一種基于人工智能的太陽能集熱效率分析方法及系統技術方案

本發明專利技術涉及人工智能技術領域，具體涉及一種基于人工智能的太陽能集熱效率分析方法及系統。該方法根據圖像像素點的像素值進行初次判定，獲得第一異常區域。根據第一紋理特征將色差區域剔除，獲得第二異常區域。根據第二異常區域的尺寸形態獲得疑似裂紋區域，根據疑似裂紋區域中的第二紋理特征進行分類，篩選出裂紋區域和臟污區域。根據臟污區域的特征和裂紋區域的特征對太陽能熱水器的集熱效率進行分析。本發明專利技術將缺陷類型進行分類，針對缺陷類型對集熱效率實現準確的預測分析。對集熱效率實現準確的預測分析。對集熱效率實現準確的預測分析。

【技術實現步驟摘要】
一種基于人工智能的太陽能集熱效率分析方法及系統


[0001]本專利技術涉及人工智能
，具體涉及一種基于人工智能的太陽能集熱效率分析方法及系統。

技術介紹

[0002]太陽能熱水器是常用的加熱裝置，通過吸收太陽光中的熱能將水加熱，以滿足人們在生活生產中的熱水使用。常見的太陽能熱水器為真空管式熱水器。對于需要區域性集熱的地區會為了節省資源，設置多組太陽能熱水器實現區域性集熱供水。
[0003]真空管式的太陽能熱水器大多由間隔真空和背面反射層構成，太陽光經過反射進入真空管，然后被內膽吸收。真空管為能量轉換的最初始位置，因此真空管的狀態會影響集熱情況。由于太陽能熱水器往往布置在室外，會因為環境影響產生多種多樣的缺陷，比如因為雨漬、鳥糞等造成臟污缺陷；或是由于外力因素導致管道出現裂紋缺陷；隨著真空管道的工作，在管道上還會出現因為老化或者其他原因造成的色差缺陷。這幾種缺陷中臟污缺陷和裂紋會顯著影響集熱效率，而色差缺陷影響較小甚至不會影響吸熱能力，在現有的缺陷檢測中效率最高最常用的是利用計算機視覺技術通過圖像識別缺陷區域，但是在分析過程中不能將色差缺陷和臟污缺陷很好的區別開來，導致檢測不準確，從而影響后續的集熱分析。如果使用機器學習技術，利用神經網絡識別缺陷像素點，則需要大量缺陷數據對網絡進行訓練，增加了檢測成本。

