公开(公告)号：CN115546133A

公开(公告)日：2022-12-30

申请号：CN202211188238.2

申请日：2022-09-28

Applicant: 河北工业大学

Inventor： 周颖 ,  裴盛虎 ,  陈海永 ,  裘之亮 ,  刘坤 ,  颜毓泽

IPC: G06T7/00 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于改进的DCGAN的太阳能电池板缺陷样本生成方法，该改进的DCGAN利用全局判别器D1与局部判别器D2的双判别器结构对不同区域图像的判别，提高了生成样本细节的清晰度；在两个判别器结构中加入多感受野特征提取模块，实现了对输入样本中不同尺度缺陷特征的提取，确保了生成样本中缺陷的完整性；联合损失函数在参数更新时提供额外的多尺度特征图对比，加快了网络的训练和收敛速度，提高了生成器的生成能力。

公开(公告)号：CN108631727B

公开(公告)日：2019-08-09

申请号：CN201810250676.4

申请日：2018-03-26

Applicant: 河北工业大学

Inventor： 周颖 ,  葛延腾 ,  毛立 ,  张燕 ,  裘之亮 ,  王彤

IPC: G06T1/40 ,  G06N3/02 ,  H02S50/10

Abstract: 本发明涉及一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括模型离线训练和在线检测两个阶段，将卷积神经网络模型应用于太阳能电池板的缺陷识别上，使用2个CNN模型递进地实现了缺陷检测和分类。首先使用CNN二分类模型区分合格与缺陷图像，然后使用CNN多分类模型，对二分类模型判定为缺陷的图像进行分类。CNN模型对电池板的各种缺陷类型，都是采用相同的处理流程，即通过迭代训练，快速而自动进行特征提取和特征分类。对于新缺陷类型，只需收集该缺陷类型的样本数据，添加到训练用的数据集中并对模型进行训练，就能够实现该缺陷类型的检测。能够以较高的准确率快速识别出存在缺陷的小电池板的位置，并对多种缺陷进行类别判定，适用性更广。

公开(公告)号：CN108631727A

公开(公告)日：2018-10-09

申请号：CN201810250676.4

申请日：2018-03-26

Applicant: 河北工业大学

Inventor： 周颖 ,  葛延腾 ,  毛立 ,  张燕 ,  裘之亮 ,  王彤

IPC: H02S50/10

CPC classification number: H02S50/10

Abstract: 本发明涉及一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括模型离线训练和在线检测两个阶段，将卷积神经网络模型应用于太阳能电池板的缺陷识别上，使用2个CNN模型递进地实现了缺陷检测和分类。首先使用CNN二分类模型区分合格与缺陷图像，然后使用CNN多分类模型，对二分类模型判定为缺陷的图像进行分类。CNN模型对电池板的各种缺陷类型，都是采用相同的处理流程，即通过迭代训练，快速而自动进行特征提取和特征分类。对于新缺陷类型，只需收集该缺陷类型的样本数据，添加到训练用的数据集中并对模型进行训练，就能够实现该缺陷类型的检测。能够以较高的准确率快速识别出存在缺陷的小电池板的位置，并对多种缺陷进行类别判定，适用性更广。