姬學海,彭文博,高虎,李曉磊,朱紋哲
1.華能寧夏能源有限公司新能源分公司
2.中國華能集團清潔能源技術研究院有限公司
無人機用于光伏電站巡檢,能極大提高巡檢效率,降低巡檢成本,正逐漸取代人工巡檢。但是,現(xiàn)有巡檢系統(tǒng)存在定位精度不高、重復定位等問題,導致巡檢系統(tǒng)無法為工作人員提供完全正確的消缺依據(jù),不能實現(xiàn)有效的光伏電站維護。因此,本文提出一種基于空中三角測量與缺陷去重處理相結合的缺陷坐標轉換方法,降低了缺陷從圖像坐標向地理坐標轉換的誤差,同時結合缺陷類型及計算出的地理位置進行缺陷降重處理,解決了因交疊拍攝造成的缺陷重復問題。本文選取裝機容量為30MW的光伏電站進行測試,實驗結果表明,本文所述方法既提高了缺陷定位精度,保證了缺陷的低重復度,能夠為工作人員提供一種更為準確和有效的消缺依據(jù)。
隨著我國能源網(wǎng)絡戰(zhàn)略的高效快速實施,以光伏發(fā)電為主的可再生能源供應能力不斷增強。然而,光伏電站的運行和維護壓力卻在逐漸增大,因此無人機對光伏電站進行自主巡檢是現(xiàn)實需求。無人機自主巡檢的關鍵技術是,利用無人機導航和機器視覺技術,實現(xiàn)光伏設備航拍影像的自動化處理與分析,以及輔助定位。但是,現(xiàn)有無人機視覺巡檢方案存在定位精度較低,容易造成不同角度拍攝的同一缺陷被重復定位等問題。同時,光伏電站消缺和維護過程會受地形、電站分布、電站覆蓋面積等諸多因素影響。因此,如果無人機巡檢系統(tǒng)缺陷定位不準確,會引發(fā)維護成本的增加。
為提升無人機巡檢系統(tǒng)缺陷定位的可靠性和穩(wěn)定性,首先須要考慮無人機航線規(guī)劃及航拍方式,并保證準確地提取無人機拍攝位置及位姿等詳細信息;其次為保證缺陷在原始拍攝圖像上的準確度,采用高精度深度學習檢測模型對圖像上的缺陷進行檢測。在作業(yè)過程中,無人機搭載紅外及可見光等相機,采集多源傳感器圖像,同時采用配準技術進行圖像配準,得到缺陷點在兩種圖像之間的對應關系;最后利用空中三角測量方法,測算每張圖像實際拍攝位置的歐拉角,最終利用圖像坐標、相機坐標、世界坐標之間的轉換關系,得到缺陷點在地理位置上的坐標,利用得到的電站具體組件地理位置即可完成電站維護。
目前,無人機光伏電站巡檢已經(jīng)得到廣泛應用。文獻一詳細介紹了光伏組件無人機巡檢策略,以及在松湖漁光互補光伏電站的實際應用;文獻二結合四旋翼無人機的具體飛控方式,對無人機飛行路徑進行建模,使用粒子群算法得到最優(yōu)貝塞爾曲線,作為無人機的飛行航跡,并通過實驗驗證了該方法的有效性;文獻三探討了無人機光伏電站巡檢的飛行和巡檢要求。此段省略了所提及的三個文獻名稱。
本文以實現(xiàn)精確定位和缺陷降重為主要目的,提出一種基于空中三角測量技術及去重處理技術相結合的缺陷坐標轉換方法,降低了缺陷從圖像坐標向地理坐標轉換的誤差,同時結合缺陷類型及計算出的地理位置進行缺陷降重處理,解決了因交疊拍攝造成的缺陷重復問題。實驗結果表明,本文所述方法能有效提高缺陷定位的精度,同時減少因不同角度拍攝帶來的缺陷重復定位。
無人機根據(jù)預先規(guī)劃的航線進行巡檢,在數(shù)據(jù)采集過程中,無人機采用定點懸停的方式,使用雙光相機同時采集紅外圖像和廣角圖像。為在巡檢過程中不漏檢光伏組件,無人機在相鄰兩次懸停位置處采集的圖像存在交疊,同時交疊范圍不宜較大,避免給以后運算或處理過程帶來額外的工作量,具體交疊量可以根據(jù)實際需要進行選擇,采集到的紅外及廣角圖像位置對應關系如圖1所示,虛線部分表示無人機在第一次懸停位置所采集的圖像結果,實線部分表示第二次懸停位置所采集的圖像結果。其中,小矩形框表示紅外圖像覆蓋的位置,大矩形框表示廣角圖像覆蓋的位置。
圖1 紅外及廣角圖像位置對應關系示意圖。