技術實現思路

[0004]為了解決上述技術問題，本專利技術的目的在于提供一種基于人工智能的太陽能集熱效率分析方法及系統，所采用的技術方案具體如下：本專利技術提出了一種基于人工智能的太陽能集熱效率分析方法，所述方法包括：獲得連續多幀的太陽能管道圖像；根據所述太陽能管道圖像中像素點的像素值進行分類，獲得異常像素點和正常像素點；根據所述異常像素點獲得第一異常區域；獲得所述第一異常區域的第一灰度共生矩陣；根據所述第一灰度共生矩陣獲得第一紋理特征；去除與標準管道紋理特征相似的所述第一紋理特征對應的所述第一異常區域，獲得第二異常區域；根據所述第二異常區域的尺寸識別出條狀異常區域，以所述條狀異常區域作為疑似裂紋區域，其他所述第二異常區域為臟污區域；獲得所述疑似裂紋區域每個像素點在預設鄰域范圍內的第二灰度共生矩陣，根據所述第二灰度共生矩陣獲得每個所述疑似裂紋區域的第二紋理特征集合；以具有相同相似度的所述第二紋理特征集合對應的所述疑似裂紋區域作為一類區域類別；以數據量最少的所述區域類別作為裂紋區域，其他為所述臟污區域；獲得所述臟污區域的顏色信息，根據所述顏色信息獲得臟污厚度；根據所述臟污厚度和所述臟污區域的面積獲得整體臟污特征；根據所述裂紋區域在連續多幀所述太陽能
管道圖像中的尺寸大小變化和像素值大小變化獲得裂紋變化特征；以所述裂紋變化特征和所述裂紋區域的面積作為整體裂紋特征；根據所述整體臟污特征、所述整體裂紋特征和當前環境數據預測太陽能集熱效率。
[0005]進一步地，所述獲得連續多幀的太陽能管道圖像包括：采集連續多幀的太陽能熱水器圖像；將所述太陽能熱水器圖像送入預先訓練好的管道分割網絡中，獲得所述太陽能管道圖像；所述太陽能管道圖像包括正面管道圖像和背面管道圖像。
[0006]進一步地，所述根據所述第一灰度共生矩陣獲得第一紋理特征包括：以所述第一灰度共生矩陣的能量、對比度、局部相關度和熵作為所述第一紋理特征。
[0007]進一步地，所述去除與標準管道紋理特征相似的所述第一紋理特征對應的所述第一異常區域包括：獲得所述第一紋理特征和所述標準管道紋理特征的二范數差異，以所述二范數差異的倒數作為判定指標；去除大于預設判定指標閾值的所述判定指標對應的所述第一異常區域。
[0008]進一步地，所述根據所述第二灰度共生矩陣獲得每個所述疑似裂紋區域的第二紋理特征集合包括：將所述第二灰度共生矩陣轉換至一維空間，獲得一維特征向量；以所述疑似裂紋區域內所有像素點的所述一維特征向量的集合作為所述第二紋理特征集合。
[0009]進一步地，所述獲得所述臟污區域的顏色信息，根據所述顏色信息獲得臟污厚度包括：將所述臟污區域轉換至HIS顏色空間，以所述HIS顏色空間中飽和度和亮度信息作為所述顏色信息；根據臟污厚度計算公式獲得每個所述臟污區域的所述臟污厚度；所述臟污厚度計算公式包括：其中，為所述臟污厚度，為所述亮度信息，為所述飽和度信息；進一步地，所述根據所述臟污厚度和所述臟污區域的面積獲得臟污特征包括：根據所述正面管道圖像和所述背面管道圖像獲得正面臟污區域和背面臟污區域；根據預設的正面臟污權重分別調整所述正面臟污區域的面積和所述臟污厚度；根據預設的背面臟污權重分別調整所述背面臟污區域的面積和所述臟污厚度；將調整后的所述正面臟污區域的面積和所述背面臟污區域的面積累加，獲得整體臟污面積信息；將調整后的所述正面臟污區域的所述臟污厚度和所述背面臟污區域的所述臟污厚度累加并求均值，獲得整體臟污厚度信息；以所述整體臟污面積信息和所述整體臟污厚度信息的作為所述整體臟污特征。
[0010]進一步地，所述根據所述裂紋區域在連續多幀所述太陽能管道圖像中的尺寸大小變化和像素值大小變化獲得裂紋變化特征包括：
根據尺寸大小變化公式獲得所述尺寸大小變化；所述尺寸大小變化公式包括：其中，為第個所述裂紋區域的所述尺寸大小變化，為第幀所述太陽能管道圖像中的所述裂紋區域的面積，為所述太陽能管道圖像的幀數量；根據像素值大小變化公式獲得所述像素值大小變化；所述像素值大小變化公式包括：其中，為第個所述裂紋區域的所述像素值大小變化，為第幀所述太陽能管道圖像中的所述裂紋區域的平均像素值，為所述太陽能管道圖像的幀數量；以所述尺寸大小變化和所述像素值大小變化的乘積作為所述裂紋變化特征。
