- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于孤立模型与迁移开发深度学习的红外图像光伏组件缺陷自动检测
摘要： 随着光伏发电的广泛应用和全球大型光伏系统的持续安装，由于人工/目视检测应用有限，光伏监测方法的自动化变得尤为重要。本研究采用孤立深度学习和开发模型迁移深度学习技术，实现了红外图像中光伏组件缺陷的自动检测。我们采集并使用包含正常运行与缺陷组件红外图像的数据集来训练网络，该数据集通过实验室诱导缺陷对正常和故障光伏组件进行红外成像获取。孤立学习模型采用轻量级卷积神经网络架构从头开始训练，平均准确率达到98.67%。迁移学习方面，首先基于光伏电池电致发光图像数据集开发（预训练）基础模型，再在红外图像数据集上微调，最终实现99.23%的平均准确率。两种框架均具有低计算需求和短耗时特点，可使用普通硬件实现，并保持实时预测速度。对比表明开发模型迁移学习技术能提升检测性能。此外，我们梳理了光伏组件红外成像可检测的各类缺陷，这将有助于未来获取新大数据时进行人工标注以识别不同缺陷类别。最后，所提框架经实验测试与定性评估验证。
关键词： 孤立深度学习、开发模型迁移深度学习、自动缺陷检测、热成像、红外图像、光伏（PV）组件
更新于2025-09-19 17:13:59
-
基于卷积神经网络的电致发光图像中光伏电池缺陷自动检测
摘要： 由于人工/目视检测应用有限且光伏组件产量不断增长，自动缺陷检测在光伏领域的重要性日益凸显。本研究针对电致发光（EL）图像中的光伏组件缺陷开展自动检测。我们提出了一种采用轻量级卷积神经网络架构的新方法来识别EL图像缺陷，在EL图像太阳能电池数据集上取得了93.02%的当前最优结果。该方法计算功耗和时间需求较低，可在普通CPU计算机上保持实时处理速度，单张图像预测仅需8.07毫秒。为构建轻量架构，我们对系列网络结构进行了大量实验验证，并评估数据增强操作以应对数据稀缺问题。针对显著的过拟合问题，我们采用适当策略提升模型泛化能力，同时展示了各策略的影响效果。此外，研究还分析了EL图像中可能出现的裂纹形态及缺陷类型，这将有助于在大规模数据可用时正确标注新图像以实现特定缺陷类型的预测。本框架已在实验室环境实验应用，可助力现场及工业场景的自动缺陷检测。
关键词： 光伏电池开裂，自动缺陷检测，卷积神经网络（CNN），电致发光，深度学习，光伏（PV）组件
更新于2025-09-19 17:13:59