内/外贸生产厂家
2022年10月10日 · 内含太阳能发电板缺陷数据集,光伏发电板电致发光成像缺陷检测数据集,2600多张图片,带VOC格式xml标签,类别有完好、裂痕、失效三类,可以用于电气工程专业在计算机视觉应用领域做研究,例如目标检测、图像识别、深度学习等！
2020年3月21日 · 提出了一种检测多晶太阳能电池中微裂纹缺陷的 算法,使用各向异性扩散滤波器和图像分割技术, 结果表明,该方法检测太阳能电池中的微裂纹平
2023年5月12日 · 基于光致发光成像原理,提出了一种基于背景评估的太阳能电池片图像增强方法,以及一种基于形态特征和HOG特征融合的缺陷识别方法。 首先分析了电池片缺陷的形态和位置特点,提出了缺陷两步分割法,对分割的缺陷提取多方向HOG 特征,采取拉普拉斯特征映射法对HOG特征进行降维;然后融合长宽比、圆形度等形态特征;最高后针对支持向量机(support vector
2022年12月31日 · PSCDE-Dataset是一个用于多晶硅太阳能电池缺陷分割的高质量数据集。该数据集通过电致发光成像技术收集了700张具有挑战性的缺陷图像,分辨率为512×512,包括多尺度缺陷、遮挡缺陷、密集微小缺陷、低对比度缺陷和组合缺陷等。
2024年11月27日 · 针对太阳能光伏电池板缺陷检测的数据集,我们可以使用YOLOv8模型进行训练和评估。 以下是详细的步骤和代码示例,帮助你完成这个任务。 1.
2024年11月25日 · 设计中采用了YOLOv5目标检测算法,能够高效精确地识别太阳能电池上的各种缺陷,如裂纹、变色和破损等。 通过大量的实验验证,该系统在不同条件下均能可信赖地检测 太阳能 电池 的缺陷,并提供精确的结果。
2024年4月19日 · 本文综述了基于机器视觉的太阳能电池片表面缺陷检测方 法的研究进展。 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。 将传统机器视觉算法分为图像域分析法、变换域分析 法进行综述；从无监督学习、有监督学习和弱监督及半监督学习三个方面分
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。
2022年12月9日 · 能电池片表面缺陷检测方法的大致流程可以简单概 括为:对太阳能电池片表面进行成像,获取电池片表 面图像数据,然后采用各种机器视觉的方法检测图