CN111539950A - 一种基于机器视觉的太阳能板缺陷检测系统 - Google Patents
一种基于机器视觉的太阳能板缺陷检测系统 Download PDFInfo
- Publication number
- CN111539950A CN111539950A CN202010403923.7A CN202010403923A CN111539950A CN 111539950 A CN111539950 A CN 111539950A CN 202010403923 A CN202010403923 A CN 202010403923A CN 111539950 A CN111539950 A CN 111539950A
- Authority
- CN
- China
- Prior art keywords
- solar panel
- photos
- upper computer
- collected
- cnn model
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 13
- 241000237858 Gastropoda Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
一种基于机器视觉的太阳能板缺陷检测系统。步骤1,收集太阳能板常见故障和正常太阳能板的照片,并对收集到的照片进行样本扩展处理;步骤2,将步骤1中的样本输入到上位机的CNN模型中进行训练,直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数,此时CNN模型训练完成;步骤3,无人机采集光伏发电站中太阳能板的信息和实物照片,并通过WIFI上传至上位机;步骤4,上位机利用训练好的CNN模型对步骤3中的照片进行识别,如果识别结果为故障,则发送至MYSQL数据库,反之,不作处理;步骤5,操作人员通过移动终端获取MYSQL数据库中的故障数据,并执行相应的故障维修,维修结束时需清除数据库中的故障数据。本发明提高了发电效率和降低了因故障而引发的损失。
Description
技术领域
本发明涉及光伏产业智能维护领域,特别是涉及一种基于机器视觉的太阳能板缺陷检测系统。
背景技术
近年来,我国的科技、工业水平都得到的大力的提升与发展,智能制造、工业4.0等目标不断的被提及,快速的发展导致各行各业的用电量都近乎于指数增长,传统的发电方式已经满足不了需求,同时考虑到地球可再生资源日益减少,所以国家在大力发展光伏产业。国家能源局发展规划司于2019年表示目前正在研究“十四五”能源发展规划,同时将继续壮大清洁能源发展。其中的太阳能发电没有任何排放和噪声,应用技术成熟,安全可靠,同时我国76%的国土光照充沛,光能资源分布较为均匀,这也为大力发展光伏产业提供了有力的保障,近年来,我国的光伏产业有了很大的发展,实现了很高的经济效益。
光伏发电站中最核心的是太阳能板,但是太阳能板易发生以下故障:1.热斑问题,在板面出现烧坏热斑,其可以造成太阳能组件整块损坏,同时大大降低太阳能电站的发电效率,并且减少电站10%的使用寿命;2.隐裂问题,在电池片中出现细小的裂纹,一般由外力造成,达到碎片时肉眼可见,对电站的输出功率有着较大的影响;3.蜗牛纹问题,太阳能板面出现黑色或白色线状图案,看起来像蜗牛爬过的痕迹,故称之。对于偌大的光伏发电站中太阳能板的维护,利用人工的话效率低下,需开发出一套智能维护系统,利用机器实现太阳能板状态的监测,一旦出现故障及时警告,提高发电效率,同时保护设备。
国内涉及太阳能板检修维护的专利有“集群太阳能板的缺陷检测与定位方法”(201810219181.5),通过对采集到的图像进行直方图统计,而后确定表面温度异常的阈值,最后对温度异常的太阳能板进行定位,但该专利只考虑到温度异常这种情况,对其它太阳能板故障不适应。国家发明专利“一种太阳能光伏板光斑识别方法”(201711403165.3),该方法通过提取图片的灰度值,温度差和像素数这三个特征量,而后结合随机森林确定相应类别的阈值,从而实现太阳能板光斑的识别,同样的,该专利仅支持光斑故障的识别,在实际应用中可能存在一定的局限性。由此可见,设计一个多故障识别的智能系统亟待解决。
发明内容
为解决上述问题,本发明在CNN,MYSQL数据库的基础上,提出了一种基于机器视觉的太阳能板缺陷检测系统,为解决实际中太阳能板故障照片样本较少的问题,通过改变照片颜色、以不同的角度对照片进行旋转和图片加噪处理来扩充CNN训练样本的容量,从而提高模型的泛化性。而后利用训练好的模型实现太阳能板状态的在线识别,最终将故障的太阳能板信息传到移动终端上,方便快捷的完成对故障太阳能板的更换维修。为达此目的,本发明提供一种基于机器视觉的太阳能板缺陷检测系统,具体步骤如下,其特征在于:
步骤1,收集太阳能板常见故障包括热斑、隐裂、蜗牛纹和正常太阳能板的照片,并对收集到的照片进行样本扩展处理,增大模型训练样本量;
