2024年9月16日 · 针对太阳能电池片缺陷检测中存在检测精确度低、误检和漏检率高的问题,本文在深度学习模型YOLOv8的基础上进行优化与改进,提出了一种太阳能电池片电致成
2019年3月15日 · 本次小组报告主要针对电池片的两种常见缺陷——手指印和皮带印进行缺陷检测。手指印属于太阳能电池片表面外观常见的一种缺陷,产生原因是生产过程中工人的手指不小心接触到电池片表面,缺陷的形状也多似手指形状,主要特征如图 1.1 所示。
2024年10月23日 · 机制的太阳能电池表面缺陷检测算法CMFAnet。首先,针对太阳能电池表面缺陷 ... 像能够提供高空间分辨率的图片,从而可以更好 地识别太阳能电池中的微小缺陷。EL检测由 于操作快捷、可重复、成本低及无损测试等优点
2018年3月7日 · 该数据集包含从光伏模块的高分辨率电致发光图像中提取的2624个300x300像素的8位灰度图像样本,涵盖了功能性和缺陷性太阳能电池,缺陷类型包括内在和外在,这些缺陷
太阳能电池板表面缺陷检测关键技术-3.太阳能电池板表面缺陷检测关键技术3.1 基于梯度特征的检测方法此类方法的依据是：根据亮度差异——太阳能电池片表面缺陷区域和其余部分的亮度。两者交界处具有较高的梯度。具有代表意义的作法为梯度特征与
2022年8月30日 · 硒、碲化镉为代表的第二代薄膜太阳能电池存在毒 性高且组分元素储量极少的缺点; 由此孕育而生的 第三代新型太阳能电池兼具制备工艺简单、成本低 廉、可柔性制备等特点, 其中包括量子点太阳能电 池、染料敏化太阳能电池和新型钙钛矿太阳能电 池(PSCs)等 .
2024年10月14日 · 随着无人机和红外成像技术的发展,通过航拍红外图像对光伏板进行缺陷检测已成为一种高效且精确的方法。 本数据集包含11种不同的缺陷分类,总计20000张图像,适用于
2020年3月21日 · 在电池片缺陷视觉检测方面,国内外也进行了 相关的研究。Deitsch S等分别使用支持向量机 （SVM）和卷积神经网络（CNN）对高分辨率单晶和 多晶太阳能电池片EL图进行缺陷识别,判断组件 电池片缺陷概率,CNN模型平均精确率达到88.42%,
2024年3月15日 · PV电池缺陷图像。EL成像技术可以不受外部环境或 制造过程中电池表面不光滑等因素的影响,有效识别 PV电池缺陷。但是PV电池的EL图像仍然存在数 据不平衡、缺陷与背景耦合、缺陷尺度不一等问题,给 缺陷检测任务带来极大困难。
2024年10月14日 · 文章浏览阅读888次,点赞17次,收藏13次。太阳能光伏板的性能直接影响到光伏发电系统的效率和可信赖性。随着无人机和红外成像技术的发展,通过航拍红外图像对光伏板进行缺陷检测已成为一种高效且精确的方法。本数据集包含11种不同的缺陷分类,总计20000张图像,适用于基于深度学习的缺陷分类
2024年7月13日 · 文章浏览阅读332次。（该系统可以根据数据训练出的yolov8的权重文件,运用在其他检测系统上,如火焰检测,口罩检测等等,可以根据检测目标更改UI界面。包含4个类。通过PYQT构建UI界面,包含图片检测,视频检测,摄像头实时
2023年7月17日 · 为了实现电致发光（Electroluminescent,EL）条件下太阳能电池的高精确度裂纹和碎片缺陷检测,将多尺度YOLOv5（You Only Look Once version
2019年4月16日 · 这些方法都在某种程度上实现了表面缺陷检测和识别。但是由于太阳能硅片表面反光强烈,使得太阳能硅片带的特征提取和分类面临难题,传统的方法已无法满足生产对质量控制系统的高度要求,因此本文利用德国 MVTec 公司的视觉软件 Halcon 10.1,实现对太阳
2019年11月20日 · 缺陷调控是影响半导体太阳能电池光电转换效率的关键因素. 缺陷与掺杂直接决定半导体中载流子的类型、浓度、传输以及光生载流子的非辐射复合. 真实半导体中存在的缺陷种类繁多, 浓度各异, 使得缺陷, 特别是单个点缺陷
2022年12月9日 · 位图来判断是否存在缺陷． 2 太阳能电池片表面缺陷类型 太阳能电池片在生产加工过程中,可能由于操作 不当造成太阳能电池片表面出现断栅、缺角、色差、脏 污、裂纹等缺陷,从而使得太阳能电池片的使用寿 命减少,同时影响其工作效率．
2024年10月10日 · 转载：开源工业缺陷数据集汇总,持续更新中（已更新28个） - 欢迎大家关注我的公众号：一刻AI 本文目前汇总了常见的28个开源工业缺陷数据集,持续更新中 （欢迎大家留言补充,共同建设一个为大家提供便利的文章）东北大学热轧带钢表面缺陷数据集 官方链接：Vision-based SIS
