Jul, 2018

电致发光图像中缺陷光伏电池的自动分类

PDF
TL;DR研究使用基于手工特征和基于深度卷积神经网络（CNN）的两种方法，在高分辨率电致发光（EL）图像中自动检测光伏电池的缺陷，其中 CNN 方法准确率达到 88.42％。
electroluminescencepv modulesautomatic defect detectionsupport vector machineconvolutional neural network
发现论文，激发创造
  • 一种可扩展的架构，用于在电致发光图像中标注光伏电池缺陷

    该研究提出一种结合最新的数据驱动技术的方法，用于自动检测光伏电池电子发光图像中的异常，并生成高级注释以降低标注成本。该方法具有适应各种光伏电池类型、成本效益高的微调和利用公共数据集生成高级标注的特点。通过在广泛使用的数据集中进行注释，标注成本降低了 60%。

    Dec, 2022

  • PV-S3：利用半监督语义分割技术提升光致发光图像自动光伏缺陷检测

    提出了一种用于光致发光图像的缺陷语义分割的 PV-S3（光伏半监督分割）半监督学习方法，通过使用少量标记图像和大量未标记图像训练深度学习模型 PV-S3，并引入一种新的半交叉熵损失函数，实现了在降低注释成本的同时提高了性能。

    Apr, 2024

  • 硬件受限设备和计算机视觉中光伏电池的微裂缝检测

    开发系统使用计算机视觉技术检测太阳能电池板的裂缝，以提前预测和警示光伏系统的潜在故障。

    Mar, 2024

  • 电致发光太阳电池图像缺陷检测预训练模型的大规模评估

    对太阳能电池缺陷检测中预训练方法的大规模评估和基准测试表明，特定预训练方案在低表示类别上实现卓越性能，为该领域中自监督和半监督训练技术的进一步研究提供了大型无标签电致发光图像数据集和标记的语义分割电致发光图像数据集。

    Feb, 2024

  • 揭示不可见之处：使用无监督感知算法和三维增强现实技术增强太阳能光伏电池模块老化区域的检测和分析

    本文提出了一种使用无监督传感算法和三维增强现实可视化来自动识别和分析太阳能光伏（PV）电池模块中的异常现象的方法，以增强效率并显著降低 PV 系统维护成本。

    Jul, 2023

  • 扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

    半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

    Aug, 2023

  • 高分辨率航空影像中太阳能光伏阵列的自动识别

    该研究提出了一种利用高分辨率卫星图像自动检测太阳能光伏板的计算机算法，可以高效缩短获取光伏板位置、大小等详细信息的时间，并且具有较高的像素表现力和目标检测能力，但对光伏板的精确测量还有进一步提高空间分辨率的潜力。

    Jul, 2016

  • 基于预防性维护的光伏系统故障检测和分类

    利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

    Jun, 2023

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • 大规模细胞电子显微镜自动图像分析：文献综述

    本文研究了大规模电子显微镜技术下生物医学图像分析的自动化方法和挑战，并讨论了近五年来在自动化人工智能计算机视觉、深度学习和软件工具方面所取得的进步，探讨了自动化图像获取与分析的整合，以实现毫米级纳米分辨率的高通量分析。

    Jun, 2022