[0001] 本申请涉及数据处理领域，具体而言，涉及一种故障光伏组件的确定方法和装置、存储介质及电子装置。

[0002] 相关领域中，在一般单一背景的红外图像中，目标物与背景温度温差的大小决定了目标物清晰度的高低，即目标物与背景温差越大，目标物的清晰度越高。然而实际的光伏组件所处的背景环境复杂，会存在杂草、碎石和与光伏组件温度接近的物体，甚至某些金属制品的温度会高于光伏组件正常工作的温度，这样就会导致红外光伏组串整体清晰度较低。另外，如果无人机巡检时拍摄角度、拍摄距离、无人机行进速度未按照标准执行或红外相机自身的属性未到达标准，都有可能导致画面不清晰。在巡检采集图像时，红外相机的成像也会受到周围环境的影响，如空气中掺杂灰尘等介质的反射会使红外相机的光敏传感器受到的光强不均匀，复杂的背景辐射也会使拍摄的图像存在大小不一的噪声。

[0003] 针对相关技术中，在红外光伏组件图像背景中存在干扰的情况下，无法准确识别出光伏组件以及光伏组件是否故障的问题，尚未得到有效方案。

[0023] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0024] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元；“多个”表示两个或两个以上。

[0025] 本申请实施例所提供的方法实施例可以在计算机终端或者类似的运算装置或云平台或独立的物理服务器或软件平台中执行，其中，上述软件平台通过一个或者多个服务器进行运行。以运行在计算机终端上为例，图1是本申请实施例的一种故障光伏组件的确定方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。

[0026] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0027] 传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

[0028] 在本实施例中提供了一种故障光伏组件的确定方法，应用于上述计算机装置中。图2是根据本申请实施例的故障光伏组件的确定方法的流程图，该流程包括如下步骤：

[0029] 步骤S202，获取包含待检测光伏组件的目标红外图像；

[0030] 步骤S204，对所述目标红外图像进行预处理，得到灰度直方图；

[0031] 步骤S206，确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；

[0032] 步骤S208，在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。

[0033] 在本申请实施例中，获取包含待检测光伏组件的目标红外图像；对所述目标红外图像进行预处理，得到灰度直方图；确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。通过上述实施例，通过确定目标故障节点，解决了现有技术中，在红外光伏组件图像背景中存在干扰的情况下，无法准确识别出光伏组件以及光伏组件是否故障的问题。

[0034] 也就是说，首先，需要使用红外摄像设备拍摄包含待检测光伏组件的红外图像。红外图像能够显示光伏组件的温度分布，因为正常工作的组件和出现故障的组件在温度上通常会有差异。对拍摄到的红外图像进行预处理，以得到灰度直方图。预处理可能包括去噪、对比度增强等步骤，目的是为了更好地分析图像中的温度分布信息。灰度直方图是对图像中像素灰度值分布的统计图表。在这个步骤中，分析灰度直方图中不同灰度值对应的像素点分布情况，即第一分布信息。这有助于识别出可能存在的异常温度区域。如果在灰度直方图的第一分布信息中发现了符合特定目标灰度值的目标像素点，并且这些像素点的个数达到了预设的阈值(第一预设值)，那么就可以将对应的待检测光伏组件确定为故障光伏组件。

[0035] 通过上述步骤，可以快速、非接触式地检测光伏组件是否存在故障，对于大型光伏电站的维护和故障诊断尤为重要。通过红外图像分析，可以在不影响电站正常运行的情况下，及时发现并定位故障组件，有助于提高光伏电站的运行效率和可靠性。

[0036] 在一个示例性实施例中，获取包含待检测光伏组件的目标红外图像之后，所述方法还包括：调节所述目标红外图像的灰度，得到目标红外图像的灰度图；对所述灰度图进行二值化处理，得到二值化图像，其中，所述二值化处理用于将所述灰度图中灰度值大于第二预设值的像素点调节为第一灰度值，并将所述灰度图中灰度值小于等于所述第二预设值的像素点调节为第二灰度值；对所述二值化图像进行除杂处理，得到除杂图像，其中，所述除杂处理至少包括：移动步骤：在所述二值化图像上按照预设第一规则移动预设的运算像素块，在所述运算像素块内存在任意像素点对应第二灰度值的情况下，将所述运算像素块覆盖的全部像素点调节为所述第二灰度值，得到第一调节图像；调节步骤：在所述第一调节图像按照预设第二规则移动所述运算像素块，在所述运算像素块内存在任意像素点对应第一灰度值的情况下，将所述运算像素块覆盖的全部像素点调节为所述第一灰度值，得到第二节图像；重复执行上述移动步骤至调节步骤N次，得到除杂图像，其中，所述N为正整数；在识别到所述除杂图像中存在目标图案的情况下，确定存在光伏组串，其中，所述光伏组串是有多个光伏组件构成的。