步骤2,将步骤1中的样本输入到上位机的CNN模型中进行训练,直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数,此时CNN模型训练完成;
步骤3,无人机采集光伏发电站中太阳能板的信息和实物照片,并通过WIFI上传至上位机;
步骤4,上位机利用训练好的CNN模型对步骤3中的照片进行识别,如果识别结果为故障,则发送至MYSQL数据库,反之,不作处理;
步骤5,操作人员通过移动终端获取MYSQL数据库中的故障数据,并执行相应的故障维修,维修结束时需清除数据库中的故障数据。
进一步,步骤1中对收集到的照片进行样本扩展处理的具体步骤为:
步骤1.1,小幅度修改照片的颜色,以矫正不同时段所采集照片的色差;
步骤1.2,对采集的照片进行旋转操作,本发明中的旋转角度分别为90°,180°和270°;
步骤1.3,对所采集的照片进行加噪,其中的加噪原理如下:
对一个规格为m×n的照片,其像素矩阵s可表示为:
对像素矩阵中的相应像素点s添加噪声n:
g(x,y)=s(x,y)+n(x,y)
本发明中信噪比选择范围为20-50dB,其中信噪比的定义如下:
式中,Ps表示信号的功率,Pn表示噪声的功率。
进一步,步骤2中CNN模型训练的具体步骤为:
步骤2.1,将采集的照片输入到第一卷积层,得到滤波后的图像;
步骤2.2,采用Max pooling池化处理步骤3.1的图像,实现图像的降维;
步骤2.3,对步骤3.2得到的图像进行dropout处理,防止网络模型的过拟合;
步骤2.4,重复步骤3.1-3.3两次,以得到最终的特征提取图片;
步骤2.5,将步骤3.4中的图片通过两层全连接层降维后再连接Softmax分类层;
步骤2.6,重复以上步骤,直至损失函数收敛或者迭代达到既定次数,其中的损失函数采用交叉熵,表达式如下:
进一步,步骤4中上位机向MYSQL数据库发送的数据应包括:
太阳能板本身的编号信息,以及所采集的实物照片和最终的判别结果。一方面用于指导技术工人对太阳能板的更换维修,另一方面用于评价上位机程序CNN模型的识别性能,也升级优化模型提供数据支撑。
本发明一种基于机器视觉的太阳能板缺陷检测系统,有益效果:本发明的技术效果在于:
1.本发明通过修改图片颜色、旋转图片方位和图片加噪处理来扩充CNN模型的训练样本量,提高模型在不同情况下的泛化性;
2.本发明充分考虑了太阳能板多故障情况,同时本系统适用但不限于对太阳能板热斑、隐裂和蜗牛纹这三类故障的识别,支持对故障类别个数的修改,具有很好的适应性;
3.本发明借助移动终端将故障信息传递给维修工人,简单快捷,同时提高了光伏电站发电效率和降低了因故障而引发的损失。
附图说明
图1为本发明的流程图;
图2为本发明采用的CNN模型网络结构图;
图3为整个系统不同模块间的信息交互规则图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种基于机器视觉的太阳能板缺陷检测系统,旨在实现光伏发电站太阳能板智能监测,保障设备运行安全,提高发电效率同时降低因故障而引发的损失。
图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1,收集太阳能板常见故障(热斑、隐裂、蜗牛纹)和正常太阳能板的照片,并对收集到的照片进行样本扩展处理,增大模型训练样本量;
步骤1中对收集到的照片进行样本扩展处理的具体步骤为:
步骤1.1,小幅度修改照片的颜色,以矫正不同时段所采集照片的色差;
步骤1.2,对采集的照片进行旋转操作,本发明中的旋转角度分别为90°,180°和270°;
步骤1.3,对所采集的照片进行加噪,其中的加噪原理如下:
对一个规格为m×n的照片,其像素矩阵s可表示为:
对像素矩阵中的相应像素点s添加噪声n:
g(x,y)=s(x,y)+n(x,y)
本发明中信噪比选择范围为20-50dB,其中信噪比的定义如下:
式中,Ps表示信号的功率,Pn表示噪声的功率。
步骤2,将步骤1中的样本输入到上位机的CNN模型中进行训练,直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数,此时CNN模型训练完成;
步骤2中CNN模型训练的具体步骤为:
步骤2.1,将采集的照片输入到第一卷积层,得到滤波后的图像;
步骤2.2,采用Max pooling池化处理步骤3.1的图像,实现图像的降维;
步骤2.3,对步骤3.2得到的图像进行dropout处理,防止网络模型的过拟合;
步骤2.4,重复步骤3.1-3.3两次,以得到最终的特征提取图片;
步骤2.5,将步骤3.4中的图片通过两层全连接层降维后再连接Softmax分类层;
步骤2.6,重复以上步骤,直至损失函数收敛或者迭代达到既定次数,其中的损失函数采用交叉熵,表达式如下:
步骤3,无人机采集光伏发电站中太阳能板的信息和实物照片,并通过WIFI上传至上位机;
步骤4,上位机利用训练好的CNN模型对步骤3中的照片进行识别,如果识别结果为故障,则发送至MYSQL数据库,反之,不作处理;
