4 天之前 · 摘要： 针对太阳电池表面缺陷问题,在深度学习模型YOLOv5的基础上进行优化与改进。 首先,为充分利用深层、浅层和原始的特征信息,加强特征融合,设计具有跨连接结构的特征金字塔网络（ScFPN）。
2024年3月11日 · 太阳能电池板缺陷检测包括热成像、电学参数、外观检查、功能测试和温度检测等方法。 检测后需分析总结,及时处理问题,确保电池板安全方位运行。 摘要由作者通过智能技术生成
2024年11月27日 · 针对太阳能光伏电池板缺陷检测的数据集,我们可以使用YOLOv8模型进行训练和评估。 以下是详细的步骤和代码示例,帮助你完成这个任务。 1.
2024年5月29日 · 太阳能电池用硅片外观缺陷测试是确保太阳能电池性能稳定和提高能源转换效率的关键步骤之一。 通过采用多种先进的技术的测试方法和设备可以全方位面检测硅片表面和内部存在的各种缺陷和故障并及时发现并排除不合格的硅片。
2024年3月31日 · 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。
2023年11月22日 · 虽然 IRT 技术比 EL 成像更适合大规模应用,但后者被认为是一种非侵入式技术,可以非常有效地定位太阳能电池的缺陷。 本文还讨论了与数据可用性、实时监控、精确确测量、计算效率和数据集分布相关的最高新技术中观察到的挑战,并回顾了可以解决其中一些问题
2023年5月12日 · 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
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。
2019年3月20日 · 摘要 通过对5000片不同类型的低效缺陷太阳电池样品进行检测和分析,建立了较完整的晶体硅太阳电池缺陷 检测与分类评价体系。 该体系综合利用电流电压（I V）测试、热成像测试、电致发光测试等多种测试分析手段,已
2022年12月31日 · 该数据集通过电致发光成像技术收集了700张具有挑战性的缺陷图像,分辨率为512×512,包括多尺度缺陷、遮挡缺陷、密集微小缺陷、低对比度缺陷和组合缺陷等。