研究目的
为完成一种高效且创新的硅基光伏电池及组件缺陷智能分类方法,提升硅基光伏电池的检测效率,确保硅基光伏电池生产过程的安全性与可靠性,并实现大批量硅基光伏电池缺陷的检测与分类。
研究成果
所提出的结合IRT与CNN的方法在硅光伏电池缺陷检测与自动识别中具有较高的应用潜力,为研究、测试、制造、服务及维护提供了可靠方法。GoogleNet模型在缺陷分类中表现出更优性能。未来工作可探索更深更宽的CNN架构以处理更复杂的缺陷特征。
研究不足
该研究聚焦于外部缺陷检测,尤其是表面划痕或表面杂质缺陷,在检测内部缺陷方面可能存在局限性。实验设置需要特定条件和设备,这可能限制其在某些工业环境中的适用性。
1:实验设计与方法选择:
本研究建立了硅光伏电池的涡流热成像(ECT)系统,并比较了PCA、ICA和NMF算法对热成像序列的处理效果。通过对比LeNet-5、VGG-16和GoogleNet模型进行缺陷分类。
2:VGG-16和GoogleNet模型进行缺陷分类。
样本选择与数据来源:
2. 样本选择与数据来源:采用人工设置缺陷的硅光伏电池,红外相机记录热图像用于分析。
3:实验设备与材料清单:
包含ECT系统、EMI线圈、信号发生器、大功率感应加热器、水冷系统、FLIR A310红外相机及计算机。
4:实验流程与操作步骤:
通过EMI线圈对硅光伏电池加热,红外相机记录热视频并进行实时分析。
5:数据分析方法:
采用PCA、ICA和NMF算法提取缺陷特征,并利用CNN模型进行分类。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容