2022年12月9日 · 本节将太阳能电池 片表面缺陷的种类、视觉效果、造成原因进行总结,如 表1 所示,此外,图2 还展示了太阳能电池片表面较 为常见的缺角、斑点、裂痕和隐裂缺陷． 3 基于
2024年9月16日 · 针对太阳能电池片缺陷检测中存在检测精确度低、误检和漏检率高的问题,本文在深度学习模型YOLOv8的基础上进行优化与改进,提出了一种太阳能电池片电致成像 (electroluminescent, EL)缺陷检测模型。首先,采用自校准光照学习(self-calibrated illumination
2019年3月20日 · 整理出16类电池缺陷。从"缺陷定义测试特征性能影响来源机理预防手段修复价值"等方面对各类缺陷做了 详细描述和评价。该研究结果可用于指导太阳电池的生产改进及缺陷电池的修复。关键词 材料；太阳电池；缺陷检测；分类评价；修复
2023年2月21日 · 该数据集包含2,624个300x300像素功能和缺陷太阳能电池的8位灰度图像样本,具有从44个不同的太阳能模块中提取的不同程度的退化。带注释的图像中的缺陷是内部或外部类型的缺陷,已知会降低太阳能模块的功率效率。
2023年12月2日 · 然而,传统的YOLO算法在太阳能电池板缺陷检测中存在一些问题,如对小尺寸缺陷的检测不够精确,对于复杂背景下的缺陷检测效果较差等。 为了解决这些问题,本研究提出了一种改进的YOLO算法,即融合CFPNet的EVC-Block改进YOLO的太阳能电池板缺陷检测系统。
本文主要研究了以下几个方面: (1)本文分析了太阳能电池产业的发展趋势;根据太阳能电池的表面缺陷检测系统的技术要求,提出了利用图像处理技术检测电池表面质量的设计方案,介绍了检测系统的结构和数据处理流程; (2) 利用区域监测阈值分割的图像处理
2024年3月15日 · EL成像技术可以不受外部环境或制造过程中电池表面不光滑等因素的影响,有效识别PV 电池缺陷。 但是PV 电池的EL图像仍然存在数据不平衡、缺陷与背景耦合、缺陷尺度
光伏电池片图像缺陷检测器 本缺陷检测器针对倾斜的光伏电池板组件照片,应用直方图自适应二值化和透视变换技术进行图像校正,提取行列特征后通过FFT频谱分析出晶片的行列排布进行图像分割,可分别应用非线性SVM与DenseNet对分割照片进行训练以实现缺陷检测。
光伏硅片电池视觉检测解决方案,结合人工智能及传统瑕疵检测算法,可高效检测电池片或者硅片表面各种缺陷,有效加强了光伏电池片生产过程中各环节的产品质量监控,提升产品合格率,涵盖硅片隐裂检测、硅片AOI色差检测、石墨舟翘
2022年11月30日 · 如果您串联连接了太阳能电池板,接线问题可能会导致整个串的功率损失。不小心连接面板会造成开路,您可能会损失大量能量。建议不要尝试自己处理太阳能电池板的电气问题——最高好向经过认证的电工寻求帮助。 7.鸟类将您的太阳能电池板变成它们的巢穴
本缺陷检测器针对倾斜的光伏电池板组件照片,应用直方图自适应二值化和透视变换技术进行图像校正,提取行列特征后通过FFT频谱分析出晶片的行列排布进行图像分割,可分别应用非线性SVM与DenseNet对分割照片进行训练以实现缺陷
2019年4月16日 · 太阳能电池片表面缺陷 检测系统设计 系统硬件方面由3部分构成：处理芯片、图像传感器模块、串口通信 ... 、空洞缺陷进行检测。实验对象是156 mm×156 mm的单晶硅太阳能电池片。实验中给出了太阳能电池片表面缺陷检测系统图片 的效果图以及从
2023年10月30日 · 该数据集包含2,624个300x300像素功能和缺陷太阳能电池的8位灰度图像样本,具有从44个不同的太阳能模块中提取的不同程度的退化。带注释的图像中的缺陷是内部或外部类型的缺陷,已知会降低太阳能模块的功率效率。 所有图像的大小和透视图均已标准化。
2024年3月4日 · 具有异质纹理和复杂背景的太阳能电池表面 的相似且不确定的缺陷检测是太阳能电池制造的挑战。 传统的制造过程依赖于人眼检测,这需要大量的工人而没有稳定和良好的检测效果。 为了解决该问题,本文设计了一种基于多光谱深度卷积
2024年3月27日 · 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精确度作任何确保,数据集只提供精确且合理标注。标注类别名称
2019年8月15日 · 太阳能电池板印制表面线路间距测量检测。太阳能电池板印制表面线路断路、短路判别。太阳能电池板印制表面划伤、污点、污质检测。太阳能电池板视觉检测图像检测速度(视觉部分)平均 印制线路间距测量,精确度± 0.01mm以内,重复精确度达±0.005mm