基于Sobel算法的太陽能光伏組件紅外圖像識別技術(shù)研究及應(yīng)用

馮宗海 蔡 廣 曾華鋒 馮春海

（華能海南清潔能源分公司,海南 ?？?570311）

1 緒論

據(jù)統(tǒng)計，2015年中國光伏發(fā)電新增裝機(jī)容量為15.13 GW。到2019年，新增光伏裝機(jī)容量達(dá)30.1 GW。2021—2022年的需求有望分別達(dá)到160 GW、190 GW，恢復(fù)較快增長速率?？紤]容配比因素，預(yù)計2020—2022年全球光伏組件需求有望達(dá)到134 GW、180 GW、210 GW[1]。

從行業(yè)發(fā)展來說，當(dāng)前我國光伏產(chǎn)業(yè)發(fā)展正處于從追求規(guī)模與速度向重視效益與質(zhì)量轉(zhuǎn)變的關(guān)鍵時期。光伏產(chǎn)業(yè)經(jīng)過快速發(fā)展，成為我國可以參與國際競爭的新興產(chǎn)業(yè)。我國光伏產(chǎn)業(yè)正在從規(guī)模化向質(zhì)量化發(fā)展。充分利用物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、智能硬件、移動寬帶互聯(lián)網(wǎng)等信息技術(shù)，推動光伏產(chǎn)業(yè)從自動化向智能化升級，加快實現(xiàn)智能制造和智能應(yīng)用，已成為產(chǎn)業(yè)發(fā)展的必然趨勢[2]。光伏陣列排列狀況復(fù)雜，光伏電站外部環(huán)境多變，這些都使得光伏陣列故障檢測困難，光伏陣列紅外圖像分割效果難以令人滿意。傳統(tǒng)的故障檢測手段在大規(guī)模的光伏陣列中并不適用，因此發(fā)展智能光伏診斷既符合國家對光伏產(chǎn)業(yè)發(fā)展的要求，也順應(yīng)了光伏診斷的發(fā)展趨勢，對于提升我國光伏產(chǎn)業(yè)的發(fā)展質(zhì)量與效率，具有戰(zhàn)略性意義。

依據(jù)光伏陣列異常發(fā)熱進(jìn)而影響光伏組件功率的特性，光伏陣列故障診斷一般分為兩大類：基于電氣特性的故障診斷方法和紅外測量的故障診斷方法。電氣測量法大都利用單一參數(shù)進(jìn)行故障診斷，雖然在一定程度上通過數(shù)據(jù)挖掘解決了故障定位問題，但是依舊難以直接對光伏組件進(jìn)行精確的故障定位。紅外測量方法可以通過紅外圖像對故障部位進(jìn)行精確定位，但上述紅外測量圖像處理方法大都基于閾值分割或改進(jìn)的閾值分割方法?；陂撝档姆指罘椒ㄖ荒茚槍μ囟ǖ募t外設(shè)備和特定工況下的圖像進(jìn)行分割。Sobel算子是一種離散性差分算子，用來檢測圖像像素的差異，會使得紅外圖像的分割檢測更加智能與便捷，因此本文提出了一種基于Sobel算子的太陽能光伏組件紅外圖像的識別方法[3]。

2 基礎(chǔ)理論和原理

2.1 基礎(chǔ)理論

光伏系統(tǒng)的故障診斷對光伏發(fā)電系統(tǒng)的高品質(zhì)平穩(wěn)運行具有至關(guān)重要的作用。光伏陣列故障可概括為：組件內(nèi)部電池片故障；二極管故障或旁路工作狀態(tài)；組件存在表面污跡；組件被陰影遮擋；保險燒毀或斷路。這些故障都明顯體現(xiàn)在故障部位的溫度上，一般表現(xiàn)為故障部位異常發(fā)熱。由于光伏陣列的輸出特性具有明顯的非線性特征，局部異常發(fā)熱會迅速改變光伏組件的電壓電流狀態(tài)，進(jìn)而降低光伏組件的輸出功率，從而降低了光伏系統(tǒng)的發(fā)電效率。為保證光伏陣列安全運行，提升光伏陣列的發(fā)電效率，因此必須及時、準(zhǔn)確地排除光伏陣列故障。

一般的太陽能光伏發(fā)電站都安裝了大規(guī)模的光伏發(fā)電陣列，如果陣列中的某一塊或者某幾塊光伏組件出現(xiàn)故障，依靠人為測量光伏組件的電氣特性發(fā)現(xiàn)并排除故障的難度非常大，費時又費力。一個光伏陣列由若干光伏組件構(gòu)成，光伏陣列的電氣特性也是單塊光伏組件電氣特性的線性疊加，小規(guī)模的光伏組件電氣特性改變會被整個光伏陣列電氣特性數(shù)據(jù)給湮滅，因此難以從陣列數(shù)據(jù)中獲取光伏部件故障信息。通過紅外測量對光伏組件進(jìn)行故障檢測是一種更加有效可行的方法。