為得到缺陷在紅外圖像上的準確位置,使用高精度深度學習模型對紅外圖像進行缺陷檢測,得到缺陷類型及缺陷在紅外圖像上的位置范圍框,并獲取位置范圍框的中心位置坐標。接著,按照雙光相機的參數(shù),以及紅外圖像與廣角圖像的特征對應關系,計算仿射變換矩陣。然后,按照仿射變換矩陣,將每個缺陷的缺陷點中心坐標由紅外圖像映射到廣角圖像。設紅外圖像上的二維坐標為(xir,yir),對應的廣角圖像的二維坐標為(xwa,ywa),i,j為旋轉參數(shù),k為平移參數(shù),則對應的變換公式為:
經(jīng)過公式(1)計算得到廣角圖像上的缺陷點坐標。相較紅外圖像,廣角圖像之間的重疊區(qū)域更大,可以更好地進行空三運算。因此將缺陷坐標從紅外圖像坐標系換算到廣角圖像坐標系后,后續(xù)運算在廣角圖像坐標系下進行,即下文中的坐標轉換流程。
總體坐標轉換流程如圖2所示。
圖2 總體坐標轉換流程。
首先對所有廣角圖像進行空三運算,得到精確的相機拍攝位姿(歐拉角);然后結合無人機相機云臺位置計算拍攝點的相機坐標,得出廣角相機拍攝中心的地理坐標X、Y,高程信息Z,以及相機姿態(tài)角ω、φ、k,具體過程如下所述。
第一,獲取無人機采集廣角圖像時的懸停位置經(jīng)度、緯度、絕對高程,以及紅外圖像中心點在相應地理位置上對應的絕對高程信息。
第二,結合雙光相機的內(nèi)部參數(shù),對廣角圖像的畸變進行校正,同時根據(jù)旋轉軸的順序,計算旋轉矩陣。設中心位置坐標為(x,y),雙光相機的幾何中心坐標為(x0,y0),廣角圖像寬為w0,拍攝焦距為f,拍攝中心距相機的距離為d,校正過程如下:
在公式(5)中,k1,k2,k3表示雙光相機徑向畸變的泰勒展開系數(shù),p1、p2表示雙光相機切向畸變的系數(shù)。接著,根據(jù)空三計算得到的相機姿態(tài)角ω、φ、k,計算旋轉矩陣C,其中:
第三,根據(jù)旋轉矩陣C、廣角圖像拍攝中心點的世界坐標系的地理坐標,計算得到缺陷地理坐標:
其中,公式(16)中的(x,y)是經(jīng)過公式(5)畸變校正后的結果,在公式(17)中,(Xs,Ys)表示缺陷地理坐標,(Xc,Yc)表示廣角圖像拍攝中心點的世界坐標系的地理坐標。
降重過程如圖3所示。
圖3 缺陷降重過程。
經(jīng)過圖像坐標向地理坐標轉換之后,得到N個缺陷點的地理坐標。為根據(jù)缺陷點的位置進行降重處理,首先構造一個N×N的鄰接矩陣,鄰接矩陣中的第i行的N個數(shù)值依次為第i個目標坐標分別與第1-N個目標坐標之間的度量,i為1,2…N,其中距離度量采用L2距離進行度量,即:
以N為4為例,鄰接矩陣定義為A。
其中,鄰接矩陣中的第1行的4個數(shù)值分別為:第1個目標坐標和第1 ~4個目標坐標之間的度量a11,a12,a13,a14。
第2行的4個數(shù)值分別為:第2個目標坐標和第1 ~4個目標坐標之間的度量a21,a22,a23,a24。
第3行的4個數(shù)值分別為:第3個目標坐標和第1 ~4個目標坐標之間的度量a31,a32,a33,a34。
第4行的4個數(shù)值分別為:第4個目標坐標和第1 ~4個目標坐標之間的度量a41,a42,a43,a44。
鄰接矩陣構建完成后,判斷鄰接矩陣中兩個目標坐標之間的度量是否小于閾值。其中,鄰接矩陣中兩個目標坐標之間的度量閾值可以根據(jù)實際應用場景進行設置。以特定區(qū)域范圍為光伏電站,光伏電站內(nèi)設置有多個光伏組件,各光伏組件的尺寸相同,閾值Th與光伏組件寬度W之間的大小關系為:W≤Th≤2W。光伏組件通常為矩形,光伏組件寬度W指的是矩形中較短的邊尺寸。在該應用場景中,以上閾值Th大小的設置可以兼顧較好的去重效果,以及避免不當去重造成的目標坐標缺失。遍歷鄰接矩陣中的各數(shù)值,將各數(shù)值分別與閾值Th進行比較。例如,鄰接矩陣中a12的數(shù)值為0.1,閾值為0.2,則a12小于閾值,說明第1個目標坐標和第2個目標坐標之間的度量小于閾值。