2024年9月10日 · DeepSolar 是一个利用深度学习技术分析卫星图像来识别太阳能光伏（PV）板的位置与尺寸的框架。 该项目构建了一个高精确度、高分辨率的美国连续区域太阳能部署数据库。 它揭示了住宅太阳能部署密度与人口密度（每平方英里1000人时达到峰值）、年家庭收入（约在15万美元时趋于稳定）以及基尼系数代表的收入不平等呈特定关系。 此外,还发现存在一个太阳能
2022年11月23日 · 我们使用最高新开发的计算机视觉深度学习模型 Vision Transformer (ViT) 来检测太阳能电池板和风力涡轮机叶片的损坏情况,并对缺陷类型进行分类以建议预防措施。
2024年7月9日 · 1、YOLO遥感太阳能板目标检测数据集,真实场景的高质量图片数据,数据场景丰富。 使用lableimg标注软件标注,标注框质量高,含voc(xml)、coco(json)和 yolo (txt)三种格式标签,分别存放在不同文件夹下,可以直接用于 YOLO 系列的 目标检测 。
5 天之前 · 内含太阳能电池板串缺陷检测数据集（300张左右+json标签）,可以用于电气工程专业在计算机视觉应用领域做研究,例如目标检测、图像识别、深度学习等！
2024年6月4日 · 无人机视角的高精确度太阳能电池板检测与分析系统,通过深度学习技术,能够实时对画面中的太阳能电池板进行精确确分割,并提供面积比例及尺寸信息,从而掌握电池板的精确分布情况,这对于确保安装精确度、评估电池板布局以及监测覆盖面积等方面非常关键
2022年2月18日 · 为了提高太阳能电池板缺陷的检测效率,本文提出了一种基于 YOLOv3 的图像缺陷检测与识别方法。 实验结果表明,本文使用的方法在太阳能电池板缺陷检测上能够取得较好的效果,尤其在断栅的检测上效果比较理想。
本研究旨在基于改进的YOLOv8模型,构建一个高效的太阳能板表面缺陷识别系统。 我们将利用一个包含2400张图像的数据集,该数据集涵盖了13个类别的缺陷,提供了丰富的样本和多样化的缺陷类型。 这些类别不仅包括常见的裂缝、污垢等缺陷,还涵盖了其他可能影响太阳能板性能的异常情况。 通过对这些数据的深入分析和处理,我们希望能够提升模型在复杂环境下的检测能力,从
2024年1月8日 · 定期捕获资产的高分辨率图像并进行检查,以识别太阳能电池板和风力涡轮机叶片的表面或结构损坏。 视觉变换器（ViT）是计算机视觉中最高新的基于注意力的深度学习（DL）模型之一,在这项工作中提出对表面缺陷进行分类。
2019年3月28日 · 本文将LeNet-5模型应用于太阳能电池板缺陷识别,识别输出只有两类：有裂纹的电池板和无裂纹的电池板。 LeNet-5模型网络结构如图1所示,除去输入层,LeNet-5模型共有7层,包含卷积、下采样（池化）和全方位连接3种类型,输入层为像素32×32（将原始图像压缩）的图像。
摘要: 太阳能在可再生能源中扮演越来越重要的角色,但是积灰和鸟粪等影响因素会降低太阳能电池板的发电效率,针对太阳能电池板的缺陷识别十分重要,为此基于改进的Faster R-CNN(faster region-based convolutional neural network)算法对太阳能电池板的缺陷