CN114387466A - 一种太阳能电池片色差检测方法及系统 - Google Patents

一种太阳能电池片色差检测方法及系统 Download PDF

Info

Publication number
CN114387466A
CN114387466A CN202111468227.5A CN202111468227A CN114387466A CN 114387466 A CN114387466 A CN 114387466A CN 202111468227 A CN202111468227 A CN 202111468227A CN 114387466 A CN114387466 A CN 114387466A
Authority
CN
China
Prior art keywords
solar cell
image
images
chromatic aberration
color difference
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
Application number
CN202111468227.5A
Other languages
English (en)
Inventor
张法全
陈婷
周利兵
万仁卓
沈满德
李登峰
张佳豪
陈卓航
陈邦格
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.)
Wuhan Textile University
Original Assignee
Wuhan Textile 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 Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202111468227.5A priority Critical patent/CN114387466A/zh
Publication of CN114387466A publication Critical patent/CN114387466A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种太阳能电池片色差检测方法及系统，其中方法包括如下步骤：S1、构建分类网络，具体包括：S1a、分别采集多个太阳能电池片的图像并进行预处理；S1b、对图像进行分块处理，把多个分块图像输入卷积自编码器中进行训练，并提取隐藏层中的多维特征向量；S1c、对于任意一个太阳能电池片中，计算其任意两个分块图像之间的多维特征向量相似度，判断该太阳能电池片是否存在片内色差；S1d、取多个无片内色差的太阳能电池片，计算得到多维平均特征向量；S1e、采用聚类算法处理得到多个太阳能电池片的多维平均特征向量，确定多个中心点；S1f、以确定的多个中心点作为分类标准来构建分类网络；S2、利用所构建的分类网络，来实现太阳能电池片的检测。

