CN110992321A - 一种太阳电池片栅线提取方法 - Google Patents

一种太阳电池片栅线提取方法 Download PDF

Info

Publication number
CN110992321A
CN110992321A CN201911157982.4A CN201911157982A CN110992321A CN 110992321 A CN110992321 A CN 110992321A CN 201911157982 A CN201911157982 A CN 201911157982A CN 110992321 A CN110992321 A CN 110992321A
Authority
CN
China
Prior art keywords
region
cell
extracting
grid lines
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911157982.4A
Other languages
English (en)
Other versions
CN110992321B (zh
Inventor
谢宏威
周聪
张�浩
谢德芳
马亮华
施冬冬
黎鑫泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201911157982.4A priority Critical patent/CN110992321B/zh
Publication of CN110992321A publication Critical patent/CN110992321A/zh
Application granted granted Critical
Publication of CN110992321B publication Critical patent/CN110992321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
    • H01L31/18—Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Abstract

本发明实施例提供的太阳电池片栅线提取方法，通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从待检测电池图像中提取出RGB通道图片，然后对RGB通道图片进行RGB‑HIS转化处理，生成HIS通道图片，再对RGB通道图片和HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域，最后对第一电池片区域和第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到待检测电池的栅线，采用本发明提供的实施例，能够一次性提取主栅、细栅和段栅区域，很好的保证了栅线提取的精准度高，并且耗时较短。

