在新能源发电特别是光伏发电在能源结构中占比逐渐提高的情况下,对于光伏电站的智能巡检的研究有着重大的意义。人工巡检是目前常见的方法,但由于效率低、误判率高、评估时间长等原因,在实际应用中给企业带来很重的负担。目前,基于无人机的检测系统已被证明是一种更好的光伏组件巡检方法,利用无人机进行光伏巡检基本上可以分为:路径规划、遥感成像、光伏组件的识别与定位、信息传回地面工作站处理及返航几个步骤。在这些步骤中,对于光伏组件图像的处理及识别扮演着重要的角色。本文提出了一种基于改进聚类算法的光伏组件图像识别技术,对光伏组件进行定位与识别,大量的现场检测数据表明该算法具有较高的精度,漏检率低于5%。本文主要工作有以下几方面:研究了无人机航拍图像识别的特殊性,并针对性地设计了相关算法来解决问题。无人机航拍图像的处理场景与普通的图像识别还是有一些区别的。一方面,光伏电站所处地理位置复杂,航拍环境较差,造成无人机航拍图干扰项较多;另一方面,无人机平台处理能力有限,且需要与导航系统、地面站处理系统紧密结合,所以对采用的算法也有相关的要求。针对这些特殊性,本文提出了结合纹理特征与颜色特征构成图像的混合特征、对聚类算法进行改进使其有更好的自适应性等创新性的想法。对图像处理的相关步骤和主要方法进行了研究,比较了各种方法的优点和局限性,创新性地将一些方法进行融合,取长补短,取得了良好的效果。在图像预处理阶段对图像进行了畸变矫正和雾霾去除;在特征提取阶段,融合了颜色和纹理特征。在图像分类阶段,选取了聚类分析作为分类器,并针对聚类分析的一些局限性,提出了一种具有自整定参数特性的改进聚类分析法。聚类初始点的选取和聚类数目的确定是传统聚类分析法的两大局限点,本文提出根据图像的颜色分布特征来确定这两个初始参数,在实际使用中,就不用再根据图像的变化而去调整输入变量,使得算法具有良好的自适应性完成了一套针对光伏巡检中图像识别系统的搭建,并在实际项目中得到了应用,漏检率5%以下,提高了巡检效率,具有一定的经济效益。