Description

一种太阳能电池片色差检测方法及系统
技术领域
本发明涉及太阳能电池片领域，具体来说，涉及一种太阳能电池片色差检测方法及系统。
背景技术
在当今能源短缺，提倡发展低碳经济的大背景下，各国都加快了发展光能源的步伐。近年来，我国光伏产业规模逐渐扩大、技术亦有所提升，就是为了减少对煤炭，石油等不可再生资源的依赖，降低碳排放。未来国内光伏行业有望得到更进一步的发展。
太阳能电池是一种能够通过吸收太阳光，利用光伏效应将光能转化为电能的光电半导体薄片。太阳能电池片在一定条件的太阳光照射下，可瞬间输出电压并且在有回路的情况下能够产生电流。但由于太阳能电池片受制作工艺影响会产生颜色差异，不仅会造成单片电池片内部颜色分布不均，电池片之间也会存在色差。将颜色差别太大的电池片放在一起使用不仅影响整体外观，也会影响光伏组件的发电性能。故在制作光伏组件前一般需要按照电池片颜色进行分选。
目前，对电池片颜色分选主要靠人工检测，但该方法不仅效率与准确率低下，且在分拣过程中易造成电池片损坏；也有部分基于灰度直方图或是通过BP算法进行颜色分类，但由于需要选择标准样片作为模板，导致实验无法确定统一标准，结果并不准确。
发明内容
为了克服上述现有技术的不足之处，本发明提供了一种太阳能电池片色差检测方法，包括如下步骤：
S1、构建分类网络，且步骤S1具体包括：
S1a、分别采集多个太阳能电池片的图像，对每个图像进行预处理；
S1b、对预处理后的每个太阳能电池片的图像进行分块处理，将其分为多个预设大小的分块图像，把每个太阳能电池片的多个分块图像输入卷积自编码器中进行训练，并提取卷积自编码器的隐藏层中的多维特征向量；
S1c、对于任意一个太阳能电池片中，计算其任意两个分块图像之间的多维特征向量相似度，并根据计算得到的相似度来判断该太阳能电池片是否存在片内色差，完成所有太阳能电池片的计算，以剔除其中存在片内色差的太阳能电池片；
S1d、取多个无片内色差的太阳能电池片的图像数据，对每个太阳能电池片的多个分块图像的多维特征向量取平均值，得到每个太阳能电池片的多维平均特征向量；
S1e、采用聚类算法处理得到多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点；
S1f、以步骤S1e中确定的多个中心点作为分类标准来构建分类网络；
S2、完成分类网络的构建后，对于待分类的太阳能电池片，采集其图像并按照与步骤S1a中同样的方案进行预处理，然后按照与步骤S1b中同样的方案进行分块处理，再将多个分块图像分别输入到分类网络中，利用分类网络判断每个分块图像所属的类别，若多个分块图像所属的类别不一致，则判定该太阳能电池片的检测结果为存在片内色差，若多个分块图像所属的类别一致，则将该太阳能电池片归为该种类别。
在一些实施例中，步骤S1a中，对图像进行预处理的步骤具体包括：去除图像中的背景，对图像进行感兴趣区域提取，从而提取太阳能电池片所在的区域，并将提取的太阳能电池片区域图像压缩至预设大小。
在一些实施例中，步骤S1a中，在图像进行预处理的步骤中，将提取的太阳能电池片区域图像压缩至1280*1280像素的大小；
步骤S1b中，进行分块处理时，将图像分为10*10个大小为128*128像素的分块图像。
在一些实施例中，步骤S1c中，具体根据如下方法来判断太阳能电池片是否存在片内色差：
对于一个太阳能电池片，将其多个分块图像对应的多个多维特征向量记为集合X＝{x1，x2，…，xN}，其中N表示分块图像数目；
按照下式计算集合中任意两个多维特征向量xi与xj的欧式距离d：
d＝||xi-xj||2
以欧式距离d作为相似度标准，并预设阈值m，若在计算得到的所有的欧式距离d中，存在d＞m，则判断该太阳能电池片存在片内色差，否则判断该太阳能电池片不存在片内色差。
在一些实施例中，步骤S1d中，取至少1000个无片内色差的太阳能电池片的图像数据。
在一些实施例中，步骤S1e中，采用PROCLUS聚类算法处理得到的多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点。
在一些实施例中，步骤S1f中，具体包括如下步骤：
以步骤S1e中确定的多个中心点作为分类标准，并打上标签以得到训练集，接下来，调整步骤S1b中训练好的卷积自编码器，去掉其中解码器的部分，并在隐藏层后加上分类层，其中分类层根据得到的训练集来建立，从而完成了分类网络的构建。
本发明另一方面提供了一种太阳能电池片色差检测系统，包括图像采集模块、中控模块及操作件；所述图像采集模块用于拍照采集太阳能电池片的图像，所述中控模块用于根据上述的太阳能电池片色差检测方法来实现太阳能电池片的色差检测，并完成色差检测后，控制所述操作件，根据检测结果来执行后续操作。
与现有技术相比，本发明的有益效果是：
本发明提供的太阳能电池片色差检测方法及系统，相比于人工检测的方法更加精确、高效，且不会污染、损坏电池片；相比于现有的自动化检测的方案，本发明只需采用一个分类神经网络即可快速、准确解决片内色差与片间分类问题，更加快速方便，且结果更加准确。
附图说明
图1为本发明提供的太阳能电池片色差检测方法的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图和具体实施方式，进一步阐述本发明是如何实施的。
参照图1所示，本发明提供了一种太阳能电池片色差检测方法，包括如下步骤：
一种太阳能电池片色差检测方法，包括如下步骤：
