2021年11月19日 · 陷检测。目前晶硅光伏 生产线上,EL 的成像结 果主要由人工来判断,成 本高、效率低。近年来国内外科研人员开始努力于研究 EL 图片缺陷的自动检测,研究方法分为两类：传统信 号处理算法和人工智能算法。基于传统信号处理算法的 图片缺陷检测
光伏硅片电池视觉检测解决方案,结合人工智能及传统瑕疵检测算法,可高效检测电池片或者硅片表面各种缺陷,有效加强了光伏电池片生产过程中各环节的产品质量监控,提升产品合格率,涵盖硅片隐裂检测、硅片AOI色差检测、石墨舟翘变检测、制绒下料花篮
2022年2月16日 · 摘 要：光伏电池片中的缺陷会影响整个光伏系统使用寿命及发电效率。 针对现有电池片自动 检测中尺寸弱小缺陷漏检率高的问题,建立了一种特征增强型轻量化卷积神经网络模型。
2021年11月25日 · 在太阳能光伏领域,elpv-dataset的最高新研究方向主要集中在通过电致发光图像对太阳能电池缺陷进行自动化识别和分类。 这一研究不仅提升了太阳能电池的检测效率,还为提高光伏模块的功率效率提供了关键技术支持。
2024年3月4日 · 提出一种用于光伏电池缺陷检测的轻量级模型,精确率高达 91.74%；首次将 NAS 引入到光伏电池缺陷检测领域,用于自动化轻量级网络设计,减少了手工设计的工作量；
2023年11月22日 · 本文对光伏系统缺陷检测的不同数据分析方法进行了全方位面的回顾,在每种技术的类型和方法方面具有高分类粒度。 文献中介绍的此类方法被分为基于成像的技术（IBT）和电气测试技术（ETT）。
2024年11月27日 · 总结来说,这个数据集提供了训练目标检测模型的基础,特别是针对光伏电池缺陷的检测。 通过深度学习技术,我们可以构建一个能够自动识别和定位电池缺陷的系统,这将极大地推动 太阳能 产业的发展,并确保能源生产的可信赖...
2022年10月10日 · 首先,光伏电池的缺陷异常检测是一个重要的任务,可以帮助提高光伏电池的效率和可信赖性。 以下是一些常见的方法和技术： 1. 热成像：利用红外热像仪或热像相机对 光伏 电池 组进行扫描,检测热点和温度异常。
2024年3月15日 · 摘要 针对光伏（PV）电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问 题,提出一种基于YOLOv8的缺陷检测算法YOLOv8-EL。
2023年7月17日 · 为了实现电致发光（Electroluminescent,EL）条件下太阳能电池的高精确度裂纹和碎片缺陷检测,将多尺度YOLOv5（You Only Look Once version 5）模型用于真实工况下的太阳能电池缺陷检测。