最高新一期的国际光伏科学与技术领域最高高水平学术刊物《光伏研究及应用进展》以封面论文形式报道了上海交通大学物理与天文学院太阳能研究所沈文忠研究组对光伏组件生产线上的多种缺陷实现高精确
摘要 针对光伏(PV)电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问题,提出一种基于YOLOv8 的缺陷检测算法YOLOv8-EL。 首先,使用GauGAN 进行数据增强,处理数据集的类内和类间不均衡的问题,提高模型泛化能力,降低模型过拟合的风险;其次,在主干网络和特征融合网络之间嵌入上下文聚合模块,自适应地融合
度学习算法的人工智能缺陷检测技术开始应用到光伏 组件的缺陷检测上。 传统算法检测 (a) 各向异性扩散滤波法检测隐裂； (b) 匹配滤波法检测隐裂；
摘要 设计一种基于红外热像技术进行太阳能光伏板缺陷检测和分类的方法。 设计了由黑箱、红外热像仪、模拟光源和图像处理计算机组成的检测系统。
为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性,使用改进的YOLOv5 网络对电致发光图片中常见的隐裂、断栅 、裂片和黑斑4 类主要缺陷进行检测和分类。 使用Ghost 模块代替YOLOv5 骨干提取网络中的普通卷积模块,减少网络模型的参数量;为了确保良好的检测性能,在骨干网络尾端加入Squeeze-and
针对光伏电池板表面缺陷红外检测技术研究具体内容包括:首先根据光伏电池板的工作原理和参数模型,从理论上分析了光伏电池板表面缺陷对光伏电池板内阻的影响。
本文对光伏系统缺陷检测的不同数据分析方法进行了全方位面的回顾,在每种技术的类型和方法方面具有高分类粒度。 文献中介绍的此类方法被分为基于成像的技术（IBT）和电气测试技术（ETT）。
然而,光伏发电部署的快速增长也给光伏电池板的维护带来了重要挑战,为了解决这一问题,本文提出了一种基于PA-YOLO的创新算法。 首先,我们建议使用 PA-YOLO 的渐近特征金字塔网络（AFPN）代替 YOLOv7 的主干网络,以支持非相邻层的直接交互,并避免非
提出了一种基于深度学习技术的光伏板缺陷分类定位方法,用于快速精确地确定光伏板缺陷的位置和类型.为了克服传统单张图像缺陷检测方法的视角限制,采用图像配准,拼接等算法生成高分辨率的光伏全方位景图像,并使用深度学习技术对光伏板红外图像进行缺陷分类
摘要 针对传统太阳能光伏面板缺陷检测方法存在检测效率低以及精确率低的问题,提出一种融合纹理特征和颜色特征的太阳能光伏面板缺陷深度学习检测模型,使用深度置信网络模型对缺陷样本进行学习、训练,引入图像纹理特征及颜色特征改进缺陷识别过程,并
我们提供专业的储能解决方案，帮助您实现能源高效管理。无论是家庭、企业还是工业应用，我们的团队都能为您量身定制最适合的方案。填写以下表格获取您的免费报价。