Description

一种太阳电池片栅线提取方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种太阳电池片栅线提取方法。
背景技术
社会的不断发展，对能源的需求越来越高，促使国家越来越重视新能源的开采和利用，从而给予市场大力支持，导致太阳能光伏发点行业蓬勃发展起来，太阳能光伏发点由于清洁无污染、安全可靠，光电转化效率高，目前已成为发展新能源的重要方向之一。太阳能光伏阵列由众多的太阳能电池片组成，而太阳能电池片在生产过程中的会不可避免出现一些缺陷，从而严重影响电池片的发电效率和使用寿命。电池片表面栅线提取是电池片缺陷检测里比较关键的一个环节，栅线区域包括(主栅、细栅、竖栅和断栅)。
目前的检测方法要么是精准度较高耗时太长，要么是耗时太短但是精准度较低，所以目前急需一种能够具有高精准度且耗时少的检测方法。
发明内容
本发明实施例的目的是提供一种太阳电池片栅线提取方法，能够一次性提取主栅、细栅和段栅区域，很好的保证了栅线提取的精准度高，并且耗时较短，从而提高太阳能电池片的光电转化效率和企业竞争力。
为实现上述目的，本发明实施例提供了一种太阳电池片栅线提取方法，包括以下步骤：
通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从所述待检测电池图像中提取出RGB通道图片；
对所述RGB通道图片进行RGB-HIS转化处理，生成HIS通道图片；
对所述RGB通道图片和所述HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域；
对所述第一电池片区域和所述第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到所述待检测电池的栅线。
进一步的，所述对所述第一电池片区域和所述第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到所述待检测电池的栅线，具体为：
提取所述第一电池片区域和所述第二电池片区域的交集区域Reg，并对所述交集区域Reg进行形态学闭运算，生成区域Reg2；
对所述区域Reg2进行连通区域分析，生成标记有栅线的栅线区域，并从所述栅线区域提取出栅线，得到所述待检测电池的栅线。
进一步的，所述从所述栅线区域提取出栅线，得到所述待检测电池的栅线，具体为：
对所述栅线区域进行面积特征提取以消除干扰点，并对进行面积特征提取后的区域进行区域联合运算，生成联合后的区域；
对所述联合后的区域进行形态学闭运算以填充栅线内细小的空间，并从进行形态学闭运算后的区域中提取栅线，得到所述待检测电池的栅线。
进一步的，所述RGB-HIS转化处理，具体通过以下公式进行转化：
Figure BDA0002285318690000021
Figure BDA0002285318690000022
Figure BDA0002285318690000023
其中，R、G、B分别为所述RGB通道图片中的三种单通道图片的图片R、图片G以及图片B的值。
进一步的，在对所述RGB通道图片和所述HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域之后，还包括：
对所述第一电池片区域进行形态学腐蚀运算，以腐蚀干扰点。
进一步的，对所述RGB通道图片进行全阈值分割时，采用的灰度阈值为0-144。
进一步的，对所述HIS通道图片进行全阈值分割时，采用的灰度阈值为0-10。
进一步的，所述连通区域分析采用8邻接。
进一步的，所述面积特征提取的范围为60-999999。
与现有技术相比，具有如下有益效果：
本发明实施例提供的太阳电池片栅线提取方法，通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从待检测电池图像中提取出RGB通道图片，然后对RGB通道图片进行RGB-HIS转化处理，生成HIS通道图片，再对RGB通道图片和HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域，最后对第一电池片区域和第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到待检测电池的栅线，采用本发明提供的实施例，能够一次性提取主栅、细栅和段栅区域，很好的保证了栅线提取的精准度高，并且耗时较短。
附图说明
图1是本发明提供的太阳电池片栅线提取方法的一个实施例的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明提供的太阳电池片栅线提取方法的一个实施例的流程示意图；本发明实施例提供一种太阳电池片栅线提取方法，包括步骤S1至S4；
S1，通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从所述待检测电池图像中提取出RGB通道图片。
在本发明实施例中，CMOS黑白相机、LED光源灯置于暗箱环境内，其中LED光源能发出红、绿、蓝三种光，LDE光源由光源控制器控制使用。
需要说明的是，所述RGB通道图片包括R通道的图片R、G通道的图片G以及B通道的图片G，所述图片R、图片G、图片B通过在光源控制器下拍摄而得，具体的，在光源控制器下打红光，拍摄提取到待检测电池片图片R；打绿光，拍摄提取到待检测电池片图片G；打蓝光，拍摄提取到待检测电池片图片B。
S2，对所述RGB通道图片进行RGB-HIS转化处理，生成HIS通道图片。
在本发明实施例中，是对RGB通道图片的图片R、图片G、图片B进行RGB-HIS转化处理，得到HIS通道图片，同理，HIS通道图片包括H通道的图片H、I通道的图片I以及S通道的图片S。
具体的，所述RGB-HIS转化处理主要是通过以下公式转化：
Figure BDA0002285318690000041
Figure BDA0002285318690000042
Figure BDA0002285318690000043
S3，对所述RGB通道图片和所述HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域。
具体的，选择R、G、B通道中区分度效果较好的一个通道，本发明选择的是R通道，此通道易于分割提取出第一电池片区域。
提取所述第一电池片区域的目的在于，能够去除背景区域非电池片区域的干扰，并且为了与HIS通道提取出来的区域取交集做准备，保证后续栅线提取的精确度。
在本发明实施例中，提取出电池片区域后，还需要对所述第一电池片区域进行形态学腐蚀运算，用矩形结构5*5腐蚀去除干扰点。
在本发明的另一实施例中，对HIS通道进行全局阈值分割时，本发明选择的是S通道，由于饱和度S表示的是一种纯色被白光稀释的程度的度量，颜色越纯，S分量越小(接近0)，颜色越接近纯灰色，栅线颜色呈银灰白色，通过S分量通道可以较好的提取，除去较黑较暗的区域，最终得到第二电池片区域。
