基于改进轻量型YOLOv5的太阳能电池板缺陷检测

为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原YOLOv5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。

基于生成式自监督学习的太阳能电池板缺陷检测

在太阳能电池板的生产和使用过程中,需要对缺陷进行检测。对此,提出一种基于生成式自监督学习的太阳能电池板缺陷检测方法。这一方法使用双通道生成式自监督学习方法,训练基于自注意力的缺陷识别深度学习网络,能够准确识别出太阳能电池板的表面缺陷。应用这一方法时,离散编码通道使用离散变分编码器对输入的图像进行离散编码,形成输入图像特征的编码表征。使用自注意力通道随机遮盖40%图像块,并输入基于自注意力的遮盖模型,使用全连接分类网络将自注意力表征映射为图像离散编码表征,训练模型以获得能够重建被遮盖图像块的能力。应用这一方法针对太阳能电池板缺陷数据集进行训练和测试,仅需200个训练周期,就可以达到81.74%的分类准确率。试验结果表明这一方法能够避免像素级复原,在显著减小运算量的同时提取图像全局和细节特征,实现较好的缺陷分类识别效果,稳健性佳,有很强的泛化能力。

改进的CNN在太阳能电池板缺陷检测中的应用

由于太阳能电池板生产工艺的复杂性,容易在多个环节产生断栅、开焊、隐裂等缺陷。提出一种改进的卷积神经网络方法来检测电池板缺陷,首先,改进的卷积神经网络采用一种新的损失函数,在新的损失函数中引入平衡因子ε,以提高网络的识别率。其次,将卷积神经网络和随机森林相结合,随机森林分类器替换卷积层的输出层,可以增强网络的泛化能力。仿真结果表明,改进的卷积神经网络能够快速、准确地识别出电池板的缺陷和缺陷类别,识别准确率高达96.48%,相比与传统的卷积神经网络提高了2.63%,能够满足工业过程中电池板缺陷检测的需求。

基于LabVIEW的太阳能电池板缺陷检测系统开发研究

随着现代化水平越来越高,资源利用率也随之上升,但是由于资源的过度开发,资源配置方式不合理等原因,造成资源日渐匮乏,石油、煤等不可再生能源日渐匮乏,甚至引发了各国之间一系列的冲突与战争,进一步造成了世界的不稳定。因而对可再生能源的需求日益增强,世界各国都致力于研发各类新型能源,如太阳能、潮汐能、水能等可再生绿色能源。其中,利用太阳能发电是当今世界各国研发的热点之一,进而研发出了一系列品质良好的太阳能电池板。但是,随着电池板生产规模的不断扩大,电池板存在的缺陷始终无法避免,为了能提高太阳能电池板的可靠性及工作效率,针对缺陷的检测技术也成了当务之急。本文针对目前太阳能电池板存在的缺陷,设计了一种基于LabVIEW的太阳能电池板缺陷检测系统。

基于改进YOLOv8的太阳能电池板表面缺陷检测算法

太阳能电池板表面缺陷检测技术是光伏产业实现智能维护的关键。然而,太阳能电池板表面有很多微小的缺陷,且不同缺陷之间具有很高的相似性,这给准确识别和检测此类缺陷带来了挑战。为了提高太阳能电池板表面微小缺陷的检测精度,同时加强模型对目标缺陷的识别能力,在YOLOv8网络中引入细粒化卷积模块以替代传统的卷积下采样,并且添加多头自注意力机制(MHSA),最后在头部增加一个小目标的检测层,并在太阳能电池板缺陷数据集上进行测试验证。结果表明,改进的YOLOv8在检测五类缺陷的mAP@0.5达到88.40%,相比于原始模型提高了5.9%,精确度有一定的提升,改进后的模型在定位微小目标时具有更优越的精准性和检测能力。

基于改进YOLOX-S的太阳能电池片表面缺陷检测

针对太阳能电池片表面缺陷检测存在模型体积大和检测性能不达标的问题,提出了一种轻量化YOLOX-S检测模型用于工业生产。首先以YOLOX-S模型为基础,采用轻量级网络MobileNetV3优化主干网络,减少模型参数,降低模型运算量,提高检测速度。其次采用FReLU激活函数改进MobileNetV3,使模型具有空间像素级建模能力,提高模型空间特征信息灵敏度,增强模型对小目标缺陷的特征提取能力。最后,在颈部网络引入注意力特征融合模块,聚合多尺度信息,加强模型的多尺度特征融合能力。实验结果表明,改进的YOLOX-S检测模型平均精度均值可达97.6%,参数量减少43.2%,检测速度达到51帧/s,置信度均在90%以上,检测结果可靠。

