doi：10.3969/j.issn.1001-5922.2024.02.038

摘 要：隨著我國(guó)“雙碳”工作的不斷推進(jìn)，光伏電站的規(guī)模逐漸擴(kuò)大。為解決光伏電站圖像安防技術(shù)中存在的拍攝角度、光線影響大，識(shí)別準(zhǔn)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(shù)。通過SIFT算法提取光伏電站圖像特征點(diǎn)，解決了光線、角度帶來的識(shí)別誤差問題；通過卷積神經(jīng)網(wǎng)絡(luò)方法準(zhǔn)確的識(shí)別了光伏電站車輛、人員、動(dòng)物、積雪等安防問題。該方法在某光伏電站進(jìn)行應(yīng)用，其光伏電站圖像安防識(shí)別準(zhǔn)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(shí)別準(zhǔn)確率。

關(guān)鍵詞：光伏電站；SIFT；安防技術(shù)；CNN；三維模型；圖像形態(tài)學(xué)

中圖分類號(hào)：TM615⁺.2；TP277" " " "文獻(xiàn)標(biāo)志碼：A" " " "文章編號(hào)：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(guó)政府“雙碳”政策的提出，光伏電站得到迅猛的發(fā)展^[1]，但光伏電站安防形勢(shì)嚴(yán)峻。國(guó)內(nèi)外許多學(xué)者對(duì)光伏電站的安防技術(shù)做了大量研究。如提出了一種基于物聯(lián)網(wǎng)的光伏電站安防技術(shù)^[2]。提出了一種基于可編程陣列的光伏電站安防巡檢系統(tǒng)^[3]。提出了一種基于通用分組無線業(yè)務(wù)（GPRS）的光伏電站安防技術(shù)^[4]。提出了一種基于多融合技術(shù)的光伏電站安防技術(shù)^[5]。由此可見，光伏電站安防技術(shù)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(cè)安防異常行為的準(zhǔn)確性低。為解決光伏電站圖像安防技術(shù)中存在的拍攝角度、光線影響大，識(shí)別準(zhǔn)確率低的問題，提出了一種基于尺度不變特征轉(zhuǎn)換（SIFT）的光伏電站圖像安防技術(shù)。

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(shù)流程如圖1所示。

（1）光伏電站三維監(jiān)測(cè)。根據(jù)光伏電站所處的地理位置、光伏板安裝等進(jìn)行三維建模，為光伏電站安防提供數(shù)據(jù)基礎(chǔ)。將光伏電站攝像頭拍攝的現(xiàn)場(chǎng)照片疊加到光伏電站三維模型上，形成光伏電站的數(shù)字底座監(jiān)測(cè)場(chǎng)景；

（2）光伏電站圖像特征數(shù)據(jù)分析。對(duì)光伏電站圖像數(shù)據(jù)的噪聲進(jìn)行去噪，消除噪聲數(shù)據(jù)對(duì)圖像識(shí)別帶來的影響；其次，進(jìn)行圖像特征點(diǎn)提取，獲取光伏電站中設(shè)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(duì)齊工作，消除光線和角度因數(shù)帶來的影響；

（3） 光伏電站圖像安防分析。通過對(duì)光伏電站的圖像分析，判斷是否存在異常區(qū)域；其次，對(duì)異常區(qū)域的類型進(jìn)行比對(duì)，判斷異常區(qū)域內(nèi)存在的安防問題類型；最后，進(jìn)行光伏電站安防告警和安防識(shí)別結(jié)果輸出。

2"光伏電站圖像安防模型

2.1"光伏電站三維監(jiān)測(cè)

三維模型通過不同色彩灰度實(shí)現(xiàn)物體邊緣的立體展示，從而呈現(xiàn)出物體的立體特征。在三維模型的基礎(chǔ)上構(gòu)建的光伏電站安防系統(tǒng)具有監(jiān)測(cè)全面的特點(diǎn)^[6-7]。因此，采用三維模型作為光伏電站的數(shù)字基座。

激光點(diǎn)云是一種三維建模方法，采用激光雷達(dá)對(duì)光伏電站的掃描獲得光伏電站反射點(diǎn)的三維坐標(biāo)，每個(gè)光伏電站的激光雷達(dá)反射點(diǎn)以立體空間的形式分布在三維空間中，其集合則構(gòu)成了光伏電站的三維模型^[8-9]。

采用激光點(diǎn)云建立的光伏電站三維橫坐標(biāo)為：

在建立光伏電站三維模型后，通過應(yīng)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(shù)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(shù)字底座是數(shù)字化底層的應(yīng)用程序^[10]，具備光伏電站多個(gè)應(yīng)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(shù)據(jù)支撐。

光伏電站的數(shù)字底座主要包括：升壓站、光伏場(chǎng)站2部分。其中，升壓站有居住區(qū)板房、墻體、圍欄、二次設(shè)備艙室板房、監(jiān)控室板房、其他板房、門、變壓器等重要設(shè)備和外圍停車區(qū)；光伏場(chǎng)站包括：光伏設(shè)備、逆變器、箱變、圍欄、、地面導(dǎo)線。

2.2"光伏電站圖像特征數(shù)據(jù)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(jìn)行光伏電站圖像安防分析前需對(duì)圖像噪聲進(jìn)行處理，消除光伏電站圖像噪聲對(duì)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(wǎng)絡(luò)是一種深度學(xué)習(xí)的全卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以進(jìn)行多表征的光伏電站圖像學(xué)習(xí)，從而對(duì)光伏電站異常的安防情況進(jìn)行學(xué)習(xí)^[12]。光伏電站異常圖像CNN結(jié)構(gòu)如圖3所示。

由圖3可知，光伏電站圖像CNN網(wǎng)絡(luò)通過輸入、誤差估計(jì)、卷積、池化、全鏈接環(huán)節(jié)，并將其和異常庫(kù)中的特征進(jìn)行比對(duì)，從而識(shí)別光伏電站車輛、人員、動(dòng)物、積雪等安防異常類型。

3"算例分析

3.1"場(chǎng)景與參數(shù)設(shè)定

為驗(yàn)證基于SIFT的光伏電站圖像安防技術(shù)的可行性，在某光伏電站進(jìn)行了仿真應(yīng)用。該光伏電站安裝攝像頭37個(gè)，圖像的像素為1 920×1 080，為節(jié)約存儲(chǔ)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(nèi)存為128 GB。工作站的軟件環(huán)境采用Windows 11，與文中方法進(jìn)行對(duì)照試驗(yàn)的是文獻(xiàn)^[13]中的圖像動(dòng)態(tài)目標(biāo)跟蹤方法，該方法在光伏電站安防中廣泛使用，具有行業(yè)通用性。

3.2"算例運(yùn)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(jì)算速度的核心指標(biāo)。該指標(biāo)的計(jì)算方法為，從算法輸入光伏電站圖像的時(shí)間起，到生成光伏電站安防結(jié)果的時(shí)間為止的時(shí)間段。光伏電站圖像安防算法分析時(shí)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(shù)與圖像動(dòng)態(tài)目標(biāo)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(shù)在計(jì)算時(shí)結(jié)構(gòu)清晰，處理速度快，平均每10張圖像處理時(shí)間為0.48 s，而圖像動(dòng)態(tài)目標(biāo)跟蹤方法的算法結(jié)構(gòu)復(fù)雜，處理耗時(shí)長(zhǎng)，每10張圖像的處理時(shí)長(zhǎng)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(jiān)測(cè)分析

光伏電站圖像安防監(jiān)測(cè)分析是為了評(píng)估所提基于SIFT的光伏電站圖像安防技術(shù)是否能有效的識(shí)別光伏電站的安防情況，文中以小動(dòng)物侵入光伏電站為例進(jìn)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(shù)能有效識(shí)別小動(dòng)物入侵光伏電站的情況，并將小動(dòng)物加黃顏色框進(jìn)行標(biāo)注。