[0037] 也就是说，将目标红外图像转换为灰度图，这有助于减少图像处理的复杂性，因为灰度图只包含黑白及其间的各种灰色，而没有彩色信息。

[0038] 二值化处理：对灰度图进行二值化处理，即将图像中的像素点根据其灰度值分为两类，通常是背景和前景。这个过程通过设定一个第二预设值来实现，大于这个预设值的像素点被调节为第一灰度值(通常是白色)，小于等于这个预设值的像素点被调节为第二灰度值(通常是黑色)。这样做可以突出图像中的关键特征，便于后续分析。

[0039] 除杂处理：为了去除图像中的噪声和小的不连续区域，进行除杂处理。这包括以下步骤：

[0040] 移动步骤：在二值化图像上按照预设的第一规则移动预设的运算像素块。如果运算像素块内有任何像素点对应第二灰度值，则将运算像素块覆盖的所有像素点调节为第二灰度值，得到第一调节图像。

[0041] 调节步骤：在第一调节图像上按照预设的第二规则移动运算像素块。如果运算像素块内有任何像素点对应第一灰度值，则将运算像素块覆盖的所有像素点调节为第一灰度值，得到第二调节图像。

[0042] 重复执行上述移动步骤至调节步骤N次，得到除杂图像。这里的N是一个正整数，表示处理的迭代次数。

[0043] 图案识别：在除杂图像中识别是否存在目标图案，这通常意味着光伏组串的存在。光伏组串是由多个光伏组件构成的，能够提供更多关于光伏组件状态的信息。

[0044] 具体地：图像的灰度化处理是将一幅彩色图像转为灰度图像的过程，可以获取物体可见光的强度，灰度图像可以更好的描述局部特征，具体表现为灰度值较大的像素点比较亮。使用加权平均值法处理灰度图像，并调节三通道系数分别为0.299、0.578和0.114，使图像的灰度特征更加明显，其原理如式：

[0045] gray＝0.299×R+0.578×G+0.114×B。

[0046] 其中，R、G、B分别为三通道像素的灰度值，以灰度图像为基础，采用全局阈值化大津法，实现全局阈值的自动选取，将图像中灰度值大于自动选取阈值的像素点的灰度值设置为255，在二值图像中表现为白色，将灰度值小于自动选取阈值的像素点的灰度值设置为0，在二值图像中表现为黑色。

[0047] 经二值化算法处理后的图像仍然存在拍摄图像的信息和少部分背景因素干扰，因此需要先去除干扰像素点，然后将被误删掉的像素点补全。对图像进行形态学开运算，设置程序中形态学开运算结构元半径为1，迭代次数为2。处理后的图像在保留光伏组件信息的同时完全消除了干扰因素的影响，将组件上缺失部分及组件间隔部分填满，形态学闭运算能够填充白色目标中的黑色细小区域，连接临近物体的同时将在目标周围误生成的多余部分删除，保证目标轮廓完整性。设置程序中形态学闭运算结构元半径为1，迭代次数为14。

[0048] 综上所述，这些步骤的目的是通过图像处理技术来提高故障检测的准确性和效率。通过灰度调节、二值化处理和除杂处理，可以有效地从红外图像中提取出与光伏组件故障相关的信息，从而帮助维护人员快速定位和诊断光伏组件的问题。

[0049] 在一个示例性实施例中，在识别到所述除杂图像中存在目标图案的情况下，确定所述目标图案为所述光伏组串，包括：抽取步骤：在从所述除杂图像中随机抽取到检测像素点的情况下，确定所述检测像素点对应的第一直线，并通过第一算法计算确定所述第一直线存在的第一概率；确定步骤：在所述第一概率大于第三预设值的情况下，确定所述第一直线存在，在所述第一概率小于等于第三预设值的情况下，确定所述第一直线不存在；删除步骤：从所述除杂图像中删除所述检测像素点；重复执行上述抽取步骤至删除步骤m次，根据存在的所述第一直线构成的图形确定目标图案，并基于所述目标图案确定所述光伏组串。

