CN114663393A - 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 - Google Patents
一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 Download PDFInfo
- Publication number
- CN114663393A CN114663393A CN202210285921.1A CN202210285921A CN114663393A CN 114663393 A CN114663393 A CN 114663393A CN 202210285921 A CN202210285921 A CN 202210285921A CN 114663393 A CN114663393 A CN 114663393A
- Authority
- CN
- China
- Prior art keywords
- distance
- threshold
- neural network
- convolutional neural
- sample
- 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 28
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012805 post-processing Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 8
- 238000006073 displacement reaction Methods 0.000 abstract description 4
- 239000006227 byproduct Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其方法步骤为:粗略定位电池片的位置,并截取电池片之间的ROI区域;利用卷积神经网络模型,对ROI图像块进行语义分割;对网络输出的结果进行后处理,计算电池片之间的距离;将计算得到的各个电池片间距和设定的阈值比较,如果超出阈值,则判定电池片间距存在异常,反之判定为正常。本发明的有益效果:本发明基于卷积神经网络来预测光伏组件间距的方法,具有灵活性高、鲁棒性好的特点;提取ROI区域的方法可克服产品切换、组件位移等造成的电池片定位不准问题;阈值区间校正方法可将模型预测的阈值和实际测量的阈值映射到统一空间,提升间距不良缺陷检测的准确率。
Description
技术领域
本发明涉及光伏组件技术领域,尤其是一种基于卷积神经网络的光伏组件间距测量方法。
背景技术
光伏组件是太阳能发电系统的基础组成部分;大体来说,一块光伏组件由若干电池串并联组成,而每一电池串又由若干个单体电池片串联而成,如图1所示光伏组件中的电池片是按照特定方式排布的光伏阵列,光伏阵列的间距需限定在一定的范围内,以便更好地采集光能来发电;这种设计方式可有效避免前后排电池片间的遮挡导致的热斑效应,延长光伏组件的使用寿命,并增大输出功率。光伏阵列的间距是结合阵列安装角度、太阳高度角等因素计算得到的。在生成过程中的串焊和层叠等作业中可能发生电池片位置偏移的情况,使得电池片间距超出了特定的范围,引发间距不良缺陷。
对于此类缺陷,目前行业内的主要做法是:采用可见光相机来采集组件的外观图像,然后通过人工逐一判断各个电池片之间是否存在间距不良缺陷。基于目前的方法,一方面会由于人工长时间观察导致的视觉疲劳引发漏检,另一方面人眼只能粗略地估计电池片间距,无法保持稳定、一致的判定标准。
因此,针对上述问题提出一种基于卷积神经网络的光伏组件间距不良缺陷检测方法。
发明内容
针对上述现有技术中存在的不足,本发明的目的在于提供一种基于卷积神经网络的光伏组件间距不良缺陷检测方法。
一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其方法步骤为:
步骤1:粗略定位电池片的位置,并截取电池片之间的ROI区域;
步骤2:利用卷积神经网络(CNN)模型,对ROI图像块进行特征提取,并进行语义分割,即对每个像素二分类,判断其为前景还是背景;
步骤3:对网络输出的结果进行后处理,并计算电池片之间的距离;
步骤4:将计算得到的各个电池片间距和设定的阈值比较,如果超出阈值,则判定电池片间距存在异常,反之判定为正常。
其中步骤1的ROI区域提取方法为:
(1)通过去噪、轮廓提取等一系列传统的图像处理方法提取出每个电池片的轮廓;
(2)获得粗略的电池片位置信息;
(3)根据定位的电池片位置,截取每两个电池片之间的区域(含水平方向和垂直方向)作为ROI区域;
(4)对水平方向的ROI图像块进行90度旋转操作,以得到统一的垂直电池片方向。
其中步骤2中的卷积神经网络模型采用UNet分割网络;Unet分割网络采用Encoder-Decoder对称网络结构提取图像特征,最终输出每个类别的语义分割结果。