若鄰接矩陣A中兩個目標坐標之間的度量小于閾值,則可能說明一個目標被識別2次,若鄰接矩陣中三個目標坐標之間的度量小于閾值,則可能說明一個目標被識別3次。若兩個目標的目標坐標之間的度量小于閾值,且類型相同,則判定兩個目標坐標對應同一目標,也就是在識別過程中,同一個目標被重復識別。若兩個目標的目標坐標之間的度量小于閾值,但類型不同,則表示兩個目標為不同目標,不存在重復識別的問題。每個目標坐標與自身之間的度量值均為0,即a11、a22、a33和a44均為0,在鄰接矩陣A中可直接記錄為“0”,且第1個目標坐標與第2個目標坐標之間的度量a12,與第2個目標坐標與第1個目標坐標之間的度量a21相同。類似地,a13和a31相同,a14和a41相同,a23和a32相同,a24和a42相同,a34和a43相同,則鄰接矩陣A中的以上相同數(shù)值只須計算一次,無須重復計算。
為驗證本文方法是否能準確定位且保證重復性,選取青銅峽光伏電站進行數(shù)據(jù)統(tǒng)計并對本文所用方法進行實地試驗。為了分別評測本文方法的定位準確度和低重復性,首先分別定義不同指標進行評測,對于重復度的度量,定義重復個數(shù)Re為:
在公式(22)中,Mreal表示實際缺陷數(shù),Ti表示在第i個缺陷對應的組件區(qū)域中所包含的缺陷個數(shù),相應的定義準確率為:
在公式(21)中,fb表示二值函數(shù),即統(tǒng)計實際對應的缺陷組件所在區(qū)域中是否包含同類型缺陷,如果包含則記為1,否則記為0。
為了降低外界環(huán)境因素對實驗結果的影響,分別在不同日期對該光伏電站進行巡檢,其巡檢時間及實際缺陷數(shù)如圖4所示。在不同日期共完成4次巡檢,然后分別將無人機正常采集數(shù)據(jù)、空三運算采集的準確率結果和本文有交疊的采集數(shù)據(jù)進行對比,如表1所示。從表1可以看出,在所有日期采集的數(shù)據(jù),本文方法的準確率均高于常規(guī)巡檢方式。此外,按照本文方式,將去掉空三運算之后的計算準確率進行消融對比,由表1數(shù)據(jù)可知,幾乎所有使用空三計算的歐拉角轉換數(shù)據(jù),所得到的準確率均比無空三計算的方式要高。由此說明,在相機坐標轉換過程中,使用空中三角測量方法計算轉角具有必要性。
表1 不同巡檢時間的準確率。
圖4 巡檢時間及實際缺陷數(shù)。
由于本文所用交疊數(shù)據(jù)采集方式會帶來一定的缺陷重復定位,因此有必要驗證去重處理后的缺陷個數(shù)的正確性。表2分別列出了去重前的重復缺陷個數(shù)和去重后的缺陷重復個數(shù),接下來對比本文所用方法的重復率與常規(guī)巡檢方式的重復率,重復率的計算式為公式(22)。
表2中的重復個數(shù)顯示,在不同巡檢日期得到的缺陷去重前后數(shù)據(jù)表現(xiàn)上,缺陷個數(shù)重復率均大幅降低,直接說明了本文去重方法的有效性。重復率結果表明,本文方法的重復率與常規(guī)巡檢方式相差不多,間接說明了本文所述圖像采集方式并沒有帶來額外的缺陷重復。
表2 重復率對比實驗結果。
針對無人機光伏電站缺陷巡檢系統(tǒng),本文提出了一種準確的缺陷地理坐標定位方法,能夠為光伏電站運維人員提供有效的消缺及維護依據(jù),相較常規(guī)無人機巡檢提供的缺陷位置,本文方法具有更高的參考價值。本文研究成果主要包括三個方面。
第一,在數(shù)據(jù)采集過程中,利用雙光相機采集光伏電站有交疊的紅外圖像和廣角圖像,為實現(xiàn)精確坐標轉換提供數(shù)據(jù)基礎。
第二,結合空中三角運算,修正無人機拍攝位姿(歐拉角),提升了相機坐標轉換精度。
第三,對轉換好的地理缺陷進行去重處理,減少了圖像采集過程中因交疊產(chǎn)生的重復缺陷個數(shù)?!?/p>