局部和全局特征融合的太阳能电池片表面缺陷检测

太阳能电池片表面缺陷具有类内差异大、类间差异小和背景特征复杂等特点,因此,要实现高精度的太阳能电池片表面缺陷自动检测是一项富有挑战性的任务。针对此问题,该文提出融合局部和全局特征的卷积视觉Transformer网络(CViT-Net),首先采用Ghost聚焦(G-C2F)模块提取电池片缺陷局部特征;然后引进坐标注意力强调缺陷特征并抑制背景特征;最后构建Ghost视觉(G-ViT)模块融合电池片缺陷局部特征和全局特征。同时,针对不同检测精度和模型参数量,分别提供了CViT-Net-S和CViT-Net-L两种网络结构。实验结果表明,与经典MobileVit、MobileNetV3和GhostNet轻量级网络相比,CViT-Net-S对电池片分类准确率分别提升了1.4%、2.3%和1.3%,对电池片检测mAP50分别提升了2.7%、0.3%和0.8%;与ResNet50、RegNet网络相比,CViT-Net-L分类准确率分别提升了0.72%和0.7%,检测mAP50分别提升了3.9%、1.3%;与先进YOLOv6、YOLOv7和YOLOv8检测网络相比,作为骨干网络的CViT-Net-S、CViT-Net-L结构在mAP和mAP50指标上仍保持良好检测效果。结果证明本文算法在太阳能电池片表面缺陷检测领域具有应用价值。

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片(Photovoltaic,PV)表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。

基于孪生网络的自监督太阳能电池板裂纹检测方法

太阳能电池板的裂纹缺陷检测能够避免电能转换效率低,以及短路造成起火的损失。针对现存对比学习方法中存在细微裂纹漏检导致检测精度低,并且严重依赖构建负样本等问题,提出了一种基于孪生网络的两阶段自监督裂纹检测方法。第1阶段提出了一种基于卷积神经网络(convolutional neural network,CNN)和Transformer的预训练编码器模型,通过孪生网络架构学习样本的精细特征表示,提高对电池板细微裂纹的特征表示能力;第2阶段基于预训练模型在少量标注样本下学习分类器以区分缺陷样本。为进一步区分不影响电池板功能的纵向裂纹,另增加了一个分类头进行判别。在ELPV数据集上的实验结果表明,方法在测试准确度方面优于其他相关检测方法,在只对数据进行少量标注的情况下准确度达到83.26%,单张检测时间为6.1 ms,同时在裂纹图像中检出纵向裂纹的召回率也有76.7%。

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machines,SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence,EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis,PCA)降维后输入到PSOSVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSOSVM获得最高识别准确率。

一种改进的YOLOv8太阳能电池板缺陷识别方法

0引言太阳能发电装置作为一种新兴的发电设备,不仅具有无噪音、无污染和无消耗的特点,而且具有易安装、寿命长和可再生的优点,然而太阳能电池板作为太阳能发电装置中最核心的组件,在生产制造、运输安装、强光曝晒、风雨雪侵蚀后难免会出现黑心片、黑斑片、短路黑片、过焊片、断栅片、明暗片、隐裂和失效等缺陷[1]。这些缺陷不可避免会造成太阳电池板在发电性能上的影响。如图1中所示,可以看到太阳能电池板不仅在光照变化、裂缝形态、失效种类等方面都有着明显的差异,而且导线和污渍等干扰因子也严重影响缺陷的识别。因此,如何精准高效地识别太阳能电池板缺陷是一项充满挑战性的任务。

太阳能电池片图像校正与表面缺陷检测

针对太阳能电池片图像的透视失真与表面缺陷检测问题,提出一种基于虚拟相机的太阳能电池片图像的透视校正方法和改进YOLOv5s的神经网络模型。首先,根据相机外参构建水平姿态的虚拟相机,建立原图与虚拟相机的透视映射关系,以实现原图的透视校正。然后,采用动态头部来提高YOLOv5s头部的表示能力,并在C3模块的瓶颈处加入感受野增强模块RFI来提高小目标感受野。最后,将YOLOv5s的定位loss与NWD loss进行融合来弥补小目标位置偏差。实验结果表明,基于虚拟相机的透视校正,其效果明显优于传统方法且运行时间更短;同时改进后的YOLOv5s模型对比YOLOv5s、YOLOv7、YOLOv8平均精度分别提高6.1%、27.7%、1.1%,对太阳能电池片表面质量检测具有实际应用价值。