[0011]進一步地，所述根據所述臟污特征、所述裂紋特征和當前環境數據預測太陽能集熱效率包括：將所述臟污特征、所述裂紋特征和所述當前環境數據輸入至預先訓練好的集熱效率預測網絡中，輸出所述太陽能集熱效率。
[0012]本專利技術還提出了一種基于人工智能的太陽能集熱效率分析系統，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現任意一項所述一種基于人工智能的太陽能集熱效率分析方法的步驟。
[0013]本專利技術具有如下有益效果：1.本專利技術實施例首先根據像素值的差異區分出缺陷像素點，獲得第一異常區域。因為色差區域的紋理信息并不會發生改變，因此將與標準管道紋理特征相似的第一紋理特征對應的第一異常區域去除，實現了區分色差區域，獲得包含臟污區域和裂紋區域的第二異常區域。根據臟污區域和裂紋區域的形態進行初步劃分獲得疑似裂紋區域，進一步考慮裂紋區域的分布數量，將裂紋區域篩選出來，實現缺陷的分類。
[0014]2.本專利技術實施例根據臟污的顏色信息和面積獲得臟污特征，根據裂紋的尺寸大小變化和像素值大小變化結合面積獲得裂紋特征，根據臟污特征和裂紋特征有效的分析了缺陷對太陽能集熱效率的影響。
附圖說明
[0015]為了更清楚地說明本專利技術實施例或現有技術中的技術方案和優點，下面將對實施例或現有技術描述中本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于人工智能的太陽能集熱效率分析方法，其特征在于，所述方法包括：獲得連續多幀的太陽能管道圖像；根據所述太陽能管道圖像中像素點的像素值進行分類，獲得異常像素點和正常像素點；根據所述異常像素點獲得第一異常區域；獲得所述第一異常區域的第一灰度共生矩陣；根據所述第一灰度共生矩陣獲得第一紋理特征；去除與標準管道紋理特征相似的所述第一紋理特征對應的所述第一異常區域，獲得第二異常區域；根據所述第二異常區域的尺寸識別出條狀異常區域，以所述條狀異常區域作為疑似裂紋區域，其他所述第二異常區域為臟污區域；獲得所述疑似裂紋區域每個像素點在預設鄰域范圍內的第二灰度共生矩陣，根據所述第二灰度共生矩陣獲得每個所述疑似裂紋區域的第二紋理特征集合；以具有相同相似度的所述第二紋理特征集合對應的所述疑似裂紋區域作為一類區域類別；以數據量最少的所述區域類別作為裂紋區域，其他為所述臟污區域；獲得所述臟污區域的顏色信息，根據所述顏色信息獲得臟污厚度；根據所述臟污厚度和所述臟污區域的面積獲得整體臟污特征；根據所述裂紋區域在連續多幀所述太陽能管道圖像中的尺寸大小變化和像素值大小變化獲得裂紋變化特征；以所述裂紋變化特征和所述裂紋區域的面積作為整體裂紋特征；根據所述整體臟污特征、所述整體裂紋特征和當前環境數據預測太陽能集熱效率。2.根據權利要求1所述的一種基于人工智能的太陽能集熱效率分析方法，其特征在于，所述獲得連續多幀的太陽能管道圖像包括：采集連續多幀的太陽能熱水器圖像；將所述太陽能熱水器圖像送入預先訓練好的管道分割網絡中，獲得所述太陽能管道圖像；所述太陽能管道圖像包括正面管道圖像和背面管道圖像。3.根據權利要求1所述的一種基于人工智能的太陽能集熱效率分析方法，其特征在于，所述根據所述第一灰度共生矩陣獲得第一紋理特征包括：以所述第一灰度共生矩陣的能量、對比度、局部相關度和熵作為所述第一紋理特征。4.根據權利要求1所述的一種基于人工智能的太陽能集熱效率分析方法，其特征在于，所述去除與標準管道紋理特征相似的所述第一紋理特征對應的所述第一異常區域包括：獲得所述第一紋理特征和所述標準管道紋理特征的二范數差異，以所述二范數差異的倒數作為判定指標；去除大于預設判定指標閾值的所述判定指標對應的所述第一異常區域。5.根據權利要求1所述的一種基于人工智能的太陽能集熱效率分析方法，其特征在于，所述根據所述第二灰度共生矩陣獲得每個所述疑似裂紋區域的第二紋理特征集合包括：將所述第二灰度共生矩陣轉換至一維空間，獲得一維特征向量；以所述疑似裂紋區域內所有像素點的所述一維特征向...

【專利技術屬性】
技術研發人員：黃詩，
申請(專利權)人：啟東市羅源光伏設備有限公司，
類型：發明
國別省市：