因此,确定一套用于光伏组件预测性维护和状态监测的缺陷检测方法至关重要。本文对光伏系统缺陷检测的不同数据分析方法进行了全方位面的回顾,在每种技术的类型和方法方面具有高分类粒度。

太阳电池及组件的缺陷检测. 虽然晶硅太阳电池及组件的制造工艺已较为成熟,但产品在生产过程中会出现虚焊、断栅和隐裂等缺陷,导致电流受阻、组件发电功率衰减,严重的甚至烧毁组件,所以太阳电池及组件的缺陷检测是光伏产业链中降本增效和确保产品质量的关键一环,也是光伏领域的研究热点。 常用检测技术有外观检测法、伏安(I-V) 曲线分析法、红外热成像法

我们构建了一个 PV EL 异常检测 (PVEL-AD 1, 2, 3 ) 多晶太阳能电池数据集,包含 36 543 张具有各种内部缺陷和异质背景的近红外图像。 该数据集包含有十个不同类别的无异常图像和异常图像。

内含太阳能发电板缺陷数据集,光伏发电板电致发光成像缺陷检测数据集,2600多张图片,带VOC格式xml标签,类别有完好、裂痕、失效三类,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！

光伏电池片图像缺陷检测器. 本缺陷检测器针对倾斜的光伏电池板组件照片,应用直方图自适应二值化和透视变换技术进行图像校正,提取行列特征后通过FFT频谱分析出晶片的行列排布进行图像分割,可分别应用非线性SVM与DenseNet对分割照片进行训练以实现缺陷检测。 获取代码. 可以以下通过git指令获取代码： git clone

摘要: 针对太阳能电池板缺陷检测精确度低、检测速度慢、模型体积大的问题,提出一种改进YOLOv4的检测模型。首先,采用GhostNet替换YOLOv4中CSPDarknet-53实现模型轻量化；其次,在模型结构中引入深度可分离卷积进一步减少模型参数,提升模型快速性；再次,在

卷积神经网络 (CNN) 凭借其强大的特征捕获能力,结合基于高分辨率的电致发光 (electroluminescence, EL) 成像,正在成为 PV 缺陷检测的主流方法。 不过基于 CNN 的模型参数通常较大,且对硬件资源要求严格,因此很难在实际的工业项目中得到大规模部署 。 为了同时满足工业领域对缺陷检测的精确度和速度要求,来自东南大学自动化学院的张

本文提出一种基于深度学习的目标检测方法来对太阳能光伏组件电致发光（EL）图片上的多种缺陷实现自动检测。 课题组与上海欧普泰科技创业股份有限公司合作,从国内光伏企业的实际产线收集了近6000张有缺陷的组件EL图片,并通过专业数据标注团

摘要. 为了实现电致发光（Electroluminescent,EL）条件下太阳能电池的高精确度裂纹和碎片缺陷检测,将多尺度YOLOv5（You Only Look Once version 5）模型用于真实工况下的太阳能电池缺陷检测。首先,提出一种融合可变形卷积（Deformable Convolutional Networks Version 2

基于改进YOLOv5的光伏组件缺陷检测. 郭岚1,2,3,刘正新1,2,3* 中国科学院上海微系统与信息技术研究所,上海 200050; 上海科技大学物质科学与技术学院,上海 201210; 中国科学院大学材料与光电研究中心,北京 100049. 摘要 电致发光(EL)检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用,但是EL检查中的缺陷筛查仍然需要持续完善。 为了克服以往研究中