欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

基于機器視覺和深度學習的光伏組件EL缺陷檢測系統(tǒng)的制作方法

文檔序號:40655370發(fā)布日期:2025-01-10 19:05閱讀:6來源:國知局
基于機器視覺和深度學習的光伏組件EL缺陷檢測系統(tǒng)的制作方法

本發(fā)明涉及光伏組件,具體為基于機器視覺和深度學習的光伏組件el缺陷檢測系統(tǒng)。


背景技術(shù):

1、隨著太陽能行業(yè)的快速發(fā)展,光伏組件的產(chǎn)量和銷售量逐年增加。然而,在光伏組件的生產(chǎn)和應(yīng)用過程中,el(電荷耦合器件)缺陷問題日益突出;el缺陷會影響光伏組件的光電轉(zhuǎn)換效率和壽命,會導致光伏組件性能下降,甚至影響整個系統(tǒng)的安全性和可靠性,因此,需要及時檢測和排除。

2、公開號為cn215987376u的中國專利公開了一種基于雙光技術(shù)的光伏組件熱斑無人機自動檢測系統(tǒng),包括飛行器及控制器,飛行器搭載有機器視覺模塊;控制器集成有智能診斷模塊、熱斑定位模塊以及控制模塊;可以利用飛行器對光伏電站光伏組件熱斑進行識別定位,完成光伏電站組件自動巡檢及熱斑自動定位,為光伏電站運維人員提供可靠、高效的巡檢手段;但是該專利存在以下缺陷:

3、現(xiàn)有的光伏組件el缺陷檢測不能對光伏組件el缺陷進行較好地定位和分類,不能有效識別各種類型的光伏組件el缺陷,使得檢測準確性低,且不能快速處理大量的光伏組件el缺陷圖像,使得檢測時間長,缺陷檢測效率低。


技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于機器視覺和深度學習的光伏組件el缺陷檢測系統(tǒng),可對光伏組件el缺陷進行較好地定位和分類,能有效識別各種類型的光伏組件el缺陷,使得檢測準確性高,且能快速處理大量的光伏組件el缺陷圖像,使得檢測時間短,可提升缺陷檢測效率,解決了上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的,本發(fā)明提供如下技術(shù)方案:

3、基于機器視覺和深度學習的光伏組件el缺陷檢測系統(tǒng),包括:

4、圖像采集模塊,用于采集基于機器視覺的光伏組件el實時圖像;

5、圖像處理模塊,用于對光伏組件el實時圖像進行處理,確定光伏組件el特征圖像;

6、模型訓練模塊,用于構(gòu)建基于深度學習的光伏組件el缺陷檢測模型;

7、測試優(yōu)化模塊,用于對光伏組件el缺陷檢測模型進行測試優(yōu)化,確定最佳的光伏組件el缺陷檢測模型;

8、缺陷檢測模塊,用于對光伏組件el缺陷進行識別檢測,確定光伏組件el缺陷檢測結(jié)果;

9、數(shù)據(jù)管理模塊,用于對光伏組件el特征圖像及光伏組件el缺陷進行顯示,且對分類后的有缺陷的光伏組件和無缺陷的光伏組件的信息進行存儲,存儲所有經(jīng)過檢測的光伏組件信息。

10、優(yōu)選的,所述圖像采集模塊包括:

11、光源照明單元,用于提供合適的光源,對待拍攝的光伏組件進行照明;

12、圖像獲取單元,用于采用高分辨率的工業(yè)相機對光伏組件進行拍攝,獲取清晰、準確的基于機器視覺的光伏組件el實時圖像。

13、優(yōu)選的,所述圖像處理模塊包括:

14、圖像濾波單元,用于對光伏組件el實時圖像進行濾波處理;

15、獲取基于機器視覺的光伏組件el實時圖像;

16、基于中值濾波器,對光伏組件el實時圖像進行濾波處理;

17、將光伏組件el實時圖像分為多個塊,并對每個塊內(nèi)的像素取中值;

18、如果某個像素值落在均值附近,則認為它是圖像中的真實值,否則,將該像素視為噪聲并予以忽略;

19、圖像增強單元,用于對光伏組件el實時圖像進行增強處理;

20、獲取濾波處理后的光伏組件el實時圖像;

21、對濾波處理后的光伏組件el實時圖像進行增強處理;

22、基于自適應(yīng)直方圖均衡化的方法,提高光伏組件el實時圖像中相鄰像素之間的差異,增加光伏組件el實時圖像的可讀性和對比度;

23、特征提取單元,用于對光伏組件el實時圖像進行特征提??;

24、獲取增強處理后的光伏組件el實時圖像;

25、對增強處理后的光伏組件el實時圖像進行特征提??;

26、確定出基于機器視覺的光伏組件el特征圖像。

27、優(yōu)選的,圖像增強單元,包括:

28、圖像塊提取模塊,用于提取所述光伏組件el實時圖像對應(yīng)的多個圖像塊;

29、灰度參數(shù)值獲取模塊,用于根據(jù)每個圖像塊中所包含的像素塊的灰度值,獲取每個圖像塊對應(yīng)的灰度參數(shù)值;其中,所述灰度參數(shù)值通過如下公式獲?。?/p>