需要说明的是，对所述RGB通道图片进行全阈值分割时，采用的灰度阈值为0-144，因为电池片区域的特征值灰度值在此范围，通过此分割能更好提取出电池片区域；
对所述HIS通道图片进行全阈值分割时，采用的灰度阈值为0-10。
S4，对所述第一电池片区域和所述第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到所述待检测电池的栅线。
在本发明实施例中，步骤S4具体为：提取所述第一电池片区域和所述第二电池片区域的交集区域Reg，并对所述交集区域Reg进行形态学闭运算，生成区域Reg2；对所述区域Reg2进行连通区域分析，生成标记有栅线的栅线区域，并从所述栅线区域提取出栅线，得到所述待检测电池的栅线。
具体的，通过区域交集运算，提取出所述第一电池片区域和所述第二电池片区域的交集区域Reg，对区域Reg进行形态学闭运算，用矩形结构2*2得到区域Reg2，通过形态学运算能够填充栅线(主要是断栅和细栅)内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，以达到完整提取栅线的目的。
其中，连通区域分析通过对图像中栅线(目标)的标记，让每个单独的连通区域形成一个被标识的块，进一步的我们就可以获取这些块的轮廓、外接矩形、质心、不变矩、面积等几何参数。如果要得到栅线，那么通过连通区域分析，就可以得到标记的数量，从而得到栅线区域，具体的，在本实施例中采用8邻接。
需要说明的是，步骤S4还包括：对所述栅线区域进行面积特征提取以消除干扰点，并对进行面积特征提取后的区域进行区域联合运算，生成联合后的区域；对所述联合后的区域进行形态学闭运算以填充栅线内细小的空间，并从进行形态学闭运算后的区域中提取栅线，得到所述待检测电池的栅线。
其中，所述面积特征提取的范围为60-999999，以除去栅线区域外的杂质区域。
在对联合后的区域进行形态学闭运算时，用矩形5*80进行闭运算，能够填充栅线(主要是竖栅区域)内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，以达到完整提取栅线的目的。
本发明实施例提供的太阳电池片栅线提取方法，通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从待检测电池图像中提取出RGB通道图片，然后对RGB通道图片进行RGB-HIS转化处理，生成HIS通道图片，再对RGB通道图片和HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域，最后对第一电池片区域和第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到待检测电池的栅线，采用本发明提供的实施例，能够一次性提取主栅、细栅和段栅区域，很好的保证了栅线提取的精准度高，并且耗时较短，从而提高太阳能电池片的光电转化效率和企业竞争力。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种太阳电池片栅线提取方法，其特征在于，包括以下步骤：
通过CMOS黑白相机配合LED光源对待检测电池进行拍摄，得到待检测电池图像，并从所述待检测电池图像中提取出RGB通道图片；
对所述RGB通道图片进行RGB-HIS转化处理，生成HIS通道图片；
对所述RGB通道图片和所述HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域；
对所述第一电池片区域和所述第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到所述待检测电池的栅线。
2.如权利要求1所述的太阳电池片栅线提取方法，其特征在于，所述对所述第一电池片区域和所述第二电池片区域的交集区域进行形态学运算，并对进行形态学运算后的交集区域进行栅线提取，得到所述待检测电池的栅线，具体为：
提取所述第一电池片区域和所述第二电池片区域的交集区域Reg，并对所述交集区域Reg进行形态学闭运算，生成区域Reg2；
对所述区域Reg2进行连通区域分析，生成标记有栅线的栅线区域，并从所述栅线区域提取出栅线，得到所述待检测电池的栅线。
3.如权利要求2所述的太阳电池片栅线提取方法，其特征在于，所述从所述栅线区域提取出栅线，得到所述待检测电池的栅线，具体为：
对所述栅线区域进行面积特征提取以消除干扰点，并对进行面积特征提取后的区域进行区域联合运算，生成联合后的区域；
对所述联合后的区域进行形态学闭运算以填充栅线内细小的空间，并从进行形态学闭运算后的区域中提取栅线，得到所述待检测电池的栅线。
4.如权利要求1所述的太阳电池片栅线提取方法，其特征在于，所述RGB-HIS转化处理，具体通过以下公式进行转化：
Figure FDA0002285318680000021
Figure FDA0002285318680000022
Figure FDA0002285318680000023
其中，R、G、B分别为所述RGB通道图片中的三种单通道图片的图片R、图片G以及图片B的值。
5.如权利要求1所述的太阳电池片栅线提取方法，其特征在于，在对所述RGB通道图片和所述HIS通道图片进行全局阈值分割，生成RGB通道的第一电池片区域和HIS通道的第二电池片区域之后，还包括：
对所述第一电池片区域进行形态学腐蚀运算，以腐蚀干扰点。
6.如权利要求1所述的太阳电池片栅线提取方法，其特征在于，对所述RGB通道图片进行全阈值分割时，采用的灰度阈值为0-144。
7.如权利要求1所述的太阳电池片栅线提取方法，其特征在于，对所述HIS通道图片进行全阈值分割时，采用的灰度阈值为0-10。
8.如权利要求2所述的太阳电池片栅线提取方法，其特征在于，所述连通区域分析采用8邻接。
9.如权利要求3所述的太阳电池片栅线提取方法，其特征在于，所述面积特征提取的范围为60-999999。
CN201911157982.4A 2019-11-22 2019-11-22 一种太阳电池片栅线提取方法 Active CN110992321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911157982.4A CN110992321B (zh) 2019-11-22 2019-11-22 一种太阳电池片栅线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911157982.4A CN110992321B (zh) 2019-11-22 2019-11-22 一种太阳电池片栅线提取方法