基于YOLOv5的太阳能电池片EL图像缺陷检测算法

EL图像可用于精准检测太阳电池及光伏组件的内在缺陷,太阳能电池片EL图像缺陷会受到复杂背景的干扰使其变得难以识别。为此,提出一种改进的YOLOv5深度学习模型,用于提高缺陷检测的可靠性和准确性。该模型采用CutMix数据增强对EL图像的处理,在Backbone中使用改进混合域注意力替换原有网络的内容安全策略(Content Security Policy,CSP)部分,提高模型的特征提取能力。同时,引入特征融合(Feature Fusion Module,FFM)模块有效融合不同维度的特征,达到背景抑制的效果。基于PVEL-AD公开数据集的实验结果表明,相较于原来的YOLOv5s模型,改进后的模型参数量从7.02×10^(6)下降到6.79×10^(6),且mAP50准确率从71.11%提升到87.74%。

基于深度神经网络的太阳能电池组件缺陷检测算法分析

文章详细介绍了太阳能电池组件缺陷检测系统功能,通过专业的研究与分析,在深度神经网络影响下,精准找出太阳能电池组件缺陷检测算法设计,包含明确算法操作原理、规范电池组件缺陷检测环境、设置神经网络、划分数据集及评估电池组件缺陷检测结构等,从而高效探究出太阳能电池组件的具体缺陷,全面改善太阳能电池组件的使用状态。

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。

基于改进DenseNet网络的室外太阳能电池板缺陷检测方法

太阳能电池板的表面是否完整无损对于其发电效率起着决定性的作用,传统的人工检测法、红外穿透检测法、机器视觉检测法等都存在各自的缺点。由于室外太阳能电池板具有图像获取难度大、样本数量小、样本相似度高等问题,大多深度学习算法并不能出色地完成室外太阳能电池板缺陷检测任务。针对该任务的特殊性,提出基于改进DenseNet网络模型的缺陷检测方法,选取DenseNet基础网络模型,在模型中加入L2正则化,并调整Batch Normalization层以解决过拟合问题;将激活函数ReLU函数替换为SELU函数,更好地缓解了梯度消失问题,加强了网络的鲁棒性。实验结果表明,训练集准确率到达93%,测试集准确率达到87%,能有效地检测并区分出电池板不同程度的损伤。

硅太阳能电池纹理缺陷检测

为实现硅太阳能电池纹理缺陷检测,提出一种采用方向可变滤波器组并结合Hough变换的检测方法。通过方向可变滤波器提取图像边缘并采用Hough变换确定纹理方向,采用角度与纹理方向一致的方向可变滤波器滤波,实现消除规则直线纹理,保留纹理缺陷特征。对滤波后的纹理缺陷结果图像采用双阈值法,以确定纹理缺陷所在的位置。和Gabor滤波器及小波滤波器的比较实验结果表明:该方法比前两种方法能更有效地进行硅太阳能电池纹理缺陷检测。

基于CMOS图像传感器的太阳能电池缺陷检测系统设计

针对太阳能电池生产过程中存在的检测速度慢、自动化水平低等问题,提出一种基于机器视觉的电池片表面缺陷检测系统的设计方案,实现了太阳能电池的自动检测。首先设计了一套视觉硬件系统,用于通过CMOS图像传感器采集电池片图像;图像处理算法中,改进了一种基于形态学凸性分析与相对灰度差动态阈值分割的缺陷特征提取法,并通过检测软件的开发来实现。实验表明,同传统的人工检测相比,系统的检测具有较高的准确度与稳定性,具备较高的实用价值。

基于机器视觉的太阳能电池片缺陷检测技术的研究

为了解决国内生产线中太阳能电池片缺陷识别存在效率低、精度差的问题,提出一种基于机器视觉的缺陷检测方法。首先采用局部最大方差法对电池片图像进行有效分割并识别出断栅,接着提出了一种积分投影与灰度重心相结合的定位算法对图像进一步处理,最后通过计算各缺陷的几种特征参数作为输入向量,设计了以径向基(RBF)为核函数的支持向量机(SVM)分类器,通过网格搜索法自动获得分类参数,实现了对太阳能电池片缺角、断栅、崩边、裂纹、漏浆、铸点等几种常见缺陷的检测。实验结果表明,该方法有效提高了检测效率和准确率,所设计的SVM分类器的识别率在90%以上。