CN111047564A - 一种应用于光伏电站现场的el缺陷检测方法 - Google Patents
一种应用于光伏电站现场的el缺陷检测方法 Download PDFInfo
- Publication number
- CN111047564A CN111047564A CN201911187612.5A CN201911187612A CN111047564A CN 111047564 A CN111047564 A CN 111047564A CN 201911187612 A CN201911187612 A CN 201911187612A CN 111047564 A CN111047564 A CN 111047564A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic module
- detection method
- carrying
- corrected
- 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.)
- Withdrawn
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种应用于光伏电站现场的EL缺陷检测方法,包括如下步骤:对获取的原始光伏组件的EL图像进行预处理,得到矫正后的EL图像;对矫正后的EL图像进行裁切,形成m×n的电池片;对得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理,根据像素投影找到可能出现的EL缺陷,进行缺陷分析。该方法加入了对拍摄组件矫正的算法,应用场景广泛,有效协助测试人员对现场EL图像的判定,提高工作效率,对现场拍摄的EL图像,可通过个人电脑进行处理操作,代替了相当一部分纯手工的工作量,使效率大大提升;数据化的操作提高检测精度,降低判断结果的不确定性。
Description
技术领域
本发明涉及一种光伏组件检测技术,尤其涉及一种应用于光伏电站现场的EL缺陷检测方法。
背景技术
光伏系统是利用太阳能电池组件及其他辅助设备将太阳能转换成电能的系统。目前光伏系统的应用十分广泛,除了中国作为最大的应用市场外,其他诸如西班牙、美国、印度、越南以及中东等的新兴地区也对其市场拓展起到了很大的推动作用,尤其是在经过2018年度的调整后,全球光伏系统的市场恢复到强有力的发展轨迹上。
作为光伏系统的核心组成部分,太阳能电池组件对于整个系统的发电效率起着至关重要的作用。然而除去制造工艺的参差不一,现场的施工安装、后期的运营维护同样会成为影响组件质量优劣的因素。因此,对于太阳能电池组件定期的检测工作成为必不可少的程序,例如进行太阳能电池组件的EL(Electro Luminescence,电致发光)检测。
太阳能电池组件的EL检测,是给光伏组件通上反向电压,通过专业相机在黑暗环境下拍摄其照片,可从图像中找出隐裂、断栅、碎屏、黑斑等内部缺陷。然而,目前的EL检测存在如下问题:
(1)目前EL缺陷判断的工作主要由人工来完成,对于抽样比例较大的检测项目,其效率非常低;
(2)由于受电站复杂现场的条件所限,且EL拍摄基本在夜间作业,现场检测人员很难像实验室EL测试一样,拍摄出角度与高度比较完美的组件照片,这无疑对后期的缺陷判定工作增加了难度,使得判定结果存在较大不确定性。
因此,本领域技术人员致力于研发一种基于太阳能光伏组件检测技术,结合图像处理算法,具体应用于光伏电站复杂现场EL图像的缺陷判定方法,以解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种应用于光伏电站现场的EL缺陷检测方法,以解决背景技术中的问题。
为了解决上述问题,本发明提供了一种应用于光伏电站现场的EL缺陷检测方法,包括如下步骤:
(1)对获取的原始光伏组件的EL图像进行预处理,得到矫正后的EL图像;
(2)对步骤(1)中矫正后的EL图像进行裁切,形成m×n的电池片;
(3)对步骤(2)中得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理,根据像素投影找到可能出现的EL缺陷,进行缺陷分析。
进一步的,在步骤(1)中,获取的原始光伏组件的EL图像需要导入设定的判定模型当中,并配置光伏组件的基本信息,从而匹配不同的判定模型。
进一步的,在步骤(1)中,对获取的原始EL图像进行预处理时,需要对图像中的光伏组件进行第一次裁剪,裁减掉周围对后期处理产生影响的干扰项,例如可能出现在原始EL图像当中的夜晚照明的杂光、现场其他测试人员等。
进一步的,在第一次裁剪处理完成后,需要对光伏组件的轮廓进行识别,判断最大轮廓是否有四个顶点,作为找到光伏组件坐在轮廓的依据,并得到光伏组件四个顶点在图像中的坐标值。
进一步的,在轮廓识别完成,获取光伏组件顶点坐标后,进行透视变换处理即可得到矫正后的光伏组件EL图像。
进一步的,在步骤(1)中,矫正后的EL图像还需要进行第二次裁剪,最大限度的去除除了光伏组件之外的黑边区域。
进一步的,由于现场拍摄方向的不确定性,矫正后的EL图像可能为横拍图,也可能为竖拍图,需统一调整至横拍图片。
进一步的,在步骤(2)中,需根据配置的光伏组件的基本信息,对图片中的组件进行裁剪,切分成m×n的电池片,然后遍历判断每一片是否存在缺陷。
进一步的,在步骤(3)中,对步骤(2)形成的电池片图像进行处理的具体步骤如下:
(31)对电池片图像进行灰度化处理;
(32)对步骤(31)得到的灰度化后的图像进行一次横向腐蚀处理,以消除较小的白噪声点;
(33)对步骤(32)得到的图像进行三次横向膨胀处理,以平滑电池片轮廓边界;
(34)对步骤(33)得到的图像计算合适的二值化阈值;
(35)将步骤(34)得到的图像二值化处理,得到只留下电池片栅线的图像;
(36)将步骤(35)得到的图像与步骤(2)中原始灰度的电池片图像相减,消除主栅线,以便于判断表面缺陷状态;
(37)将步骤(36)得到的图像进一步擦除栅线周围的焊带;
(38)将步骤(37)得到的图像进行反二值化处理,得到的图像底色为白色,黑色区域为可能存在的隐裂、碎片等缺陷;
(39)进行一次开运算用于消除图像背景噪声;
(310)对步骤(39)得到的图像分别进行水平、垂直方向的像素投影;
(311)对投影后的图像进行水平、垂直方向的像素遍历,根据预设的高度与长度条件,判定该电池片是否存在缺陷,并标记出问题片;
(312)最后将切分的所有的电池片重新拼接为原始组件,并保存结果输出。
进一步的,本技术中的检测方法采用Python编写,并进行exe格式的软件封装。
通过实施上述本发明提供的应用于光伏电站现场的EL缺陷检测方法,具有如下技术效果:
(1)基于本技术所述的方法,应用场景除了用于在实验室EL测试,还可处理分析光伏电站“现场”拍摄到的EL图片,该类图像普遍存在组件倾斜、杂光干扰等不良质量。因此在图像的处理过程中,相比传统方案,加入了对拍摄组件矫正的算法;
(2)基于本技术所述的方法,在图像缺陷识别算法上,本方案运用的是偏向于传统的处理技术,经过灰度化、腐蚀、膨胀、二值化、像素运算等手段,根据像素投影找到可能出现的EL缺陷。在缺少大量带标签数据支持,并且不具备强劲算力的设备上,此方法有着比深度学习更合适的应用场景;
(3)基于本技术所述的方法,对现场拍摄的EL图像,可通过个人电脑进行处理操作,代替了相当一部分纯手工的工作量,使效率大大提升;
(4)基于本技术所述的方法,对现场拍摄的EL图像,可通过个人电脑进行处理操作,数据化的操作提高检测精度,降低判断结果的不确定性。
附图说明
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
图1为本发明实施例中对于EL图像检测方法流程示意图;
图2为本发明实施例中获取的原始EL图像;
图3为经过矫正后的EL图像;
图4为完成缺陷识别判定后的EL图像。
图4中,粗线框为问题片的标记框。
具体实施方式
下面将结合本发明实施例,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做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。
下面详细描述本发明的技术方案。
一种应用于光伏电站现场的EL缺陷检测方法,包括如下步骤:
(1)对获取的原始光伏组件的EL图像进行预处理,得到矫正后的EL图像;
(2)对步骤(1)中矫正后的EL图像进行裁切,形成m×n的电池片;
(3)对步骤(2)中得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理,根据像素投影找到可能出现的EL缺陷,进行缺陷分析。
进一步的,在步骤(1)中,获取的原始光伏组件的EL图像需要导入设定的判定模型当中,并配置光伏组件的基本信息,从而匹配不同的判定模型。
进一步的,在步骤(1)中,对获取的原始EL图像进行预处理时,需要对图像中的光伏组件进行第一次裁剪,裁减掉周围对后期处理产生影响的干扰项,例如可能出现在原始EL图像当中的夜晚照明的杂光、现场其他测试人员等。
进一步的,在第一次裁剪处理完成后,需要对光伏组件的轮廓进行识别,判断最大轮廓是否有四个顶点,作为找到光伏组件坐在轮廓的依据,并得到光伏组件四个顶点在图像中的坐标值。
进一步的,在轮廓识别完成,获取光伏组件顶点坐标后,进行透视变换处理即可得到矫正后的光伏组件EL图像。
进一步的,在步骤(1)中,矫正后的EL图像还需要进行第二次裁剪,最大限度的去除除了光伏组件之外的黑边区域。
进一步的,由于现场拍摄方向的不确定性,矫正后的EL图像可能为横拍图,也可能为竖拍图,需统一调整至横拍图片。
进一步的,在步骤(2)中,需根据配置的光伏组件的基本信息,对图片中的组件进行裁剪,切分成m×n的电池片,然后遍历判断每一片是否存在缺陷。
进一步的,在步骤(3)中,对步骤(2)形成的电池片图像进行处理的具体步骤如下:
(31)对电池片图像进行灰度化处理;
(32)对步骤(31)得到的灰度化后的图像进行一次横向腐蚀处理,以消除较小的白噪声点;
(33)对步骤(32)得到的图像进行三次横向膨胀处理,以平滑电池片轮廓边界;
(34)对步骤(33)得到的图像计算合适的二值化阈值;
(35)将步骤(34)得到的图像二值化处理,得到只留下电池片栅线的图像;
(36)将步骤(35)得到的图像与步骤(2)中原始灰度的电池片图像相减,消除主栅线,以便于判断表面缺陷状态;
(37)将步骤(36)得到的图像进一步擦除栅线周围的焊带;
(38)将步骤(37)得到的图像进行反二值化处理,得到的图像底色为白色,黑色区域为可能存在的隐裂、碎片等缺陷;
(39)进行一次开运算用于消除图像背景噪声;
(310)对步骤(39)得到的图像分别进行水平、垂直方向的像素投影;
(311)对投影后的图像进行水平、垂直方向的像素遍历,根据预设的高度与长度条件,判定该电池片是否存在缺陷,并标记出问题片;
(312)最后将切分的所有的电池片重新拼接为原始组件,并保存结果输出。
进一步的,本技术中的检测方法采用Python编写,并进行exe格式的软件封装。
基于上述方案,下面采用如下实施例对其中主要算法进行介绍与说明。
如图1所示是光伏电站现场组件EL缺陷检测流程图,该方法包括:
(A)EL图像的采集与预处理
(A1)光伏电站现场人员测试获取组件EL图像(如图2所示为某组件现场拍摄的原图),以任意图片格式存入电脑中;
(A2)打开本发明算法封装好的可执行软件,输入光伏组件长宽比例、以及相应晶硅类型;
(A3)对光伏组件EL图像进行第一次裁剪,其目的在于裁去周围会对判定结果造成影响的杂光,裁剪过程如下:
(A3.1)利用OpenCV中的cvtColor函数,将原图像的颜色空间转换为灰度;
(A3.2)利用5×5的kernel对灰度图进行高斯滤波,达到图像平滑处理的目的;
(A3.3)利用Ostu大津算法,对图像二值化处理,找到组件大致轮廓;
(A3.4)定义25×25的矩形结构元素,对图像进行高级形态变换;
(A3.5)依次进行四次腐蚀和膨胀操作,目的是尽可能去除图像噪声干扰、以及使边界得到平滑;
(A4)对步骤(A3)得到的图像再进行一次自适应二值化处理,公式如下:
其中阈值T(x,y)采用的是平滑过程中,局部邻域块的算数平均值;
(A5)对步骤(A4)得到的图像,运用OpenCV中的Canny函数进行边界检测;
(A6)利用findContours函数,找到图像中所有检测到的物体。
(A7)将步骤(A6)找到物体按大小降序排序,若排在前列的近似轮廓有四个顶点,则大概率是图像中组件所在的轮廓;
(A8)由于现场拍摄组件普遍存在角度倾斜问题,会对后期程序判断造成干扰,所以在此要进行透视变换,公式如下:
(A9)将步骤(A8)矫正后的图像统一翻转为横拍方向,如图3所示;
(A10)将A9步骤后的图片进行第二次裁剪图片,裁去组件周围黑边;
(A11)根据预设的组件长宽信息,对单个电池片进行切分,并准备依次遍历判断。
(B)EL缺陷识别判定
(B1)图像灰度化处理;
(B2)利用OpenCV中erode与dilate函数,对图像进行一次横向腐蚀及三次横向膨胀,目的在于消除电池片上的杂质噪点,并使边缘平滑;
(B3)同样利用Ostu大津算法对图像二值化处理,找到合适阈值;
(B4)采用一般二值化处理方法,得到包含电池片清晰栅线的图像;
(B5)将步骤(B4)得到的图像与原始灰度图相减,用于消除栅线及残留栅带;
(B6)采用反二值化处理手法,得到白色为底,黑色为缺陷的图像,公式如下:
(B7)分别从垂直、水平方向对图像进行像素投影,若电池片存在碎片隐裂等,则投影后会留下类似断崖式的白色间断区间,由此可以判断该电池片存在缺陷;
(B8)依次遍历所有电池片,有问题的会自动用粗线框标注(如图4所示,图像中第1排第四片和第2排第四片即为标记的问题片);
需要注意的是,在实际应用中,可根据需求修改成半自动化辅助判断流程;
(B9)最后将所有电池片依照原本位置,拼接回到原始组件的形状,见图4。
需要补充说明的是,除非另作定义,此处使用的技术术语或者科学术语应当为本发明所述领域内具有一般技能的人士所理解的通常意义。本领域技术人员在考虑说明书及实践这里的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何用途或者适应性变化,这些用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求书指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的结构,并且可以在不脱离其范围的前提下进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种应用于光伏电站现场的EL缺陷检测方法,其特征在于,包括如下步骤:
(1)对获取的原始光伏组件的EL图像进行预处理,得到矫正后的EL图像;
(2)对步骤(1)中矫正后的EL图像进行裁切,形成m×n的电池片;
(3)对步骤(2)中得到的电池片进行灰度化、腐蚀、膨胀、二值化、像素运算的方式处理,根据像素投影找到可能出现的EL缺陷,进行缺陷分析。
2.如权利要求1所述的检测方法,其特征在于,在步骤(1)中,获取的原始光伏组件的EL图像需要导入设定的判定模型当中,并配置光伏组件的基本信息,从而匹配不同的判定模型。
3.如权利要求1所述的检测方法,其特征在于,在步骤(1)中,对获取的原始EL图像进行预处理时,需要对图像中的光伏组件进行第一次裁剪,裁减掉周围对后期处理产生影响的干扰项。
4.如权利要求3所述的检测方法,其特征在于,在第一次裁剪处理完成后,需要对光伏组件的轮廓进行识别,判断最大轮廓是否有四个顶点,作为找到光伏组件坐在轮廓的依据,并得到光伏组件四个顶点在图像中的坐标值。
5.如权利要求4所述的检测方法,其特征在于,在轮廓识别完成,获取光伏组件顶点坐标后,进行透视变换处理即可得到矫正后的光伏组件EL图像。
6.如权利要求5所述的检测方法,其特征在于,在步骤(1)中,矫正后的EL图像还需要进行第二次裁剪,最大限度的去除除了光伏组件之外的黑边区域。
7.如权利要求5所述的检测方法,其特征在于,矫正后的EL图像需统一调整至横拍图片。
8.如权利要求2所述的检测方法,其特征在于,在步骤(2)中,需根据配置的光伏组件的基本信息,对图片中的组件进行裁剪,切分成m×n的电池片,然后遍历判断每一片是否存在缺陷。
9.如权利要求1所述的检测方法,其特征在于,在步骤(3)中,对步骤(2)形成的电池片图像进行处理的具体步骤如下:
(31)对电池片图像进行灰度化处理;
(32)对步骤(31)得到的灰度化后的图像进行一次横向腐蚀处理,以消除较小的白噪声点;
(33)对步骤(32)得到的图像进行三次横向膨胀处理,以平滑电池片轮廓边界;
(34)对步骤(33)得到的图像计算合适的二值化阈值;
(35)将步骤(34)得到的图像二值化处理,得到只留下电池片栅线的图像;
(36)将步骤(35)得到的图像与步骤(2)中原始灰度的电池片图像相减,消除主栅线,以便于判断表面缺陷状态;
(37)将步骤(36)得到的图像进一步擦除栅线周围的焊带;
(38)将步骤(37)得到的图像进行反二值化处理,得到的图像底色为白色,黑色区域为可能存在的隐裂、碎片缺陷;
(39)进行一次开运算用于消除图像背景噪声;
(310)对步骤(39)得到的图像分别进行水平、垂直方向的像素投影;
(311)对投影后的图像进行水平、垂直方向的像素遍历,根据预设的高度与长度条件,判定该电池片是否存在缺陷,并标记出问题片;
(312)最后将切分的所有的电池片重新拼接为原始组件,并保存结果输出。
10.如权利要求1所述的检测方法,其特征在于,本技术中的检测方法采用Python编写,并进行exe格式的软件封装。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187612.5A CN111047564A (zh) | 2019-11-28 | 2019-11-28 | 一种应用于光伏电站现场的el缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187612.5A CN111047564A (zh) | 2019-11-28 | 2019-11-28 | 一种应用于光伏电站现场的el缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047564A true CN111047564A (zh) | 2020-04-21 |
Family
ID=70233959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911187612.5A Withdrawn CN111047564A (zh) | 2019-11-28 | 2019-11-28 | 一种应用于光伏电站现场的el缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047564A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
CN113921411A (zh) * | 2021-09-27 | 2022-01-11 | 华东理工大学 | 提高单晶光伏组串虚焊识别率的方法 |
CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
CN115423783A (zh) * | 2022-09-13 | 2022-12-02 | 优层智能科技(上海)有限公司 | 一种用于光伏组件边框及接线盒灌胶的质检方法和装置 |
CN115457119A (zh) * | 2022-09-21 | 2022-12-09 | 正泰集团研发中心(上海)有限公司 | 汇流条的标注方法、装置、计算机设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952260A (zh) * | 2017-03-31 | 2017-07-14 | 深圳华中科技大学研究院 | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 |
CN107490584A (zh) * | 2017-09-16 | 2017-12-19 | 河北工业大学 | 一种太阳能电池片el测试断栅缺陷检测方法 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN108596903A (zh) * | 2017-09-27 | 2018-09-28 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种太阳能电池片的黑边和碎片的缺陷检测方法 |
CN109447978A (zh) * | 2018-11-09 | 2019-03-08 | 河北工业大学 | 一种光伏太阳能电池片电致发光图像缺陷分类方法 |
CN109540900A (zh) * | 2018-09-25 | 2019-03-29 | 浙江浙能技术研究院有限公司 | 一种光伏组件隐裂判定方法 |
-
2019
- 2019-11-28 CN CN201911187612.5A patent/CN111047564A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952260A (zh) * | 2017-03-31 | 2017-07-14 | 深圳华中科技大学研究院 | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 |
CN107490584A (zh) * | 2017-09-16 | 2017-12-19 | 河北工业大学 | 一种太阳能电池片el测试断栅缺陷检测方法 |
CN108596903A (zh) * | 2017-09-27 | 2018-09-28 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种太阳能电池片的黑边和碎片的缺陷检测方法 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN109540900A (zh) * | 2018-09-25 | 2019-03-29 | 浙江浙能技术研究院有限公司 | 一种光伏组件隐裂判定方法 |
CN109447978A (zh) * | 2018-11-09 | 2019-03-08 | 河北工业大学 | 一种光伏太阳能电池片电致发光图像缺陷分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487563A (zh) * | 2021-07-02 | 2021-10-08 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
CN113487563B (zh) * | 2021-07-02 | 2023-09-05 | 河海大学常州校区 | 一种基于el图像的光伏组件隐裂自适应检测方法 |
CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
CN114549393B (zh) * | 2021-08-03 | 2024-01-19 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
CN113921411A (zh) * | 2021-09-27 | 2022-01-11 | 华东理工大学 | 提高单晶光伏组串虚焊识别率的方法 |
CN115423783A (zh) * | 2022-09-13 | 2022-12-02 | 优层智能科技(上海)有限公司 | 一种用于光伏组件边框及接线盒灌胶的质检方法和装置 |
CN115457119A (zh) * | 2022-09-21 | 2022-12-09 | 正泰集团研发中心(上海)有限公司 | 汇流条的标注方法、装置、计算机设备及可读存储介质 |
CN115457119B (zh) * | 2022-09-21 | 2023-10-27 | 正泰集团研发中心(上海)有限公司 | 汇流条的标注方法、装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047564A (zh) | 一种应用于光伏电站现场的el缺陷检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN110363769B (zh) | 一种高铁接触网支撑装置腕臂系统图像分割方法 | |
CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
CN113822844A (zh) | 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质 | |
CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
CN111597941A (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
CN114938410B (zh) | 一种手机屏幕画检分区方法和系统 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN109682820A (zh) | 一种显示屏的缺陷自动光学检测方法 | |
CN113298808B (zh) | 一种面向倾斜遥感图像中建筑物遮挡信息的修复方法 | |
CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
CN112381794A (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN110610163B (zh) | 一种自然场景下基于椭圆拟合的表格提取方法及系统 | |
CN116645413A (zh) | 一种光伏电池板位置识别方法、系统及光伏机器人 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN111242889A (zh) | 一种光伏组件的热斑识别方法和装置 | |
CN110992286B (zh) | 一种基于ccd相机的光伏组件图像校正方法 | |
CN114359414A (zh) | 镜头脏污识别方法、装置、计算机设备及存储介质 | |
CN111738934B (zh) | 基于mtcnn的红眼自动修复方法 | |
CN115619796A (zh) | 获取光伏组件模板的方法及装置、非易失性存储介质 | |
CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 | |
CN110163212A (zh) | 一种碑帖图像中的文字切割方法 | |
CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200421 |