Publications (2)

Publication Number Publication Date
CN110992321A true CN110992321A (zh) 2020-04-10
CN110992321B CN110992321B (zh) 2023-05-09

Family

ID=70086073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911157982.4A Active CN110992321B (zh) 2019-11-22 2019-11-22 一种太阳电池片栅线提取方法

Country Status (1)

Country Link
CN (1) CN110992321B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833309A (zh) * 2020-06-16 2020-10-27 广州大学 一种光伏电池片检测方法及装置
CN113192857A (zh) * 2021-04-20 2021-07-30 山西潞安太阳能科技有限责任公司 一种判断晶硅太阳能电池片失效的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019159255A1 (ja) * 2018-02-14 2019-08-22 三菱電機株式会社 太陽電池モジュールの製造方法
CN110400290A (zh) * 2019-07-02 2019-11-01 广州大学 一种太阳能电池片色差的检测方法、装置及存储介质
CN110443278A (zh) * 2019-07-02 2019-11-12 广州大学 一种太阳能电池片栅线粗细异常的检测方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019159255A1 (ja) * 2018-02-14 2019-08-22 三菱電機株式会社 太陽電池モジュールの製造方法
CN110400290A (zh) * 2019-07-02 2019-11-01 广州大学 一种太阳能电池片色差的检测方法、装置及存储介质
CN110443278A (zh) * 2019-07-02 2019-11-12 广州大学 一种太阳能电池片栅线粗细异常的检测方法、装置及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833309A (zh) * 2020-06-16 2020-10-27 广州大学 一种光伏电池片检测方法及装置
CN111833309B (zh) * 2020-06-16 2023-07-25 广州大学 一种光伏电池片检测方法及装置
CN113192857A (zh) * 2021-04-20 2021-07-30 山西潞安太阳能科技有限责任公司 一种判断晶硅太阳能电池片失效的方法
CN113192857B (zh) * 2021-04-20 2023-05-12 山西潞安太阳能科技有限责任公司 一种判断晶硅太阳能电池片失效的方法

Also Published As

Publication number Publication date
CN110992321B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN109598721B (zh) 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN107727662B (zh) 一种基于区域生长算法的电池片el黑斑缺陷检测方法
CN105160669B (zh) 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法
CN107185854B (zh) 基于rgb通道的光伏电池片色差检测及颜色分类的算法
CN110175997B (zh) 显示屏坏点检测方法、装置、计算机设备和存储介质
CN110210387B (zh) 基于知识图谱的绝缘子目标检测方法、系统、装置
CN110992321A (zh) 一种太阳电池片栅线提取方法
CN110210608A (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN104166999B (zh) 一种基于地基云图强度分层的云团提取方法
CN112991264B (zh) 一种单晶硅光伏电池裂纹缺陷的检测方法
CN111260788A (zh) 一种基于双目视觉的配电柜开关状态识别方法
CN103302039B (zh) 太阳能电池晶片分色的方法
CN103808265A (zh) 油菜叶片及菌核病斑形态同步测量的方法、装置及系统
CN107610090B (zh) 一种光伏电池片表面栅线偏移的检测方法
CN113902641B (zh) 一种基于红外图像的数据中心热区判别方法及系统
CN109540900B (zh) 一种光伏组件隐裂判定方法
CN104537650A (zh) 一种铝电解电容器的极性方向判定方法及装置
CN111047564A (zh) 一种应用于光伏电站现场的el缺陷检测方法
CN110866916A (zh) 一种基于机器视觉的光伏电池片黑心黑角检测方法、装置及设备
CN115294483A (zh) 输电线路复杂场景的小目标识别方法及系统
CN113255434A (zh) 一种融合果实特征与深度卷积神经网络的苹果识别方法
CN114549393B (zh) 图像标注方法、装置、设备及计算机存储介质
CN106558044A (zh) 影像模组的解像力测量方法
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN110400320A (zh) 一种电润湿缺陷像素的分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant