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。

太阳能电池片建设项目环境影响评价中重点关注问题探析

简要梳理了太阳能电池生产工艺,介绍了电池片项目产排污节点,分析了行业产污特征,提出了项目环境影响评价过程中应重点关注的问题,研究成果可为太阳能电池片制造项目前期研判及环保管理提供技术参考。

半柱段体装太阳电池片在轨受晒效率分析

对于半柱段体装太阳电池片的柱形航天器,通过姿态二维对日,使截面Σ_A的法线n始终与太阳矢量μ_(so)重合时,电池片曲面Σ的受晒效率最大;航天器姿态一维对日模式下,受晒效率与轨道太阳角β有关,■值越小,受晒效率越低;姿态固定模式下,截面Σ_A的法线n相比于太阳矢量μ_(so)更靠近Y轴时,受晒效率更大,若航天器在轨任务要求姿态固定(如对接、抓取等),采用半柱段体装方案,应合理设计航天器整体结构,使贴片曲面对应截面Σ_A的法线n相比于在轨任务期间太阳矢量μ_(so),更靠近Y轴。

改进的YOLOv5s太阳能电池片缺陷检测算法

针对太阳能电池片缺陷检测方法存在精度低的问题,提出一种基于改进的YOLOv5s太阳能电池片表面缺陷检测算法。首先,为了解决电池片小目标缺陷检测问题,提出了上下文Transformer网络(CoT),可以为小目标提供全局上下文信息,帮助模型更好地预测小目标。其次,将CBAM注意力加入到Head部分的C3模块,能够更好地捕捉输入特征图的重要通道和空间位置,提高模型的性能和鲁棒性。接着,使用轻量级的通用上采样算子CARAFE减少上采样过程中特征信息的损失,保证了特征信息的完整性。最后,使用WIoU作为边界框损失函数,大幅提升了回归的准确性,并且有助于快速实现模型的收敛。实验结果显示,改进后的YOLOv5s相较于原始算法在Precision、Recall、mAP@0.5三个指标上分别提高了5.5%、4.1%、3.3%,检测速度达到了76 FPS,满足太阳能电池片缺陷检测要求。

单晶硅PERC电池片生产车间设施布局研究

单晶硅PERC电池片生产工艺具有特殊性,而生产车间内的物流存在运输线路长及交叉、迂回等问题,影响生产效率,合理的车间布局是解决此问题的重要方法之一。以LG公司为背景,首先在综合考虑作业单位之间物流及非物流关系的基础上,采用传统系统设施布置(SLP)法得出3种布局方案,采用AHP法对3种方案评价择优;然后在上述方案的基础上,建立该车间多目标规划数学模型及约束条件,采用遗传算法求解,得到改进SLP法布局方案。最后对两种布局方案以目标函数值为衡量标准进行评价,验证了改进SLP法的科学性及合理性。

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%。

多特征融合的太阳能电池片缺陷检测

太阳能电池片在生产过程中,因工序或材料原因会导致其存在缺陷。基于光致发光成像原理,提出了一种基于背景评估的太阳能电池片图像增强方法,以及一种基于形态特征和HOG特征融合的缺陷识别方法。首先分析了电池片缺陷的形态和位置特点,提出了缺陷两步分割法,对分割的缺陷提取多方向HOG特征,采取拉普拉斯特征映射法对HOG特征进行降维;然后融合长宽比、圆形度等形态特征;最后针对支持向量机(support vector machines,SVM)中的核函数和惩罚因子,采用粒子群算法(particle swarm optimization,PSO)加以优化,改善了缺陷分类效果。应用所确立的算法对50幅图像进行检测,分类识别的准确率最高可达98.3%。将新算法与传统的SVM算法以及Le-Net网络等进行对比,可知新算法具有较高的识别准确率。

基于PPYOLO的电池片缺陷检测

为进一步提升太阳能电池片表面缺陷检测效率,改进深度学习检测算法PPYOLO,添加索贝尔(Sobel)算子对输入图片进行处理得到缺陷边缘信息,此边缘信息会过滤大部分正常区域信息,同时能更快找到缺陷区域位置。再将边缘信息和原始图片拼接输入到网络模型中,这样既保留了原始图片的特征,又能防止Sobel算子处理后的信息存在缺失所导致的特征信息丢失。为验证该算法,在高清电池片数据集上进行仿真实验。实验结果表明,添加Sobel算子后的改进PPYOLO模型检测效率有所提升,表现为mAP提升1.4%,并且mAP相比于其他不同输入尺寸和模型大小的算法提升效果超过20%。