3.2.3"光伏電站圖像安防識(shí)別準(zhǔn)確率分析

光伏電站圖像安防識(shí)別準(zhǔn)確率分析是為了評(píng)估文中方法的有效識(shí)別能力的核心指標(biāo)。計(jì)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(shí)別結(jié)果與人為模擬結(jié)果一致，則為光伏電站圖像安防識(shí)別準(zhǔn)確。識(shí)別準(zhǔn)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(shí)別準(zhǔn)確率。

分別選擇1 000張車輛、人員、動(dòng)物、未帶安全帽、火災(zāi)、積雪光伏電站的圖像，隨機(jī)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(shù)與圖像動(dòng)態(tài)目標(biāo)跟蹤方法比較光伏電站圖像安防識(shí)別準(zhǔn)確率，比較結(jié)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(shù)在特征監(jiān)測(cè)方法優(yōu)勢(shì)強(qiáng)，其光伏電站圖像安防識(shí)別準(zhǔn)確率平均為99.7%，高于圖像動(dòng)態(tài)目標(biāo)跟蹤方法。

4"結(jié)語(yǔ)

為解決光伏電站圖像安防技術(shù)中存在的拍攝角度、光線影響大，識(shí)別準(zhǔn)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(shù)。通過SIFT算法提取了光伏電站圖像的特征點(diǎn)，消除了光線和角度帶來的識(shí)別影響。通過CNN網(wǎng)絡(luò)識(shí)別了光伏電站車輛、人員、動(dòng)物、積雪等安防問題。所提方法在某光伏電站應(yīng)用的結(jié)果表明該方法能有效提高圖像安防識(shí)別準(zhǔn)確率。

【參考文獻(xiàn)】

[1]顏勤，涂曉帆.天氣影響下基于風(fēng)險(xiǎn)評(píng)估的電動(dòng)汽車光伏充電站需求響應(yīng)[J].重慶大學(xué)學(xué)報(bào)，2023，46（4）：37-45.

[2]蔣飛勇.基于物聯(lián)網(wǎng)技術(shù)的智能變電站安防監(jiān)控系統(tǒng)[J].通信電源技術(shù)，2022，39（21）：186-188.

[3]陳標(biāo)發(fā)，陳傳東，魏榕山，等.基于現(xiàn)場(chǎng)可編程門陣列的智能配電站安防巡檢系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].電氣技術(shù)，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(lián)網(wǎng)智能安防系統(tǒng)設(shè)計(jì)[J].國(guó)外電子測(cè)量技術(shù)，2020，39（4）：95-100.

[5]郭義明，郁啟華，邵書成.多融合的入侵檢測(cè)系統(tǒng)在電站安防應(yīng)用[J].電子測(cè)試，2022（7）：116-118.

[6]王艾迪，郎洪，丁朔，等.基于語(yǔ)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(xué)學(xué)報(bào)（自然科學(xué)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(xué)學(xué)報(bào)，2022，27（3）：59-65.

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

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

[10]賈澤露，朱毅，唐文武.服務(wù)城市精細(xì)治理的數(shù)字底座關(guān)鍵技術(shù)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(wǎng)絡(luò)與Adam優(yōu)化算法的醫(yī)學(xué)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(jī)巡檢的動(dòng)態(tài)目標(biāo)跟蹤方法[J].計(jì)算機(jī)仿真，2022，39（7）：402-406.

收稿日期：2023-09-15；修回日期：2023-12-15

作者簡(jiǎn)介：熊昌全（1966-），男，博士，高級(jí)工程師，研究方向：電力技術(shù)；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(jiān)圖像精準(zhǔn)識(shí)別技術(shù)研究[J].粘接，2024，51（2）：143-146.