[0050] 也就是说，在从除杂图像中识别目标图案并确定光伏组串的过程中，采用了一种结合随机抽取和概率计算的方法。以下是该过程的详细解释：

[0051] 抽取步骤：在除杂图像中随机抽取检测像素点，并根据这些像素点确定第一直线。使用第一算法计算这条直线存在的第一概率。确定步骤：如果计算出的第一概率大于第三预设值，那么认为第一直线存在；如果第一概率小于等于第三预设值，则认为第一直线不存在。删除步骤：将从除杂图像中抽取的检测像素点删除。重复执行：上述抽取到删除的步骤m次，直到足够的数据被分析。图案识别：根据存在的第一直线构成的图形来确定目标图案，进而基于这些目标图案来确定光伏组串的存在。总的来说，这种方法通过随机抽样和概率计算来识别和确认图像中的直线，从而构建出可能的目标图案，帮助识别光伏组串。这是一种结合了统计和图像处理技术的方法，旨在提高识别的准确性和效率。

[0052] 具体地：随机从二值图像(上述进行处理后的图像)边缘中抽取点，并对抽取到的点建立感兴趣区域；

[0053] 对区域中的点进行霍夫变换，并对变换后的点进行累加；(对选中的所有点进行变换，这就是霍夫直线算法中的一个步骤，将笛卡尔坐标系中的直线转换为极坐标中的点)。

[0054] 沿着区域中点所在线段的方向，找到两个端点，当检测出的线段长度大于设定阈值时，判断该线段为直线；

[0055] 对完成判断的点进行删除并重复以上操作，直到检测完成。

[0056] 应用概率统计霍夫直线检测算法对光伏组件进行识别，组件能够被完整地识别出来，且大部分光伏组件边缘识别准确，并无漏检或误检的情况。当拍摄的红外图像清晰时，此方法有较好的识别组件效果，不会有边缘故障漏检的情况发生。

[0057] 由于，霍夫直线检测的基本原理是将笛卡尔坐标系中的直线转换为极坐标中的点，再通过极坐标中点的特性来检测实际图像中的直线，其原理表达式为：

[0058] ρ＝xcosθ+ysinθ；

[0059] 其中，ρ为极坐标下的半径，θ为极坐标下的角，x和y为笛卡尔坐标系下的坐标。霍夫直线检测算法需要扫描所有边缘点进行计算，存在计算量大、检测速度慢的缺陷，尤其是在处理大量光伏图像时，提高检测速度成为必须解决的问题。为了提高直线检测的精度和检测速度，因此可以采用统计概率霍夫直线检测算法。

[0060] 在一个示例性实施例中，确定所述灰度直方图中不同灰度值对应像素点的第一分布信息，包括：提取所述灰度直方图中不同灰度值对应的第二像素点个数，并根据所述不同灰度值和所述第二像素点个数生成散点图，其中，所述散点图的横坐标为所述不同灰度值，纵坐标为所述第二像素点个数；采用拟合算法对所述散点图中数据点拟合处理，得到拟合曲线；确定所述拟合曲线横坐标对应的多个第一坐标值和纵坐标对应的多个第二坐标值；根据所述多个第一坐标值和所述多个第二坐标值确定所述第一分布信息。

[0061] 确定灰度直方图中不同灰度值对应像素点的第一分布信息是一个对红外图像进一步分析的过程，它有助于识别光伏组件中的异常温度分布。以下是该步骤的详细解释：

[0062] 提取第二像素点个数：从灰度直方图中提取每个不同灰度值对应的像素点数量。这些像素点数量反映了图像中各个灰度级别的分布情况，如图3所示。

[0063] 生成散点图：利用提取的不同灰度值和对应的像素点数量生成散点图。在散点图中，横坐标表示不同的灰度值，纵坐标表示相应灰度值的像素点数量。这样，散点图直观地展示了灰度值与像素点数量之间的关系，如图4所示。

[0064] 拟合处理：为了更清晰地理解灰度值与像素点数量之间的关系，采用拟合算法(如最小二乘法、多项式拟合、高斯拟合函数等)对散点图中的数据点进行拟合处理，得到一条拟合曲线，如图5所示。这条曲线可以反映出灰度分布的整体趋势。