基于全注意力FSA-UNet网络的单晶电池片混合缺陷检测

太阳能电池片的内部缺陷是降低电流传导效率的主要原因,通过EL或PL成像后的图像缺陷强弱变化较大,直接进行阈值分割会造成漏检。本文提出了一种全注意力FSA-UNet网络,用于太阳能电池片混合缺陷分割。针对缺陷分层特点,设计出了特征增强模块,提升弱缺陷的分辨能力,同时改进骨干特征提取网络,加快了强缺陷的检出效率。本算法能精确分割出单晶硅片的多种缺陷,为了验证本文算法的有效性,将本文算法与U-net、DeepLabV3+进行的比较,最佳MIOU达到了77.9%,突出了本算法的优势。

面向光伏电池片的高精度形态学检测方法

光伏电池片在焊接时对定位精度要求较高,针对电池片串焊过程中位置发生偏转问题,提出了高精度形态学检测方法。与传统的图像检测方法不同的是,形态学检测方法采用加权处理中心坐标策略。通过五栅多晶硅光伏电池片对形态学检测方法与传统方法进行性能比较。实验结果表明:该方法的性能优于传统方法,且在不同光照条件下也能够精确地检测出电池片的偏转角和中心坐标。

改进U^(2)-Net的太阳能电池片缺陷分割方法

针对太阳能电池片缺陷分割中存在的特征提取能力弱、分割精度低和漏分割等问题,提出了一种改进U^(2)-Net的太阳能电池片缺陷分割方法。为提高RSU内部有效特征的提取能力并减少参数量,利用残差结构将有效的通道注意模块和深度可分离卷积结合起来,组成新的特征提取层;为防止空间信息的丢失,在外层编解码跳跃连接中添加语义嵌入分支结构,并利用CARAFE算子进行上采样,将更多的语义信息引入低层特征以加强级间特征的融合,减少因跳跃连接丢失的空间信息;最后,将所提方法与常用分割网络对比分析。实验结果表明,该方法的类别像素准确率、交并比和平均交并比分别达74.69%、60.68%、80.30%。相较于U-Net、PSPNet及Deeplab v3+,该方法不仅有效提高了缺陷分割的精度,还实现了小目标缺陷的准确分割,有效减少了漏分割。

基于改进YOLOv7的太阳能电池片表面缺陷检测

为解决传统太阳能电池片表面缺陷检测方法存在的检测精度低、速度慢、检测缺陷类型单一的问题,提出一种基于改进YOLOv7的太阳能电池片表缺陷检测算法。首先,在YOLOv7网络模型的基础上引入Swin Transformer模块,以增强模型的全局信息建模;其次,引入Shuffle Attention机制,有效融合空间注意力和通道注意力机制,以增强模型的特征提取能力;再次,使用SIoU(Scylla Intersection over Union)损失函数替换原模型中的CIoU(Complete Intersection over Union)损失函数,提高模型的收敛速度与效率;最后,采用K-means++聚类算法优化先验框。实验结果表明,改进算法具有较好的检测效果,在测试集上的mAP@50%达到86.6%,相较于原始YOLOv7提升了4.8%,且检测速度并未大幅降低,能较为快速、准确地对太阳能电池片表面缺陷进行检测。

基于数据增强的光伏电池片缺陷检测方法研究

为准确快速检测和定位太阳能电池硅片的缺陷,判别缺陷种类。以太阳能隐裂缺陷片为研究对象,利用形态学方法进行图像预处理,通过改进的生成对抗网络(P256-BEGAN)生成图像数据,并利用FID评估其生成图像的质量,解决数据集不充足导致目标检测网络准确率低的问题;采用YOLOv5目标检测网络,对其训练过程及推理过程进行改进,实现太阳能电池片缺陷的检测及定位。试验结果表明,生成图像数据作为改进的目标检测网络训练集,准确率可达94.1%,单张电池片检测时间最短可达9 ms;混合真假数据之后,准确率可提高3.1%,满足工业电池片实时检测需求。

