内/外贸生产厂家
2019年11月20日 · 本文首先介绍了基于第一名性原理的缺陷计算方法, 然后以典型太阳能电池材料CdTe, Cu (In, Ga)Se 2, Cu 2 ZnSnS (Se) 4 和CH 3 NH 3 PbI 3 为例, 详细介绍了如何从理论计算角度认识和调控太阳能电池材料的缺陷性质.
2024年12月10日 · 摘要： 提出并设计名为OD-YOLO缺陷检测模型来改善多晶硅太阳电池电致发光成像中复杂背景干扰缺陷检测效果的问题。 使用二次卷积模块（TwiceConv-OD）过滤掉复杂晶粒背景干扰,增强模型对缺陷本身的关注力;提出anchor-plus1分配策略来增加模型在面对复杂背景时获取更多的缺陷正样本数量,提升模型的精确率与召回率,减少漏检误检;使用 K -means++算法初
2020年9月21日 · 本文首先介绍了基于第一名性原理的缺陷计算方法, 然后以典型太阳能电池材料CdTe, Cu(In, Ga)Se2, Cu2ZnSnS(Se)4和CH3NH3PbI3 为例, 详细介绍了如何从理论计算角度认识和调控太阳能电池材料的缺陷性质. 人类社会的生存与发展离不开能源, 但随着化石燃料的过度消耗与随之带来的环境污染及气候变化问题日益严重, 可再生清洁能源的开发利用就显得尤为关键.
2018年3月7日 · elpv-dataset数据集解决了太阳能光伏领域中一个关键的学术研究问题,即如何通过图像分析技术精确识别和分类太阳能电池中的缺陷。 该数据集通过提供高质量的电致发光图像和详细的缺陷概率注释,为研究人员提供了一个标准化的基准,促进了自动缺陷检测算法
2023年8月23日 · 为了解决光伏组件电致发光缺陷自动识别研究中训练用图像不足以及生成图像质量不佳的问题,采用cycleGAN生成了太阳电池EL缺陷图像,并且将生成的图像与具有代表性的DCGAN所生成的图像进行了对比。
2024年9月16日 · 针对太阳能电池片缺陷检测中存在检测精确度低、误检和漏检率高的问题,本文在深度学习模型YOLOv8的基础上进行优化与改进,提出了一种太阳能电池片电致成像(electroluminescent, EL)缺陷检测模型。
2024年2月2日 · 提出了一种基于傅里叶单像素成像（FSI）的太阳能电池缺陷检测方法,通过投影傅里叶条纹的照明图案来区分重建中的周期性基板和缺陷,其中基板的去除率达到100%。
2024年4月19日 · 首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。 然后重点分析了基于传统机器视觉算 法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。
2024年2月27日 · 针对太阳能电池片缺陷检测方法存在精确度低的问题,提出一种基于改进的YOLOv5s太阳能电池片表面缺陷检测算法。 首先,为了解决电池片小目标缺陷检测问题,提出了上下文Transformer网络（CoT）,可以为小目标提供全方位局上下文信息,帮助模型更好地预测小目标。
4 天之前 · 摘要： 针对太阳电池表面缺陷问题,在深度学习模型YOLOv5的基础上进行优化与改进。 首先,为充分利用深层、浅层和原始的特征信息,加强特征融合,设计具有跨连接结构的特征金字塔网络（ScFPN）。