基于深度学习优化SSD算法的硅片隐裂检测识别

针对传统的通过机器视觉和机器学习算法检测识别硅片隐裂所存在的精度低、识别率差、检测耗时长的问题,提出一种新的检测方法,即采用优化的单个深度神经网络来检测图像中的目标的方法 (Single Shot MultiBox Detector,SSD),对SSD的特征提取网络融合了密集连接卷积网络(Densely Connected Convolutional Networks,Dense Net),解决了原网络对低于0. 1 mm的裂痕提取困难的缺点。通过实验,优化后的SSD检测算法对低于0. 01 mm裂纹检测精度比传统的通过纹理滤波和SVM分类检测算法提高了22%,比没有优化的SSD算法检测准确率提高了6%。证明了本文作者所提方法的有效性。

多损失融合的小样本光伏组件隐裂检测算法

针对工业生产线光伏组件隐性纹检测问题,为了降低人力成本,提高检测效率,并快速适应新型产品的隐裂检测,提出了一种多损失融合的小样本光伏组件隐裂检测算法。首先,为丰富卷积神经网络提取的语义信息,引入了Transformer的多头注意力机制,缓解各批次产品的分布差异对隐裂检测的影响,促使模型从多样化产品中关注于隐裂信息;其次,利用多损失结合约束模型训练的策略优化特征提取,在直接分类损失的基础上,利用三元组损失拉近含隐裂样本间特征距离;此外,设计了隐式分类损失以适应有无隐裂两类电池片内部也存在类型差异的特点,充分学习历史组件数据的多样性。该算法能够快速提取新型组件特征,利用少量的样本特征对新产品隐裂缺陷进行准确检测。在实际工业生产数据集上的实验结果表明,该算法对新型组件的隐裂检测的召回率相较于其他基线模型可提高10个百分点,能够有效缓解含隐裂样本数量不足的问题,极大地降低了频繁对每批新产品进行数据标记和训练的开销。

太阳能电池片隐裂检测的深度目标网络算法研究

太阳能电池片作为光电转换的重要部件,生产过程中容易产生表面缺陷和内部隐性缺陷(隐性裂纹,简称隐裂),严重影响了太阳能电池片的发电效率和成品合格率。目前基于图像处理的视觉检测方法针对隐裂的检测效果较差,无法满足工业现场需求。拟利用深度学习的目标检测网络对电池片进行隐裂检测研究。分析深度学习的目标检测网络模型算法,对选取的网络模型进行优化,解决了隐裂检测精度低的问题。利用采集的隐裂样本数据集,对比分析YOLOv5s、SSD、Faster-RCNN三种目标检测算法的隐裂检测效果,发现YOLOv5s模型综合性能较优。同时对YOLOv5s网络结构及功能模块进行优化,提高了隐裂检测速度和检测精度。结果表明,生成对抗样本构成的数据集中隐裂数据样本采用优化后的YOLOv5s进行隐裂检测,准确率可达到96%以上,单张图像检测时间大约为0.06 s。因此,结合生成对抗网络和目标检测网络可以实现隐裂的快速、高精度检测。

光伏组件隐裂检测工艺质量控制

隐裂对功率的影响历程是隐裂、碎片、热斑、短路,常导致光伏电站功率低下、易发生火灾。通过有效工艺实施隐裂检测可提高电站功率、避免组件火灾。光伏电站现场隐裂检测有两种模式,制造厂组件生产有四道检测工序,确保光伏组件的质量和使用寿命。

太阳能光伏发电系统设计及安装技术

本文结合实际项目,详细阐述了太阳能光伏并网系统安装施工技术,并就光伏安装原理、施工技术工艺及安装要点,从技术可行性及经济可行性出发,对光伏支架的深化设计、安装,光伏组件的安装工序等各个环节进行优化,提高了光伏项目的综合效益。