2022年12月31日 · 该数据集通过电致发光成像技术,采集了700张具有挑战性的缺陷图像,分辨率为512×512,涵盖多尺度缺陷、遮挡缺陷、密集微小缺陷、低对比度缺陷及组合缺陷等多种类型。
2024年12月10日 · 摘要： 提出并设计名为OD-YOLO缺陷检测模型来改善多晶硅太阳电池电致发光成像中复杂背景干扰缺陷检测效果的问题。 使用二次卷积模块（TwiceConv-OD）过滤掉复杂晶粒背景干扰,增强模型对缺陷本身的关注力;提出anchor-plus1分配策略来增加模型在面对复杂背景时获取更多的缺陷正样本数量,提升模型的精确率与召回率,减少漏检误检;使用 K -means++算法初
2024年2月27日 · 实验结果显示,改进后的YOLOv5s相较于原始算法在Precision、Recall、[email protected]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。
2024年3月15日 · 摘要 针对光伏（PV）电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问 题,提出一种基于YOLOv8的缺陷检测算法YOLOv8-EL。
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）。
2022年10月10日 · 首先,光伏电池的缺陷异常检测是一个重要的任务,可以帮助提高光伏电池的效率和可信赖性。 以下是一些常见的方法和技术： 1. 热成像：利用红外热像仪或热像相机对 光伏 电池 组进行扫描,检测热点和温度异常。
2024年3月8日 · 针对太阳能电池图像背景复杂、缺陷形态多变及尺度差异大的特点,提出一种基于SimAM-Ada YOLOv5算法的太阳能电池缺陷检测方法。 首先,将可变形卷积融入CBL模块,实现自适应学习特征尺度和感受野的大小；然后,将Ada池化融入SPP模块,增加缺陷信息的保留程度；最高后,通过引入SimAM注意机制,进一步提高模型的特征提取能力。 为了进一步优化改
2024年12月14日 · 使用YOLOv8模型对太阳能光伏电池板缺陷检测数据集进行训练、评估和可视化 2050张,标注文件为YOLO适用的txt格式 6类 鸟粪, 清洁, 脏污, 电气损坏,物理损坏, 积雪覆盖''_yolo确定光伏板清洁程度
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。
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,在模型中引入改进高效通道