选取步骤3中的网络输出结果中表征前景概率的特征图,将特征图二值化,设定阈值T,每个像素点概率小于T的像素值为0,大于T的像素值为1;将二值化的特征图归一化到输入图像大小,得到图像分割的掩码结果图。
其中步骤4进一步的方法为提前设定阈值区间:[a,b],计算采集图像的单位像素值与毫米之间的比值,将像素值距离换算为以毫米为单位的实际距离d,如果计算得到的距离d超出阈值区间,即d≥a或d≥b,则判定其存在间距不良缺陷,否则为正常样本。
其中步骤4中阈值校正方法为:
S1、获取正常样本和异常样本经度量方法一得到的阈值区间;离线采集大量的正常样本和异常样本,执行上述步骤一到步骤三,得到正常样本阈值区间[ap,bp],异常样本阈值区间(0,an)和(bn,+∞),则容易得到 an≤a≤ap≤bp≤b≤bn;
S2、做区间映射,即将度量方法一计算得到的距离映射到度量方法二的尺度空间中;任取一样本,假定其经过步骤一到步骤三计算得到的间距为x,现将其映射到度量方法二的尺度空间中,记映射后的x记为x′;若采用正常样本做阈值区间映射,即将[ap,bp]映射到区间[a,b]中,则按照此映射方式可以得到x为正样本的条件为:即同理可以得到采用异常样本做阈值区间映射得到的x为正样本的条件为:
S3、阈值区间校正;由于工业检测中漏检率的影响要远高于过检率,因此行业内普遍趋向于用更严格的检测指标来卡控可能出现的缺陷;对阈值区间做了如下校正:
与现有技术相比,本发明的有益效果:
1、本发明基于卷积神经网络来预测光伏组件间距的方法,具有灵活性高、鲁棒性好的特点;
2、本发明中自动提取ROI区域的方法可克服产品切换、组件位移等造成的电池片定位不准问题;
3、本发明阈值区间校正方法可将模型预测的阈值和实际测量的阈值映射到统一空间中,提升间距不良缺陷检测的准确率。
附图说明
图1为现有技术的光伏组件阵列示意图;
图2为本发明的流程框图;
图3为本发明的ROI区域提取流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
如图2并结合图3所示,一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其方法步骤为:
步骤一:粗略定位电池片的位置,并截取电池片之间的ROI区域。
同一批电池组件的生产过程中都是采用特定的模板来排布光伏阵列,采用模板匹配的方法来粗略定位电池片的位置;这种方法的缺点在于每换一批产品需切换不同的模板,同时生成过程中不可避免的存在组件移位的情况,带来定位误差,当定位为误差太大时会干扰后续的距离测量。
为了克服产品切换、组件位移等造成的电池片定位不准问题,获得更高质量的ROI图像,本发明提出了如图3所示的自动ROI区域提取方法,首先通过去噪、轮廓提取等一系列传统的图像处理方法提取出每个电池片的轮廓,获得粗略的电池片位置信息;接着,根据定位的电池片位置,截取每两个电池片之间的区域(含水平方向和垂直方向)作为ROI区域,该区域包含局部的电池片内图像以及电池片之间的缝隙;为了方便后续处理,对水平方向的ROI图像块进行90度旋转操作,以得到统一的垂直电池片方向;这样得到的垂直方向的电池片间隙即为电池片的间距。为了得到对比度更强的图像,本发明额外增加了CLAHE直方图均衡化方法来对ROI图像块进行后处理。
步骤二:利用卷积神经网络(CNN)模型,对ROI图像块进行特征提取,并进行语义分割,即对每个像素二分类,判断其为前景还是背景。
电池片缝隙区域标记为前景类,电池片内区域标记为背景类,离线采集一定数量的图像,对采集的图像裁剪得到ROI图像块,并进行标注制作训练集和测试集。
CNN模型采用UNet分割网络,Unet模型采用Encoder-Decoder对称网络结构提取图像特征,最终输出每个类别的语义分割结果,Encoder由4个下采样模块组成,每个下采样模块包含3个卷积层和1个Max Pooling层,用于提取图像特征;Decoder由4个上采样模块组成,每个上采样模块采用反卷积操作将输入图像尺寸增大一倍,并与Encoder中对应的特征融合;对于Encoder 和Decoder对应特征图大小不一致的情况,Unet模型将Decoder特征图裁剪到和Encoder特征图相同的大小再进行特征融合。
采用交叉熵损失函数训练Unet分割网络,并使用Mean IOU作为评价指标,选取在验证集上Mean IOU最大的模型作为最优模型用于做后续的推断。
步骤三:对网络输出的结果进行后处理,并计算电池片之间的距离。
选取网络输出结果中表征前景概率的特征图,将特征图二值化,设定一阈值T,每个像素点概率小于T的像素值为0,大于T的像素值为1;接着,将二值化的特征图归一化到输入图像大小,得到图像分割的掩码结果图。
利用轮廓提取方法获得掩码中的前景区域,并剔除面积小于阈值的小区域;计算掩码中前景区域垂直方向上长度的均值作为电池片之间的像素值距离。为了加快算法运行效率,选取k个随机采样点的长度均值作为电池片间距。