30、

31、其中,j表示灰度參數(shù)值;n表示圖像塊所包含的像素塊的個數(shù);hi表示第i個像素塊對應(yīng)的灰度值;hp表示圖像塊對應(yīng)的灰度平均值;hz表示圖像塊所包含的所有像素塊對應(yīng)的灰度中值;

32、相鄰灰度參數(shù)值獲取模塊,用于提取每個圖像塊對應(yīng)的相鄰圖像塊的灰度參數(shù)值;

33、目標灰度值獲取模塊,用于根據(jù)所述每個圖像塊對應(yīng)的相鄰圖像塊的灰度參數(shù)值獲取每個圖像塊中所包含的像素塊的目標灰度值;

34、灰度值調(diào)整模塊,用于按照每個圖像塊中所包含的像素塊對應(yīng)的目標灰度值對每個像素塊進行灰度值調(diào)整,獲取所有像素塊完成灰度值調(diào)整的圖像塊;其中,所述所有像素塊完成灰度值調(diào)整的圖像塊即為完成圖像增強處理的圖像塊。

35、優(yōu)選的,目標灰度值獲取模塊,包括:

36、灰度參數(shù)值信息提取模塊,用于提取每個圖像塊所對應(yīng)的相鄰圖像塊的灰度參數(shù)值;

37、灰度值調(diào)節(jié)系數(shù)獲取模塊,用于根據(jù)所述每個圖像塊所對應(yīng)的相鄰圖像塊的灰度參數(shù)值獲取每個圖像塊對應(yīng)的灰度值調(diào)節(jié)系數(shù);其中,所述灰度值調(diào)節(jié)系數(shù)通過如下公式獲?。?/p>

38、

39、其中,f表示每個圖像塊對應(yīng)的灰度值調(diào)節(jié)系數(shù);m表示每個圖像塊所相鄰的圖像塊的個數(shù);ji表示第i個相鄰的圖像塊對應(yīng)的灰度參數(shù)值;jd表示當前圖像塊的灰度參數(shù)值;jp表示m個相鄰像素塊對應(yīng)的灰度參數(shù)值的平均值;

40、灰度值參數(shù)信息提取模塊,用于提取每個圖像塊中所包含的像素塊的灰度值;

41、目標灰度值獲取執(zhí)行模塊,用于根據(jù)所述每個圖像塊對應(yīng)的灰度值調(diào)節(jié)系數(shù)結(jié)合每個圖像塊中所包含的像素塊的灰度值獲取每個像素塊對應(yīng)的目標灰度值;其中,所述目標灰度值通過如下公式獲取:

42、

43、其中,hm表示像素塊對應(yīng)的目標灰度值;h0表示像素塊的灰度值;f表示每個圖像塊對應(yīng)的灰度值調(diào)節(jié)系數(shù);hz表示圖像塊所包含的所有像素塊對應(yīng)的灰度中值。

44、優(yōu)選的,所述模型訓練模塊包括:

45、圖像收集單元,用于收集光伏組件el缺陷歷史圖像;

46、根據(jù)光伏組件el缺陷檢測需求,收集大量的基于暗斑、電流不均、斷柵、黑斑、絨絲、se偏移、碎片、線狀隱裂、虛印、枝狀隱裂、黑片、無效片、清晰痕跡、混檔明暗片的光伏組件el缺陷歷史圖像;

47、基于光伏組件el缺陷歷史圖像作為模型訓練樣本;

48、樣本劃分單元,用于對光伏組件el缺陷歷史圖像進行劃分;

49、獲取光伏組件el缺陷歷史圖像;

50、對光伏組件el缺陷歷史圖像進行劃分;

51、確定出訓練集及測試集;

52、模型構(gòu)建單元,用于構(gòu)建光伏組件el缺陷檢測模型;

53、根據(jù)光伏組件el缺陷檢測需求,選擇適用于光伏組件el缺陷檢測的模型架構(gòu);

54、基于訓練集,對選擇的適用于光伏組件el缺陷檢測的模型架構(gòu)進行訓練;

55、確定出基于深度學習的光伏組件el缺陷檢測模型。

56、優(yōu)選的,所述測試優(yōu)化模塊包括:

57、性能測試單元,用于對光伏組件el缺陷檢測模型進行性能測試;

58、獲取基于深度學習的光伏組件el缺陷檢測模型;

59、基于測試集,對光伏組件el缺陷檢測模型進行性能測試;

60、確定出基于光伏組件el缺陷檢測模型的性能測試結(jié)果;

61、優(yōu)化調(diào)整單元,用于對光伏組件el缺陷檢測模型進行優(yōu)化調(diào)整;

62、獲取基于光伏組件el缺陷檢測模型的性能測試結(jié)果;

63、對基于光伏組件el缺陷檢測模型的性能測試結(jié)果進行深入挖掘及分析;

64、確定出基于光伏組件el缺陷檢測模型的優(yōu)化調(diào)整方案;

65、基于優(yōu)化調(diào)整方案,對光伏組件el缺陷檢測模型進行優(yōu)化調(diào)整;

66、確定出最佳的光伏組件el缺陷檢測模型。

67、優(yōu)選的,所述缺陷檢測模塊包括:

68、圖像提取單元,用于提取基于機器視覺的光伏組件el特征圖像;

69、根據(jù)光伏組件el缺陷檢測需求,對基于機器視覺的光伏組件el特征圖像進行提??;

70、缺陷檢測單元,用于對光伏組件el缺陷進行識別檢測;

71、獲取最佳的光伏組件el缺陷檢測模型;

72、基于最佳的光伏組件el缺陷檢測模型,對光伏組件el特征圖像進行光伏組件el缺陷識別檢測;

73、確定出基于深度學習的光伏組件el缺陷檢測結(jié)果;

74、基于光伏組件el缺陷檢測結(jié)果,采用標識框標注出光伏組件el缺陷區(qū)域及其對應(yīng)種類;

75、閾值調(diào)節(jié)單元,用于對閾值接口進行調(diào)節(jié),調(diào)節(jié)檢測精準程度;

76、根據(jù)實際的工業(yè)需求,對不同類型的光伏組件el缺陷設(shè)置不同的檢測閾值及靈敏度,對閾值接口進行調(diào)節(jié),調(diào)節(jié)檢測精準程度。

77、優(yōu)選的,所述數(shù)據(jù)管理模塊包括:

78、圖片顯示單元,用于顯示光伏組件el特征圖像;

79、其中,光伏組件el缺陷檢測時,顯示檢測完成的光伏組件el特征圖像,并根據(jù)光伏組件el缺陷檢測情況自動實時更新;

80、其中,光伏組件el缺陷檢測停止時,根據(jù)用戶需求,顯示滿足用戶需求的光伏組件el特征圖像;

81、缺陷顯示單元,用于顯示光伏組件el缺陷的相關(guān)信息;

82、光伏組件el缺陷檢測時,自動實時更新顯示檢測的光伏組件el缺陷的相關(guān)信息;

83、用戶控制單元,用于設(shè)置光伏組件el缺陷檢測參數(shù)及檢測選擇;

84、其中,光伏組件el缺陷檢測包含全種類缺陷檢測和單類缺陷檢測;

85、用戶根據(jù)想要檢測的缺陷種類進行單類缺陷檢測;

86、其中,光伏組件el缺陷檢測參數(shù)為0.25-1.00,參數(shù)值越大,對缺陷的篩選越嚴格。

87、優(yōu)選的,所述數(shù)據(jù)管理模塊還包括:

88、數(shù)據(jù)顯示單元,用于光伏組件el缺陷檢測時,篩選出含有缺陷的光伏組件,并將其圖片文件名和全部的缺陷信息實時更新顯示,以供查看;

89、數(shù)據(jù)分類單元,用于將有缺陷的光伏組件和無缺陷的光伏組件的信息進行分類,用戶根據(jù)需要進行查詢,其中,按照日期進行分類整理;

90、數(shù)據(jù)存儲單元,用于對分類后的有缺陷的光伏組件和無缺陷的光伏組件的信息進行存儲,存儲所有經(jīng)過檢測的光伏組件信息。

91、與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果是:

92、1、本發(fā)明通過采集基于機器視覺的光伏組件el實時圖像,對光伏組件el實時圖像進行處理,確定光伏組件el特征圖像,根據(jù)光伏組件el缺陷檢測需求,構(gòu)建基于深度學習的光伏組件el缺陷檢測模型,對光伏組件el缺陷檢測模型進行測試優(yōu)化,確定最佳的光伏組件el缺陷檢測模型,基于最佳的光伏組件el缺陷檢測模型,對光伏組件el缺陷進行識別檢測,確定光伏組件el缺陷檢測結(jié)果,采用標識框標注出光伏組件el缺陷區(qū)域及其對應(yīng)種類。

93、2、本發(fā)明可對光伏組件el特征圖像及光伏組件el缺陷進行顯示,且對分類后的有缺陷的光伏組件和無缺陷的光伏組件的信息進行存儲,存儲所有經(jīng)過檢測的光伏組件信息,可對光伏組件el缺陷進行較好地定位和分類,能有效識別各種類型的光伏組件el缺陷,使得檢測準確性高,且能快速處理大量的光伏組件el缺陷圖像,使得檢測時間短,可提升缺陷檢測效率。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
伊川县| 都匀市| 新竹市| 疏附县| 石景山区| 玉门市| 会昌县| 大姚县| 平泉县| 安溪县| 桐庐县| 砚山县| 东阿县| 安阳县| 宜章县| 天长市| 东山县| 昭苏县| 龙江县| 临澧县| 五大连池市| 开平市| 柳河县| 雷波县| 泊头市| 丰台区| 静乐县| 青浦区| 会宁县| 桓仁| 泽普县| 东兰县| 枣阳市| 屯昌县| 旌德县| 乐山市| 张家港市| 桓台县| 稻城县| 镇宁| 永登县|