2.2 基礎(chǔ)原理

2.2.1 高斯濾波原理

基于光伏電站現(xiàn)場環(huán)境因素以及紅外成像儀器固有特性，紅外熱圖普遍會存在圖像邊緣模糊、目標(biāo)對比度差、非均勻成像及噪聲較大等缺點。相比于可見光圖，紅外熱圖噪聲顆粒更大，噪點分布更加不規(guī)律。高斯濾波是一種線性平滑濾波，用于消除高斯噪聲，對大顆粒的隨機(jī)噪聲有更好的濾波效果，被廣泛應(yīng)用于圖像處理的減噪過程。

高斯濾波器是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。對于圖像來說，高斯濾波器是由二維高斯函數(shù)獲得的二維的卷積核。因此需要由一維高斯函數(shù)式（1）獲得二維高斯函數(shù)式（2）。高斯函數(shù)是一種正態(tài)分布的曲線，在圖形上，正態(tài)分布是一種鐘形曲線，越接近中心，取值越大，越遠(yuǎn)離中心，取值越小。計算平均值的時候，本文使用一個N×N的高斯卷積核對目標(biāo)圖像的每一個像素進(jìn)行卷積，用高斯卷積核領(lǐng)域內(nèi)像素的加權(quán)平均灰度值去代替高斯卷積核中心的像素點值。

則簡化后的梯度算子計算結(jié)果為：

2.2.3 大津自適應(yīng)閾值分割法原理

日本學(xué)者大津（Nobuyuki Otsu）于1979年提出的最大類間方差法是一種自適應(yīng)的閾值確定的方法，又叫大津法，簡稱OTSU。依據(jù)圖像灰度值的不同，OTSU將圖像分為背景和前景兩個部分，前景是需要按照要求分割出來的部分，背景是需要舍棄的部分。前景和背景的分界值就是需要求出來的閾值。遍歷不同的閾值，計算不同閾值下對應(yīng)的背景和前景之間的類內(nèi)方差，當(dāng)類內(nèi)方差取得極大值時，對應(yīng)的閾值就是大津法（OTSU算法）所求的閾值。

3 處理方案及結(jié)果

3.1 處理方案

由于光伏陣列紅外圖像普遍存在背景復(fù)雜，邊界模糊，噪聲較大，非均勻成像以及不同環(huán)境、不同紅外設(shè)備成像后閾值范圍差異很大等特性，傳統(tǒng)的分割方法難以廣泛適用且分割結(jié)果不夠準(zhǔn)確。針對傳統(tǒng)分割方法的不足，本文提出了一種基于Sobel算子的OTSU分割方法。

首先采用高斯濾波對獲得的紅外圖像進(jìn)行預(yù)處理，以消除現(xiàn)場隨機(jī)噪聲和設(shè)備干擾對圖像的影響。對預(yù)處理之后所得紅外圖像使用Sobel算子進(jìn)行處理，以獲取分割區(qū)域，提取故障部位。最后對經(jīng)過Sobel算子處理后的圖像采用OTSU算法進(jìn)行二次分割獲取最終的紅外圖像故障識別區(qū)域。流程如下：原始紅外圖像→高斯濾波→sobel算子檢測→OTSU分割→分割結(jié)果。

3.2 結(jié)果展示

如圖1所示，a1～a5為一組原始紅外圖像，b1～b5為高斯濾波后的紅外圖像，c1～c5為經(jīng)過Laplace算子檢測后的紅外圖像，d1～d5為Scharr算子檢測后的紅外圖像，e1～e5為Sobel算子檢測后的紅外圖像，f1～f5為設(shè)置閾值為160后的分割圖像，g1～g5為OTSU分割后的圖像。

3.3 驗證分析

將e行圖像分別與c行和d行圖像相比可以看出，Laplace算子獲得的特征區(qū)域過少，難以有效分割；Scharr算子獲得太多的無用信息，從而導(dǎo)致需要的特性區(qū)域比例變小，且噪聲非常嚴(yán)重；Sobel算子獲得了需要的特性信息，對濾波后的紅外圖像進(jìn)行了有效的特征提取。將g行與f行相比較可以看出，普通的閾值分割方法不夠靈活，且需要人為設(shè)置閾值，不同工況下的不同圖像最優(yōu)分割閾值也有很大差異。如f3相比于f行其他圖像，在閾值為160時取得了很好的分割效果，而f1、f2、f4效果就差很多，f5效果非常差。g行經(jīng)過OTSU自適應(yīng)閾值分割法普遍取得了很好的分割效果，g1檢測到了不明顯區(qū)域的熱斑與很小的光斑點，g2檢測到了明顯的小熱斑與大熱斑漸變區(qū)域，g3對由遮擋引起的熱斑做了完美的分割，g4在檢測到熱斑區(qū)域的同時也檢測到了遮擋物，g5做到了對熱斑區(qū)域與故障部件的檢測。

圖1 各種方法對比結(jié)果圖

4 結(jié)論

考慮到復(fù)雜光伏陣列紅外圖像的特性，針對傳統(tǒng)分割方法不靈活、不準(zhǔn)確、分割效果差等不足，本文提出了一種基于Sobel算子的OTSU分割方法。實驗結(jié)果表明，本文的分割方法可以對光伏陣列的明顯故障區(qū)域、不明顯故障區(qū)域、小熱斑、故障部件等進(jìn)行有效準(zhǔn)確的分割。