像安防技術在計算時結構清晰，處理速度快，平均每10張圖像處理時間為0.48 s，而圖像動態目標跟蹤方法的算法結構復雜，處理耗時長，每10張圖像的處理時長平均為1.78 s，效率低于文中所提方法。

3.2.2"光伏電站圖像安防監測分析

光伏電站圖像安防監測分析是為了評估所提基于SIFT的光伏電站圖像安防技術是否能有效的識別光伏電站的安防情況，文中以小動物侵入光伏電站為例進行說明。光伏電站安防異常圖像如圖4所示。

由圖4可知，所提基于SIFT的光伏電站圖像安防技術能有效識別小動物入侵光伏電站的情況，并將小動物加黃顏色框進行標注。

3.2.3"光伏電站圖像安防識別準確率分析

光伏電站圖像安防識別準確率分析是為了評估文中方法的有效識別能力的核心指標。計算原則為人工模擬輸入異常的光伏電站安防圖像，采用模型識別結果與人為模擬結果一致，則為光伏電站圖像安防識別準確。識別準確的光伏電站圖像與總體的光伏電站圖像的比值即為光伏電站圖像安防識別準確率。

分別選擇1 000張車輛、人員、動物、未帶安全帽、火災、積雪光伏電站的圖像，隨機模擬安防異常情況，分別采用文中所提基于SIFT的光伏電站圖像安防技術與圖像動態目標跟蹤方法比較光伏電站圖像安防識別準確率，比較結果如表2所示。

由表2可知，文中所提基于SIFT的光伏電站圖像安防技術在特征監測方法優勢強，其光伏電站圖像安防識別準確率平均為99.7%，高于圖像動態目標跟蹤方法。

4"結語

為解決光伏電站圖像安防技術中存在的拍攝角度、光線影響大，識別準確率低的問題，提出了一種基于SIFT的光伏電站圖像安防技術。通過SIFT算法提取了光伏電站圖像的特征點，消除了光線和角度帶來的識別影響。通過CNN網絡識別了光伏電站車輛、人員、動物、積雪等安防問題。所提方法在某光伏電站應用的結果表明該方法能有效提高圖像安防識別準確率。

【參考文獻】

[1]顏勤，涂曉帆.天氣影響下基于風險評估的電動汽車光伏充電站需求響應[J].重慶大學學報，2023，46（4）：37-45.

[2]蔣飛勇.基于物聯網技術的智能變電站安防監控系統[J].通信電源技術，2022，39（21）：186-188.

[3]陳標發，陳傳東，魏榕山，等.基于現場可編程門陣列的智能配電站安防巡檢系統設計與實現[J].電氣技術，2022，23（5）：34-38.

[4]張婉明，劉思宇，白明輝，等.基于SPCE061A與GPRS的變電站物聯網智能安防系統設計[J].國外電子測量技術，2020，39（4）：95-100.

[5]郭義明，郁啟華，邵書成.多融合的入侵檢測系統在電站安防應用[J].電子測試，2022（7）：116-118.

[6]王艾迪，郎洪，丁朔，等.基于語義分割模型的三維瀝青路面車轍異常分析方法[J].華南理工大學學報（自然科學版），2023，51（1）：134-144.

[7]高源，丁博，何勇軍.多視圖融合的三維模型分類[J].哈爾濱理工大學學報，2022，27（3）：59-65.

[8]雷根華，王蕾，張志勇.基于Light-BotNet的激光點云分類研究[J].電子技術應用，2022，48（6）：84-88.

[9]韓利，張慶霞，王一波，等.基于三維空間測量的水保、環保核查比對方法研究[J].粘接，2020，43（7）：46-49.

[10]賈澤露，朱毅，唐文武.服務城市精細治理的數字底座關鍵技術研究[J].地理空間信息，2023，21（2）：67-71.

[11]趙小紅，衡春妮，杜淑娟.面向殘差網絡與Adam優化算法的醫學圖像卷積超分辨率重建[J].粘接，2020，44（12）：78-81.

[12]謝幸生，張永挺，吳啟明，等.變電站無人機巡檢的動態目標跟蹤方法[J].計算機仿真，2022，39（7）：402-406.

收稿日期：2023-09-15；修回日期：2023-12-15

作者簡介：熊昌全（1966-），男，博士，高級工程師，研究方向：電力技術；E-mail：xiongchangquan@spic.com.cn

引文格式：熊昌全，張宇寧，劉"育，等.基于融合SIFT算法的光伏電站安監圖像精準識別技術研究[J].粘接，2024，51（2）：143-146.