步骤4中上位机向MYSQL数据库发送的数据应包括:
太阳能板本身的编号信息,以及所采集的实物照片和最终的判别结果。一方面用于指导技术工人对太阳能板的更换维修,另一方面用于评价上位机程序CNN模型的识别性能,也升级优化模型提供数据支撑。
步骤5,操作人员通过移动终端获取MYSQL数据库中的故障数据,并执行相应的故障维修,维修结束时需清除数据库中的故障数据。
图2为本发明采用的CNN模型结构图。该结构图中可简化为三大层:输入层、特征提取层和分类识别层,其中特征提取层由卷积层、池化层和dropout层依次连接而成,分类识别层中包含两个全连接层,实现对特征提取层中图片进行降维处理,而后通过Softmax层实现对图片的识别分类。通过dropout层的加入,避免了模型在训练过程中发生过拟合,进而提高模型的泛化性。
图3为整个系统不同模块间的信息交互示意图。可以看出,整个太阳能板缺陷检测系统以巡查无人机作为图像采集模块,以WIFI作为信息传播的载体,利用上位机中预先训练好的CNN模型对采集到的太阳能板图片进行识别分类,并将识别结果发送至MYSQL数据库,而后操作人员通过移动终端获取太阳能板的故障信息,最终实现故障太阳能板的维护与检修。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.一种基于机器视觉的太阳能板缺陷检测系统,具体步骤如下,其特征在于:
步骤1,收集太阳能板常见故障包括热斑、隐裂、蜗牛纹和正常太阳能板的照片,并对收集到的照片进行样本扩展处理,增大模型训练样本量;
步骤2,将步骤1中的样本输入到上位机的CNN模型中进行训练,直到CNN中的交叉熵损失函数收敛或达到既定的迭代次数,此时CNN模型训练完成;
步骤3,无人机采集光伏发电站中太阳能板的信息和实物照片,并通过WIFI上传至上位机;
步骤4,上位机利用训练好的CNN模型对步骤3中的照片进行识别,如果识别结果为故障,则发送至MYSQL数据库,反之,不作处理;
步骤5,操作人员通过移动终端获取MYSQL数据库中的故障数据,并执行相应的故障维修,维修结束时需清除数据库中的故障数据。
3.根据权利要求1所述的一种基于机器视觉的太阳能板缺陷检测系统,其特征在于:步骤2中CNN模型训练的具体步骤为:
步骤2.1,将采集的照片输入到第一卷积层,得到滤波后的图像;
步骤2.2,采用Max pooling池化处理步骤3.1的图像,实现图像的降维;
步骤2.3,对步骤3.2得到的图像进行dropout处理,防止网络模型的过拟合;
步骤2.4,重复步骤3.1-3.3两次,以得到最终的特征提取图片;
步骤2.5,将步骤3.4中的图片通过两层全连接层降维后再连接Softmax分类层;
步骤2.6,重复以上步骤,直至损失函数收敛或者迭代达到既定次数,其中的损失函数采用交叉熵,表达式如下:
4.根据权利要求1所述的一种基于机器视觉的太阳能板缺陷检测系统,其特征在于:步骤4中上位机向MYSQL数据库发送的数据应包括:
太阳能板本身的编号信息,以及所采集的实物照片和最终的判别结果。一方面用于指导技术工人对太阳能板的更换维修,另一方面用于评价上位机程序CNN模型的识别性能,也升级优化模型提供数据支撑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403923.7A CN111539950A (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板缺陷检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403923.7A CN111539950A (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板缺陷检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539950A true CN111539950A (zh) | 2020-08-14 |
Family
ID=71980504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010403923.7A Pending CN111539950A (zh) | 2020-05-13 | 2020-05-13 | 一种基于机器视觉的太阳能板缺陷检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539950A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN114782446A (zh) * | 2022-06-22 | 2022-07-22 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN109818574A (zh) * | 2017-11-20 | 2019-05-28 | 南京模幻天空航空科技有限公司 | 基于无人机航摄技术光伏太阳能板热斑检测的系统和方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