步骤四:将计算得到的各个电池片间距和设定的阈值比较,如果超出阈值,则判定电池片间距存在异常,反之判定为正常;具体做法如下提前设定阈值区间:[a,b];计算采集图像的像素值与毫米之间的比值,将像素值距离换算为以毫米为单位的实际距离d,如果计算得到的距离d超出阈值区间,即 d≤a或d≥b,则判定其存在间距不良缺陷,否则为正常样本。
在实际采集的外观图像中,由于电池片之间的过渡区域较为模糊,步骤二中训练UNet用的掩码标注难免存在误差,这将导致采用基于UNet分割方式计算出的距离(记为度量方法一)和真实测量出的距离(记为度量方法二) 存在误差,为了解决两种度量方法得到的结果不一致的问题,阈值区间校正法,具体操作如下:
获取正常样本和异常样本经度量方法得到的阈值区间;离线采集大量的正常样本和异常样本,执行上述步骤1到步骤3,得到正常样本阈值区间 [ap,bp],异常样本阈值区间(0,an)和(bn,+∞),则容易得到an≤a≤ap≤bp≤bn。
做区间映射,即将度量方法一计算得到的距离映射到度量方法二的尺度空间中;任取一样本,假定其经过步骤1到步骤3计算得到的间距为x,现将其映射到度量方法二的尺度空间中,记映射后的x记为x′;若采用正常样本做阈值区间映射,即将[ap,bp]映射到区间[a,b]中,则按照此映射方式可以得到x为正样本的条件为:即同理可以得到采用异常样本做阈值区间映射得到的x为正样本的条件为:
阈值区间校正;由于工业检测中漏检率的影响要远高于过检率,因此行业内普遍趋向于用更严格的检测指标来卡控可能出现的缺陷;对阈值区间做了如下校正:
由于采用了阈值区间校正方法,无论用户如何调整阈值区间[a,b],采用本发明方法都能相应得到更优的校正过后的阈值区间,用户可根据不同的生产标准或在线生产的实际情况,灵活调节阈值来卡控该缺陷。
为了验证本发明的性能,本实施例在光伏组件生产流程中采集的工业数据上做了实验,测试图片共730张,其中30张为带缺陷的NG图片,700张为正常的OK图片,以漏报率和误报率作为评价标准,其计算公式如下:
在上述的测试集上分别评估自动提取ROI区域的预处理方法和阈值校正方法的效果;实验对比如下表1所示,
表1预处理方法对比实验结果
对比方法 | 漏报率 | 误报率 |
用模板匹配替代自动ROI区域提取方法 | 0.54% | 34.43% |
不做阈值区间校正 | 0.82% | 10.96% |
本发明方法 | 0.54% | 2.05% |
由表1可的预处理方法相比,本发明的误报率降低了32.38%;本发明提出的阈值区间得出:本发明提出的预处理方法可明显降低算法的误报率,与基于模板匹配校正方法对于提升间距不良缺陷的检测准确率效果明显,综上所述,本发明提出的基于卷积神经网络的间距不良检测方法可以有效检测出光伏组件中的间距不良缺陷。
以上所述仅为发明的优选实施例,并非因此限制本发明的专利范围,凡是利用发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:其方法步骤为:
步骤1:定位电池片的位置,并截取电池片之间的ROI区域;
步骤2:利用卷积神经网络模型,对ROI图像块进行特征提取,并进行语义分割,即对每个像素二分类,判断其为前景还是背景;
步骤3:对网络输出的结果进行后处理,并计算电池片之间的距离;
步骤4:将计算得到的各个电池片的间距和设定的阈值比较,如果超出阈值,则判定电池片的间距存在异常,反之判定为正常。
2.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:其中步骤1的ROI区域提取方法为:
(1)通过去噪、轮廓提取方法提取出每个电池片的轮廓;
(2)获得粗略的电池片位置信息;
(3)根据定位的电池片位置,截取每两个电池片之间的区域作为ROI区域;
(4)对水平方向的ROI图像块进行90度旋转操作,以得到统一的垂直电池片方向。
3.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:其中步骤2中的卷积神经网络模型采用UNet分割网络提取图像特征,输出光伏组件的语义分割结果。
4.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:选取步骤3中的网络输出结果中表征前景概率的特征图,将特征图二值化并缩放到输入图像大小,得到图像分割的掩码结果图,计算掩码中前景目标的高度,得到两电池片之间以像素值为单位的距离值。
5.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:其中步骤4进一步的方法为提前设定阈值区间:[a,b],计算采集图像的像素值与毫米之间的比值,将像素值距离换算为以毫米为单位的实际距离d,如果计算得到的距离d超出阈值区间,即d≤a或d≥b,则判定其存在间距不良缺陷,否则为正常样本。
6.如权利要求1所述的一种基于卷积神经网络的光伏组件间距不良缺陷检测方法,其特征在于:其中步骤4中阈值设定方法为:
S1、统计分析正常样本的距离阈值区间;离线采集大量的正常样本和异常样本,执行上述步骤1到步骤3,得到正常样本阈值区间[ap,bp],异常样本阈值区间(0,an)和(bn,+∞),则容易得到an≤a≤ap≤bp≤b≤bn;
S2、做区间映射,即将度量方法计算得到的距离映射到毫米度量空间中;任取一样本,假定其经过步骤1到步骤3计算得到的间距为x,现将其映射到毫米度量空间中,记映射后的距离为x;若采用正常样本做阈值区间映射,即将[ap,bp]映射到区间[a,b]中,则按照此映射方式可以得到x为正样本的条件为:即同理可以得到采用异常样本做阈值区间映射得到的x为正样本的条件为:
S3、阈值区间校正;对阈值区间做了如下校正:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285921.1A CN114663393A (zh) | 2022-03-22 | 2022-03-22 | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285921.1A CN114663393A (zh) | 2022-03-22 | 2022-03-22 | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663393A true CN114663393A (zh) | 2022-06-24 |
Family
ID=82030461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285921.1A Pending CN114663393A (zh) | 2022-03-22 | 2022-03-22 | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663393A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117094964A (zh) * | 2023-08-17 | 2023-11-21 | 正泰集团研发中心(上海)有限公司 | 电池片间距检测方法、装置、计算机设备及存储介质 |
CN118247513A (zh) * | 2024-05-28 | 2024-06-25 | 尚特杰电力科技有限公司 | 光伏板组件分割方法、装置、电子设备和介质 |
-
2022
- 2022-03-22 CN CN202210285921.1A patent/CN114663393A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117094964A (zh) * | 2023-08-17 | 2023-11-21 | 正泰集团研发中心(上海)有限公司 | 电池片间距检测方法、装置、计算机设备及存储介质 |
CN118247513A (zh) * | 2024-05-28 | 2024-06-25 | 尚特杰电力科技有限公司 | 光伏板组件分割方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
CN111223093A (zh) | 一种aoi缺陷检测方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
US20230298152A1 (en) | Method for analyzing minor defect based on progressive segmentation network | |
CN111462057A (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN107610119A (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN118196070B (zh) | 一种基于无人机热红外遥感的光伏板缺陷识别方法 | |
CN115115643A (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN115937079A (zh) | 一种基于YOLO v3的输电线路缺陷快速检测方法 | |
CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN113591973B (zh) | 一种轨道板外观状态变化智能比对方法 | |
Terzoglou et al. | Employing deep learning framework for improving solar panel defects using drone imagery | |
CN115330768B (zh) | 一种太阳能电池板质量分级方法 | |
CN113808079B (zh) | 基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法 |
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 |