S1、构建分类网络，且步骤S1具体包括：
S1a、分别采集多个太阳能电池片的图像，对每个图像进行预处理；
S1b、对预处理后的每个太阳能电池片的图像进行分块处理，将其分为多个预设大小的分块图像，把每个太阳能电池片的多个分块图像输入卷积自编码器中进行训练，并提取卷积自编码器的隐藏层中的多维特征向量；
S1c、对于任意一个太阳能电池片中，计算其任意两个分块图像之间的多维特征向量相似度，并根据计算得到的相似度来判断该太阳能电池片是否存在片内色差，完成所有太阳能电池片的计算，以剔除其中存在片内色差的太阳能电池片；
S1d、取多个无片内色差的太阳能电池片的图像数据，对每个太阳能电池片的多个分块图像的多维特征向量取平均值，得到每个太阳能电池片的多维平均特征向量；
S1e、采用聚类算法处理得到多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点；
S1f、以步骤S1e中确定的多个中心点作为分类标准来构建分类网络；
S2、完成分类网络的构建后，对于待分类的太阳能电池片，采集其图像并按照与步骤S1a中同样的方案进行预处理，然后按照与步骤S1b中同样的方案进行分块处理，再将多个分块图像分别输入到分类网络中，利用分类网络判断每个分块图像所属的类别，若多个分块图像所属的类别不一致，则判定该太阳能电池片的检测结果为存在片内色差，若多个分块图像所属的类别一致，则将该太阳能电池片归为该种类别。
优选地，步骤S1a中，对图像进行预处理的步骤具体包括：去除图像中的背景，对图像进行感兴趣区域提取，从而提取太阳能电池片所在的区域，并将提取的太阳能电池片区域图像压缩至预设大小。
在一个具体实施例中，步骤S1a中，在图像进行预处理的步骤中，将提取的太阳能电池片区域图像统一压缩至1280*1280像素的大小，通过这样的处理，能在不丢失过多图像信息的同时减少计算量；
相应地，在步骤S1b中，进行分块处理时，将图像分为10*10个大小为128*128像素的分块图像，进而把这些分块图像输入卷积自编码器中进行训练，由于卷积自编码器属于无监督学习，分别用原始输入图像和重构后的图像进行损失训练，通过降低损失就可以提取到卷积自编码器隐藏层中的特征，即多维特征向量。
优选地，步骤S1c中，具体可根据如下方法来判断太阳能电池片是否存在片内色差：
对于一个太阳能电池片，将其多个分块图像对应的多个多维特征向量记为集合X＝{x1，x2，…，xN}，其中N表示分块图像数目，对于10*10的分块图像，则N＝100；
按照下式计算集合中任意两个多维特征向量xi与xj的欧式距离d：
d＝||xi-xj||2
可以理解的是，根据欧式距离的定义，有：
Figure BDA0003390382730000061
式中，n表示多维特征向量xi与xj的维度数，
Figure BDA0003390382730000071
分别表示xi在第一、第二…第n维度的分量，
Figure BDA0003390382730000072
分别表示xj在第一、第二…第n维度的分量；以欧式距离d作为相似度标准，并预设阈值m，若在计算得到的所有的欧式距离d中，存在d＞m，则判断该太阳能电池片存在片内色差，否则判断该太阳能电池片不存在片内色差。
另外，可以理解的是，为了保证准确性，在构建分类网络时，应取大量的太阳能电池片作用样本进行处理。例如，步骤S1中，初始应可取约1500个太阳能电池片，后续的步骤S1d中，取至少1000个无片内色差的太阳能电池片的图像数据。
优选地，步骤S1e中，采用PROCLUS聚类算法处理得到的多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点。采用PROCLUS聚类算法处理时，选择中心点超集，确定每一个中心点的特征维度，通过对聚类结果进行分析，并不断迭代替换差的中心点，得到最优中心点集，对中心点维度进行优化，得到改善后的聚类结果。
进一步地，步骤S1f中，具体包括如下步骤：
以步骤S1e中确定的多个中心点作为分类标准，并打上标签以得到训练集，接下来，调整步骤S1b中训练好的卷积自编码器，去掉其中解码器的部分，并在隐藏层后加上分类层，其中分类层根据得到的训练集来建立，从而完成了分类网络的构建。
最后，在步骤S2中，完成分类网络的构建后，对于待分类的太阳能电池片，采集其图像并按照与步骤S1a中同样的方案进行预处理，然后按照与步骤S1b中同样的方案进行分块处理，再将多个分块图像分别输入到分类网络中，利用分类网络判断每个分块图像所属的类别，若多个分块图像所属的类别不一致，则判定该太阳能电池片的检测结果为存在片内色差，若多个分块图像所属的类别一致，则将该太阳能电池片归为该种类别。
本发明另一方面提供了一种太阳能电池片色差检测系统，包括图像采集模块、中控模块及操作件；所述图像采集模块用于拍照采集太阳能电池片的图像，所述中控模块用于根据上述的太阳能电池片色差检测方法来实现太阳能电池片的色差检测，并完成色差检测后，控制所述操作件，根据检测结果来执行后续操作。
综上，本发明提供的太阳能电池片色差检测方法及系统，相比于人工检测的方法更加精确、高效，且不会污染、损坏电池片；相比于现有的自动化检测的方案，本发明只需采用一个分类神经网络即可快速、准确解决片内色差与片间分类问题，更加快速方便，且结果更加准确。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围中。

Claims (8)

1.一种太阳能电池片色差检测方法，其特征在于，包括如下步骤：
S1、构建分类网络，且步骤S1具体包括：
S1a、分别采集多个太阳能电池片的图像，对每个图像进行预处理；
S1b、对预处理后的每个太阳能电池片的图像进行分块处理，将其分为多个预设大小的分块图像，把每个太阳能电池片的多个分块图像输入卷积自编码器中进行训练，并提取卷积自编码器的隐藏层中的多维特征向量；
S1c、对于任意一个太阳能电池片中，计算其任意两个分块图像之间的多维特征向量相似度，并根据计算得到的相似度来判断该太阳能电池片是否存在片内色差，完成所有太阳能电池片的计算，以剔除其中存在片内色差的太阳能电池片；
S1d、取多个无片内色差的太阳能电池片的图像数据，对每个太阳能电池片的多个分块图像的多维特征向量取平均值，得到每个太阳能电池片的多维平均特征向量；
S1e、采用聚类算法处理得到多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点；
S1f、以步骤S1e中确定的多个中心点作为分类标准来构建分类网络；
S2、完成分类网络的构建后，对于待分类的太阳能电池片，采集其图像并按照与步骤S1a中同样的方案进行预处理，然后按照与步骤S1b中同样的方案进行分块处理，再将多个分块图像分别输入到分类网络中，利用分类网络判断每个分块图像所属的类别，若多个分块图像所属的类别不一致，则判定该太阳能电池片的检测结果为存在片内色差，若多个分块图像所属的类别一致，则将该太阳能电池片归为该种类别。
2.根据权利要求1所述的太阳能电池片色差检测方法，其特征在于，步骤S1a中，对图像进行预处理的步骤具体包括：去除图像中的背景，对图像进行感兴趣区域提取，从而提取太阳能电池片所在的区域，并将提取的太阳能电池片区域图像压缩至预设大小。
3.根据权利要求2所述的太阳能电池片色差检测方法，其特征在于，步骤S1a中，在图像进行预处理的步骤中，将提取的太阳能电池片区域图像压缩至1280*1280像素的大小；
步骤S1b中，进行分块处理时，将图像分为10*10个大小为128*128像素的分块图像。
4.根据权利要求1所述的太阳能电池片色差检测方法，其特征在于，步骤S1c中，具体根据如下方法来判断太阳能电池片是否存在片内色差：
对于一个太阳能电池片，将其多个分块图像对应的多个多维特征向量记为集合X＝{x1，x2，…，xN}，其中N表示分块图像数目；
按照下式计算集合中任意两个多维特征向量xi与xj的欧式距离d：
d＝||xi-xj||2
以欧式距离d作为相似度标准，并预设阈值m，若在计算得到的所有的欧式距离d中，存在d＞m，则判断该太阳能电池片存在片内色差，否则判断该太阳能电池片不存在片内色差。
5.根据权利要求1所述的太阳能电池片色差检测方法，其特征在于，步骤S1d中，取至少1000个无片内色差的太阳能电池片的图像数据。
6.根据权利要求1所述的太阳能电池片色差检测方法，其特征在于，步骤S1e中，采用PROCLUS聚类算法处理得到的多个太阳能电池片的多维平均特征向量，并根据聚类结果确定多个中心点。
7.根据权利要求1所述的太阳能电池片色差检测方法，其特征在于，步骤S1f中，具体包括如下步骤：
以步骤S1e中确定的多个中心点作为分类标准，并打上标签以得到训练集，接下来，调整步骤S1b中训练好的卷积自编码器，去掉其中解码器的部分，并在隐藏层后加上分类层，其中分类层根据得到的训练集来建立，从而完成了分类网络的构建。
8.一种太阳能电池片色差检测系统，其特征在于，包括图像采集模块、中控模块及操作件；所述图像采集模块用于拍照采集太阳能电池片的图像，所述中控模块用于根据权利要求1-7任一项所述的太阳能电池片色差检测方法来实现太阳能电池片的色差检测，并完成色差检测后，控制所述操作件，根据检测结果来执行后续操作。
CN202111468227.5A 2021-12-03 2021-12-03 一种太阳能电池片色差检测方法及系统 Pending CN114387466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111468227.5A CN114387466A (zh) 2021-12-03 2021-12-03 一种太阳能电池片色差检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111468227.5A CN114387466A (zh) 2021-12-03 2021-12-03 一种太阳能电池片色差检测方法及系统