[0065] 确定第一坐标值和第二坐标值：从拟合曲线中确定多个横坐标(第一坐标值)和纵坐标(第二坐标值)。这些坐标值代表了拟合曲线上的关键点，用于描述灰度分布的特征。

[0066] 确定第一分布信息：根据从拟合曲线得到的多个第一坐标值和第二坐标值，可以确定出第一分布信息。这个分布信息是对原始灰度直方图中像素点分布的数学描述，可以用来识别和分析光伏组件的温度分布模式。

[0067] 通过这个过程，可以量化和分析红外图像中的灰度分布，从而为识别故障光伏组件提供更准确的数据支持。

[0068] 具体地：采用高斯拟合函数对散点图进行拟合，高斯拟合的目的是求出一条曲线，使得所有的点都尽可能地接近这条曲线，拟合后的曲线存在波峰和波谷，波峰代表灰度值一样的像素点最多，波谷则代表灰度值一样的像素点最少，曲线在波峰以及波谷处的拟合效果准确，曲线整体拟合较好。曲线图中横坐标数值越大代表灰度级越高，在灰度图像中表现得越亮，光伏组串灰度图像中亮度从高到低依次为：故障区域、正常工作的组件、图像背景，如图3所示，图3是拟合曲线示意图。

[0069] 在一个示例性实施例中，在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件，包括：确定所述拟合曲线的对应的第一波峰和第二波峰，并将所述第一波峰对应的像素点确定为构成背景的背景像素点，将所述第二波峰对应的像素点确定为构成正常光伏组件的组件像素点，其中，所述第二波峰对应的横坐标的坐标值大于第一波峰的横坐标的坐标值，所述第二波峰的纵坐标的坐标值小于所述第一波峰的纵坐标的坐标值；将所述拟合曲线中横坐标的坐标值大于第二波峰的坐标值的像素点确定为所述目标像素点，并将所述目标像素点对应的光伏组件为故障光伏组件。

[0070] 也就是说，在分析红外图像以确定光伏组件是否存在故障时，可以通过识别灰度直方图中的特定模式来进行。以下是该过程的解释：

[0071] 确定波峰：分析拟合曲线(如图3所示)，确定第一波峰和第二波峰。第一波峰通常对应于背景像素点，而第二波峰对应于正常光伏组件的像素点。在这里，第二波峰的横坐标值大于第一波峰的横坐标值，这意味着正常光伏组件的灰度值高于背景的灰度值。同时，第二波峰的纵坐标值小于第一波峰的纵坐标值，表明正常光伏组件的像素点数量少于背景像素点的数量。

[0072] 识别目标像素点：将拟合曲线中横坐标值大于第二波峰坐标值的像素点确定为目标像素点。这些像素点在灰度直方图中对应于较高的灰度值，可能表明这些像素点属于温度异常高的区域，即可能存在故障的光伏组件。

[0073] 判定故障：如果目标像素点的个数符合第一预设值，即存在足够数量的高灰度值像素点，那么可以将这些像素点对应的待检测光伏组件判定为故障光伏组件。

[0074] 通过这种方法，可以利用红外图像中的灰度分布信息来检测和定位光伏组件中的故障区域。这是一种非接触式的检测方法，对于大型光伏电站的维护和故障诊断具有重要意义，有助于提高检测效率和准确性。

[0075] 在一个示例性实施例中，确定目标像素点对应的光伏组件为故障光伏组件之前，包括：将第一波谷的纵坐标的坐标值确定为灰度分割的目标阈值，其中，所述第一波谷的横坐标的坐标值大于所述第二波峰的横坐标的坐标值；对比步骤：将所述目标红外图像中的像素点对应的所述灰度值的与所述目标阈值进行对比，得到对比结果；第一灰度步骤：在所述对比结果指示像素点大于所述目标阈值的情况下，将所述像素点调节为第三灰度值；第二灰度步骤：在所述对比结果指示像素点小于等于所述目标阈值的情况下，将所述像素点调节为第四灰度值；重复执行上述对比步骤至第一灰度步骤或重复执行上述对比步骤至第二灰度步骤，直到目标红外图像中每个像素点都得到对比结果，根据所述第三灰度值和/或第四灰度值确定第一图像；对所述第一图像执行降噪处理，得到去除噪声点的第二图像。

[0076] 也就是说，在确定目标像素点对应的光伏组件为故障光伏组件之前，需要进行一系列的图像处理和分析步骤，以确保准确地识别出潜在的故障区域。以下是该过程的详细解释：

[0077] 确定目标阈值：首先，需要确定一个灰度分割的目标阈值。这个阈值是通过分析灰度直方图中的第一波谷来确定的，第一波谷的纵坐标值将被用作阈值。第一波谷的横坐标值应该大于第二波峰的横坐标值，这意味着阈值应该高于正常光伏组件的灰度值。

[0078] 对比像素点与阈值：接下来，将目标红外图像中的每个像素点的灰度值与目标阈值进行对比。如果像素点的灰度值大于目标阈值，那么将这些像素点调节为第三灰度值；如果像素点的灰度值小于等于目标阈值，那么将这些像素点调节为第四灰度值。

[0079] 降噪处理：对经过上述对比和灰度调节后得到的图像执行降噪处理，以去除噪声点，得到更为清晰的第二图像。

[0080] 重复处理：重复执行上述对比和灰度调节步骤，直到目标红外图像中的每个像素点都得到对比结果。这样，可以根据第三灰度值和第四灰度值的分布来确定图像中的潜在故障区域。

[0081] 通过这些步骤，可以有效地从红外图像中识别出与正常工况下有显著差异的像素点，这些像素点可能对应着光伏组件中的故障区域。这种方法有助于提高故障检测的准确性和效率，对于大型光伏电站的维护和故障诊断尤为重要。

[0082] 在一个示例性实施例中，对所述第一图像执行降噪处理，得到去除噪声点的第二图像之后，所述方法还包括：确定所述第二图像中灰度值大于所述目标阈值的k个像素点；允许将所述k个像素点确定为所述目标像素点，其中，所述K为正整数。

[0083] 也就是说，在对第一图像进行降噪处理，得到去除噪声点的第二图像之后，该方法还包括以下步骤：

[0084] 确定目标像素点：在第二图像中，识别出灰度值大于目标阈值的k个像素点。这些像素点是在去除了背景和正常光伏组件的噪声之后剩余的，可能对应于异常高温区域，即潜在的故障区域。

[0085] 计数目标像素点：统计这些像素点的数量，如果数量达到某个预设的正整数值K，则进一步分析这些像素点是否集中于特定区域，从而判断是否存在故障的光伏组件。

[0086] 判定故障：根据目标像素点的分布和数量，结合预设条件，确定是否将对应的待检测光伏组件判定为故障光伏组件。

[0087] 通过上述步骤，可以进一步筛选和确认潜在的故障像素点，提高故障检测的准确性。这是红外图像故障检测流程中的一个重要环节，有助于从大量数据中提取关键信息，实现对光伏组件健康状况的有效监控。

[0088] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

[0089] 本申请实施例中还提供了一种故障光伏组件的确定装置的结构框图，图6是根据本申请实施例的故障光伏组件的确定装置的结构框图；如图6所示，包括：

[0090] 获取模块62，用于获取包含待检测光伏组件的目标红外图像；

[0091] 处理模块64，用于对所述目标红外图像进行预处理，得到灰度直方图；

[0092] 确定模块66，用于确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；

[0093] 故障模块68，用于在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。

[0094] 通过上述装置，获取包含待检测光伏组件的目标红外图像；对所述目标红外图像进行预处理，得到灰度直方图；确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。通过上述实施例，解决了现有技术中，红外光伏组件图像背景中存在干扰的情况下，无法准确识别出光伏组件以及光伏组件是否故障的问题。

[0095] 在一个示例性实施例中，所述处理模块64还用于，调节所述目标红外图像的灰度，得到目标红外图像的灰度图；对所述灰度图进行二值化处理，得到二值化图像，其中，所述二值化处理用于将所述灰度图中灰度值大于第二预设值的像素点调节为第一灰度值，并将所述灰度图中灰度值小于等于所述第二预设值的像素点调节为第二灰度值；对所述二值化图像进行除杂处理，得到除杂图像，其中，所述除杂处理至少包括：移动步骤：在所述二值化图像上按照预设第一规则移动预设的运算像素块，在所述运算像素块内存在任意像素点对应第二灰度值的情况下，将所述运算像素块覆盖的全部像素点调节为所述第二灰度值，得到第一调节图像；调节步骤：在所述第一调节图像按照预设第二规则移动所述运算像素块，在所述运算像素块内存在任意像素点对应第一灰度值的情况下，将所述运算像素块覆盖的全部像素点调节为所述第一灰度值，得到第二节图像；重复执行上述移动步骤至调节步骤N次，得到除杂图像，其中，所述N为正整数；在识别到所述除杂图像中存在目标图案的情况下，确定存在光伏组串，其中，所述光伏组串是有多个光伏组件构成的。

[0096] 在一个示例性实施例中，所述处理模块64还用于，执行抽取步骤：在从所述除杂图像中随机抽取到检测像素点的情况下，确定所述检测像素点对应的第一直线，并通过第一算法计算确定所述第一直线存在的第一概率；确定步骤：在所述第一概率大于第三预设值的情况下，确定所述第一直线存在，在所述第一概率小于等于第三预设值的情况下，确定所述第一直线不存在；删除步骤：从所述除杂图像中删除所述检测像素点；重复执行上述抽取步骤至删除步骤m次，根据存在的所述第一直线构成的图形确定目标图案，并基于所述目标图案确定所述光伏组串。

[0097] 在一个示例性实施例中，所述确定模块66还用于，提取所述灰度直方图中不同灰度值对应的第二像素点个数，并根据所述不同灰度值和所述第二像素点个数生成散点图，其中，所述散点图的横坐标为所述不同灰度值，纵坐标为所述第二像素点个数；采用拟合算法对所述散点图中数据点拟合处理，得到拟合曲线；确定所述拟合曲线横坐标对应的多个第一坐标值和纵坐标对应的多个第二坐标值；根据所述多个第一坐标值和所述多个第二坐标值确定所述第一分布信息。

[0098] 在一个示例性实施例中，所述确定模块66还用于，确定所述拟合曲线的对应的第一波峰和第二波峰，并将所述第一波峰对应的像素点确定为构成背景的背景像素点，将所述第二波峰对应的像素点确定为构成正常光伏组件的组件像素点，其中，所述第二波峰对应的横坐标的坐标值大于第一波峰的横坐标的坐标值，所述第二波峰的纵坐标的坐标值小于所述第一波峰的纵坐标的坐标值；将所述拟合曲线中横坐标的坐标值大于第二波峰的坐标值的像素点确定为所述目标像素点，并将所述目标像素点对应的光伏组件为故障光伏组件。

[0099] 在一个示例性实施例中，所述确定模块66还用于，将第一波谷的纵坐标的坐标值确定为灰度分割的目标阈值，其中，所述第一波谷的横坐标的坐标值大于所述第二波峰的横坐标的坐标值；对比步骤：将所述目标红外图像中的像素点对应的所述灰度值的与所述目标阈值进行对比，得到对比结果；第一灰度步骤：在所述对比结果指示像素点大于所述目标阈值的情况下，将所述像素点调节为第三灰度值；第二灰度步骤：在所述对比结果指示像素点小于等于所述目标阈值的情况下，将所述像素点调节为第四灰度值；重复执行上述对比步骤至第一灰度步骤或重复执行上述对比步骤至第二灰度步骤，直到目标红外图像中每个像素点都得到对比结果，根据所述第三灰度值和/或第四灰度值确定第一图像；对所述第一图像执行降噪处理，得到去除噪声点的第二图像。

[0100] 在一个示例性实施例中，所述确定模块66还用于，确定所述第二图像中灰度值大于所述目标阈值的k个像素点；允许将所述k个像素点确定为所述目标像素点，其中，所述K为正整数。

[0101] 本申请的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。

[0102] 可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

[0103] S1，获取包含待检测光伏组件的目标红外图像；

[0104] S2，对所述目标红外图像进行预处理，得到灰度直方图；

[0105] S3，确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；

[0106] S4，在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。

[0107] 本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

[0108] 可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

[0109] 可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

[0110] S1，获取包含待检测光伏组件的目标红外图像；

[0111] S2，对所述目标红外图像进行预处理，得到灰度直方图；

[0112] S3，确定所述灰度直方图中不同灰度值对应像素点的第一分布信息；

[0113] S4，在所述第一分布信息指示所述灰度直方图中存在目标灰度值的目标像素点且所述目标像素点的个数符合第一预设值的情况下，确定目标像素点对应的待检测光伏组件为故障光伏组件。

[0114] 可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read‑Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0115] 可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

[0116] 显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

[0117] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。