Jul, 2023

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

PDF
TL;DR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。
solar photovoltaichot spotssnail trailsunsupervised sensing algorithms3d augmented reality
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

  • 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

  • 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

  • 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

  • 利用深度学习技术进行大型太阳能电站的自动化检查

    使用深度学习分析无人机拍摄的画面，是监控大规模太阳能电站中各个太阳能板的一种高效可靠且省电的替代方法，对于太阳能作为发展中国家主要的能源来源具有巨大意义。

    Dec, 2018

  • 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

  • 太阳能面板分割：自监督学习在不完美数据集上的应用

    采用自我监督学习（Self-Supervised Learning）的方法可以显著提高模型的泛化能力，在各种条件下减少对手动标注数据的依赖，为稳健且适应性强的太阳能板分割解决方案铺平了道路。

    Feb, 2024

  • 电致发光图像中缺陷光伏电池的自动分类

    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％。

    Jul, 2018

  • 光伏组件故障检测的 DTW K 均值聚类

    文章提出了一种基于 DTW K-means 的无监督方法，旨在对光伏电池组的严重故障进行检测。

    Jun, 2023

  • 基于 AI 的农业光伏场中阴影模型检测

    使用基于卷积神经网络与对抗性生成网络的最新技术，在农业光伏组合中成功检测出树影对植物生长、微气候和蒸散发的影响，但即使面临运动物体和实时监测等挑战，仍需要进一步针对性地开发更复杂的神经网络检测算法与控制系统整合，以提高生产力、增加农民的收益，并支持环境与土地保护。

    Apr, 2023