公开(公告)号：CN116797582A

公开(公告)日：2023-09-22

申请号：CN202310779302.2

申请日：2023-06-28

Applicant: 常州大学

Inventor： 邹凌 ,  杨尚瑜 ,  陈树越

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0985

Abstract: 本发明涉及一种基于改进Yolov7网络模型检测光伏电池缺陷的方法及装置，方法包括：在电致发光条件下采集光伏电池图像；利用预先训练的改进Yolov7网络模型对所述光伏电池图像进行识别，得到缺陷识别精度结果和缺陷位置识别结果；其中，所述改进Yolov7网络模型包括Backbone网络、Neck网络和Head网络，所述Backbone网络使用有倒残差结构和全维动态卷积的轻量化的ODM_block层，所述Neck网络添加有全维动态卷积ODConv层，所述Head网络使用Rep模块。本发明可以高效、准确地检测电池缺陷。

公开(公告)号：CN117689628A

公开(公告)日：2024-03-12

申请号：CN202311659949.8

申请日：2023-12-05

Applicant: 常州大学

Inventor： 邹凌 ,  杨尚瑜 ,  陈树越

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/764 ,  G06V10/40 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0895 ,  G06N3/096

Abstract: 本发明涉及一种基于半监督域自适应的光伏电池缺陷检测方法，包括：S1、训练Yolo‑ORG模型，生成预训练模型，所述Yolo‑ORG模型为改进的yolo网络模型，具体改进为：将Backbone网络中的C3模块替换为ORGhost模块，在Neck网络中的C3模块引入深度可分离卷积层，优化器更改为AdamW并训练；S2、光伏电池板电致发光数据集构建与预处理；S3、光伏电池板电致发光半监督网络模型构建；S4、利用训练集训练半监督网络模型；S5，利用训练好的半监督网络模型检测光伏电池板电致发光图片中的光伏电池缺陷。本发明可以利用少量已有标注数据提高模型在未标注数据集上的学习和适应能力，实现对新的光伏电池的准确检测。