基于价值工程的太阳能电池片正面银导电浆料优选研究

随着全球气候变暖及世界能源危机的不断加剧,清洁能源的开发和利用也被迅速提上了日程。尤其是太阳能光伏发电,基于其取之不尽用之不竭的优势,成为清洁能源的发展重点之一。近十年来,在国家及地方政府的引导以及企业自身通过技术创新来降本增效的推动下,我国太阳能光伏发电产业进入快速发展阶段,尤其是2020年以来,太阳能光伏产业产能规模和技术水平已达到世界领先水平,全世界85%的光伏产品均来自我国。但是,依然存在很多技术难题需要攻克,提升电池片光电转换效率、降低生产成本是永恒的主题。本文通过应用价值工程对太阳能电池片正面银导电浆料各原辅材料方案进行功能分析和功能评价,确定出相应方案的功能系数和成本系数,参照价值工程公式计算得到相应的价值系数,根据价值系数优选出综合价值比较高的方案,为太阳能电池片正面银导电浆料优选决策提供依据。加强持续提升太阳能光伏企业技术持续创新能力,是提升企业核心竞争力,推动太阳能光伏发电产业高质量、低成本、规模化发展的重要保障,助力于清洁能源体系的构建。

电池片硫化现象的分析与研究

以晶体硅电池片为研究对象,对电池片出现栅线发暗区域进行分析。采用了SEM扫描、EDS元素分析及烘箱模拟硫化加速等多种分析测试方式,确认栅线发暗是银发生了硫化。同时对此硫化现象的影响因素进行了分析,证明与电池片表面硫含量、封装后电池片所处环境温度、封装包材三者相关。实验表明电池片生产过程中环境中的硫含量越高,电池片越容易硫化;电池片存储或运输温度越高,电池片越容易硫化;封装包材中,EVA泡棉整体为多层孔状结构,可以促进硫化反应的发生,中空板表面为平面结构,可以抑制硫化反应的发生。电池片的栅线硫化不影响其组件的发电性能及可靠性。分析结果有助于电池片厂家解决硫化问题,也有助于组件厂家在遇到有硫化电池片的组件时,分析对组件性能的影响。

一种基于深度卷积神经网络的太阳能电池片缺陷检测方法

太阳能电池片缺陷检测是太阳能电池板可靠运行的重要保证。基于计算机视觉技术的机器学习类缺陷检测方法存在诸如需要人工特征选择、训练参数过多以及某些缺陷类型检测效果差等问题。提出了一种基于深度卷积神经网络(DCNN)的太阳能电池片缺陷检测方法。该方法以区分缺陷类别为检测目标,以太阳能电池片图像作为输入,构建一个包含3个卷积层、1个池化层、1个全连接层和1个输出层的深度网络。在训练网络参数的过程中,提出了参数个数优化策略,参数调整算法以及应对过拟合问题的措施。在数据集上的实验结果表明,DCNN方法对太阳能电池片的缺陷检测准确率可以达到97%以上,F值可达0.690。该方法在各个缺陷类别的检测准确率均要高于现有方法,其即时检测速度能够满足现实生产要求。

收拢压紧柔性太阳翼电池片应力影响因素研究

在压紧机构压紧力以及发射阶段加速度工况载荷共同作用下,收拢压紧状态的柔性折叠式太阳翼的太阳电池板上电池片的应力应满足力学强度要求。文章采用有限元方法对电池片应力主要影响因素,包括聚酰亚胺泡沫布局和厚度、聚酰亚胺泡沫力学性能、盖板结构及埋件形状等进行计算分析;总结降低收拢压紧状态下柔性太阳翼压紧点附近电池片压应力的主要来源途径,为柔性折叠式太阳翼的工程研制提供设计分析思路。

光伏电池片焊接的匹配性影响原因分析

阐述光伏电池在焊接的过程中的电池片、焊接材料、焊接设备、焊接工艺,以及它们之间的匹配影响,以及对焊接质量的影响。

基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望

鉴于基于机器视觉的太阳能电池片表面缺陷检测方法具有操作简便、检测精度高的优势,对此类方法所涉及的各个环节进行了综述.首先,对太阳能电池片表面的各种成像方式和常见缺陷类型进行了归纳总结;其次,对现有的检测方法按照数学建模思路的不同进行了分类介绍和对比分析;最后,对内容进行了小结并对太阳能电池片表面缺陷检测方法的后续研究进行了展望.可以看出:基于机器视觉的太阳能电池片表面缺陷检测方法已经取得了较大的发展,但在特征提取算法设计方面仍有改进空间,如基于深度神经网络的特征提取算法.