Publications (1)

Publication Number Publication Date
CN114387466A true CN114387466A (zh) 2022-04-22

Family

ID=81195311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111468227.5A Pending CN114387466A (zh) 2021-12-03 2021-12-03 一种太阳能电池片色差检测方法及系统

Country Status (1)

Country Link
CN (1) CN114387466A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978037A (zh) * 2022-07-27 2022-08-30 一道新能源科技(衢州)有限公司 太阳能电池性能数据监控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114978037A (zh) * 2022-07-27 2022-08-30 一道新能源科技(衢州)有限公司 太阳能电池性能数据监控方法及系统
CN114978037B (zh) * 2022-07-27 2022-10-25 一道新能源科技(衢州)有限公司 太阳能电池性能数据监控方法及系统

Similar Documents

Publication Publication Date Title
WO2019214268A1 (zh) 一种基于复合信息的光伏阵列故障诊断方法
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
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
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
Ngo et al. Image segmentation using K-means color quantization and density-based spatial clustering of applications with noise (DBSCAN) for hotspot detection in photovoltaic modules
CN107843600B (zh) 一种多晶硅太阳能电池片外观手印缺陷检测的方法
CN103302039B (zh) 太阳能电池晶片分色的方法
CN113781466B (zh) 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法
CN114067298A (zh) 一种基于Faster R-CNN的棉花顶尖识别方法
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN114387466A (zh) 一种太阳能电池片色差检测方法及系统
CN114594114A (zh) 一种锂电芯全自动在线无损检测方法
CN114972225A (zh) 一种基于深度学习的两阶段光伏板缺陷检测方法
CN112381794B (zh) 一种基于深度卷积生成网络的印刷缺陷检测方法
CN115187969A (zh) 一种基于视觉识别的铅酸电池回收系统和方法
Ye et al. Research on PV array output characteristics based on shadow image recognition
Wu et al. Ghost-RetinaNet: Fast Shadow DetectionMethod for Photovoltaic Panels Based on Improved RetinaNet.
Jiang et al. An enhancement generative adversarial networks based on feature moving for solar panel defect identification
Lu et al. Research on Defect Recognition of Ceramic Chips for High Temperature Fuel Cells Based on Improved Faster R-CNN
Jin et al. Detection method of solar cell surface defects based on C4. 5-G algorithm
CN117218424B (zh) 一种光伏电站建设中的物料管理方法及系统
Wang et al. Photovoltaic Panel Intelligent Detection Method Based on Improved Faster-RCNN
Na et al. Multi-attention YOLOv5 for Recognition of Abnormal Helmets Wearing in Power Stations
CN113362298A (zh) 一种基于vgg16深度卷积神经网络的太阳能网版缺陷检测方法

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