-
2020
- 2020-05-13 CN CN202010403923.7A patent/CN111539950A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014819A (zh) * | 2017-06-09 | 2017-08-04 | 杭州电子科技大学 | 一种太阳能电池板表面缺陷检测系统和方法 |
CN109818574A (zh) * | 2017-11-20 | 2019-05-28 | 南京模幻天空航空科技有限公司 | 基于无人机航摄技术光伏太阳能板热斑检测的系统和方法 |
CN108108768A (zh) * | 2017-12-29 | 2018-06-01 | 清华大学 | 基于卷积神经网络的光伏玻璃缺陷分类方法及装置 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
姜瑾等: "基于卷积神经网络的室外运行太阳能电池板裂纹检测", 《扬州大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112200764B (zh) * | 2020-09-02 | 2022-05-03 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN114782446A (zh) * | 2022-06-22 | 2022-07-22 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
CN114782446B (zh) * | 2022-06-22 | 2022-09-16 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN112668237A (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
CN111563467A (zh) | 一种基于机器视觉的太阳能板清洁系统 | |
CN113496210B (zh) | 基于注意力机制的光伏组串跟踪及故障跟踪方法 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
CN115423741A (zh) | 一种基于深度学习的结构缺陷检测方法 | |
Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
CN117036825A (zh) | 一种太阳能电池板检测方法、介质及系统 | |
CN116664549A (zh) | 一种基于特征感知的光伏电站热斑缺陷检测方法 | |
US11631237B1 (en) | Infrared thermal image classification and hot spot positioning method of photovoltaic panel | |
Sun et al. | Dust Detection Techniques for Photovoltaic Panels from a Machine Vision Perspective: A Review | |
TWI732683B (zh) | 太陽能發電模組缺陷智慧診斷系統與方法 | |
TWI732682B (zh) | 太陽能發電模組失效分析系統與方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
Sandeep et al. | Monitoring of PV modules and hotspot detection using TensorFlow | |
Sheng et al. | A YOLOX-Based Detection Method of Triple-Cascade Feature Level Fusion for Power System External Defects | |
CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
CN111708830A (zh) | 一种基于图像处理的光伏电站光伏板污染物智能检测辅助系统及方法 | |
CN111028289A (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
Wang et al. | Photovoltaic Panel Intelligent Detection Method Based on Improved Faster-RCNN |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |