-
公开(公告)号：CN114283137A
公开(公告)日：2022-04-05
申请号：CN202111596547.9
申请日：2021-12-24
Applicant: 河北工业大学
Abstract: 本发明公开基于多尺度特征图推理网络的光伏组件热斑缺陷检测方法，该检测方法基于改进型YOLOv4神经网络模型，在原模型中的特征融合部分加入自行设计的适用于光伏电站热斑缺陷检测的多尺度特征图推理模块，引导多尺度特征融合并突出显示缺陷位置区域抑制图像中的复杂背景特征，有效的提升对光伏组件热斑缺陷的识别能力。本发明检测方法将深度学习技术和图像处理技术相结合，不但避免了传统手工提取特征的低效性和不确定性，同时检测过程还具备较强的鲁棒性，明显提升了检测精度并且提升了检测速度。
-
公开(公告)号：CN113781466A
公开(公告)日：2021-12-10
申请号：CN202111106218.1
申请日：2021-09-22
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于多尺度注意力密集网络的太阳能电池板缺陷识别方法，包括：划分太阳能电池板缺陷图像、构建多尺度融合注意力机制的密集网络、训练阶段和测试阶段。本发明在原本的密集网络中加入空间组增强模块、多尺度融合思想以及注意力机制，使得改进后的网络针对太阳能电池板缺陷识别的准确率得到极大提升。采用多尺度融合，将不同层级中的特征聚合到一起提高了网络模型的表达能力，有效地提高了网络模型的识别准确率。在网络中注入注意力机制，使得网络能够专注于要识别的缺陷，抑制背景信息，解决类间相似性过高，难以辨别的问题。采用空间组增强策略，增强不同种类缺陷的特征，解决缺陷种类多。
-
公开(公告)号：CN113296520A
公开(公告)日：2021-08-24
申请号：CN202110575692.2
申请日：2021-05-26
Applicant: 河北工业大学
IPC: G05D1/02
Abstract: 本发明为融合A*与改进灰狼算法的巡检机器人路径规划方法，该方法包括以下内容：创建环境地图，运行A*算法，确定可行栅格节点的评价函数F(n)值；单独设置一个矩阵存放F(n)的数据，直到进行灰狼初始化之前，该矩阵的地址不能释放；比较起始点周围所有可行栅格的评价函数F(n)值，将评价函数F(n)值自大到小排列，并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼，其余可行栅格作为ω狼；运行改进灰狼算法，更新位置向量及拓展节点，遍历至终止点后，输出最优路径。该方法将灰狼算法的寻优机制与传统A*算法结合，一定程度上改善了传统A*算法在路径长度过长以及机器人运行过程中转折角度过大的问题。
-
公开(公告)号：CN107563990B
公开(公告)日：2021-05-04
申请号：CN201710577700.0
申请日：2017-07-15
Applicant: 河北工业大学 , 天津英利新能源有限公司
Abstract: 本发明提供的光伏电池片崩边及钝型和V型缺口的检测方法，对采集的每一帧图像进行图像校正、图像转换的预处理，可获取光伏电池片的目标图像；利用灰度顶帽变换，可获取只包含栅线部分的光伏电池片的图像，阈值分割，填充栅线部分，可消除栅线内部对缺陷检测的影响，获取只包含栅线部分的前景图像，阈值分割出背景图像，进行形态学闭运算操作处理，可填充崩边及钝型和V型缺口部分，将形态学处理后的背景图像和未经处理的背景图像做差分，可实现崩边及钝型和V型缺口的检测，克服了人工检测的不足，可有效提高光伏电池片缺陷检测精准度，对光伏产业有着巨大的应用价值。
-
公开(公告)号：CN107578409B
公开(公告)日：2020-10-16
申请号：CN201710836514.4
申请日：2017-09-16
Applicant: 河北工业大学 , 天津英利新能源有限公司
Abstract: 本发明通过对太阳能电池片图像采集提取，预处理和特征提取，实现断栅缺陷的检测和标记，可以缩短电池片的生产质量检测时间，降低工人的工作强度，提高生产线上的自动化程度，加快车间生产效率。具体采用在流水线生产上通过工业相机拍摄采集太阳能电池片图像，计算机收到图像信息进行处理，标记断栅缺陷所在位置，实现太阳能电池片表面断栅缺陷的检测。具有以下有益效果：1、提高工作效率。2、提高电池片检测质量。3、适合生产线在线分选。
-
Patent Agency Ranking
公开(公告)号：CN111598877A
公开(公告)日：2020-08-28
申请号：CN202010417852.6
申请日：2020-05-18
Applicant: 河北工业大学
Abstract: 本发明一种基于生成对抗网络的锂电池表面缺陷检测方法，主要用于软包锂离子电池表面图像缺陷检测。该方法根据高精度CMOS工业相机采集到的锂离子表面图像，利用生成对抗网络对其正常表面进行拟合。针对锂离子电池表面多种缺陷的检测，通过将预训练的生成器用于测试图像重构，并利用重构图像与测试图像进行差分操作，得到感兴趣区域；之后通过二值化差分图像，并进行连通域大小筛选，排除误检区域。通过以上所述方法，能够准确判断锂离子电池表面存在的缺陷区域，实现缺陷检测。
-
公开(公告)号：CN111598861A
公开(公告)日：2020-08-28
申请号：CN202010402886.8
申请日：2020-05-13
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法，该方法包括获取含有待检测缺陷的待检测对象的图像，并采用改进的Faster R-CNN模型对待检测对象的图像进行特征提取；所述改进的Faster R-CNN模型具体是，在VGG16网络结构的最后三个阶段通过嵌入残差互补注意力门模块的特征金字塔多尺度融合结构提取特征。改进后的Faster R-CNN模型以特征金字塔的方式从上到下整合各阶段的不同尺度和感受野的特征图信息，增强对不同类型缺陷的判别能力，尤其是对不同程度褶皱的判别能力显著提高，且显著提高整体的召回率，满足工业精度要求。残差互补注意力门模块能指导多尺度特征融合，以抑制复杂的背景信息，进而从全局捕获上下文信息以更准确的定位小缺陷。
-
公开(公告)号：CN110473806A
公开(公告)日：2019-11-19
申请号：CN201910632273.0
申请日：2019-07-13
Applicant: 河北工业大学 , 天津爱普杰科技有限公司
Abstract: 本发明提供的光伏电池视觉分拣的深度学习识别与控制方法，将基于深度学习的缺陷分类和检测方法与工业制造过程一体化，具有较高的智能性。本装置用深度学习来代替传统学习方法，具有较强的特征提取能力，尤其对于当背景干扰严重，传统方法难以识别出缺陷时。此外深度学习识别与控制装置能自动进行缺陷特征提取，提高处理速度，降低人工依赖性。
-
公开(公告)号：CN107185854B
公开(公告)日：2019-05-14
申请号：CN201710345329.5
申请日：2017-05-17
Applicant: 河北工业大学 , 天津英利新能源有限公司
Abstract: 本发明提供了一种基于RGB通道的光伏电池片色差检测及颜色分类的算法，该算法对采集的每一帧图像进行预处理，即进行阈值分析、边缘检测、仿射变换，再将目标图像分为4*4块，可实现光伏电池目标图像的获取；计算目标图像的RGB‑B通道颜色一阶矩，将RGB‑B通道颜色一阶矩量化为六段作为分类区间，设置临界分类点邻域，计算各图像之间的颜色一阶矩差值，可实现光伏电池色差的检测即光伏电池级别的判定；若RGB‑B通道颜色一阶矩在临界分类点邻域内，生成每块图像的颜色直方图，计算图像颜色一阶矩在对应类区间的概率值，计算颜色直方图的峰值对应类区间占整幅图像所有像素点数的比例值，比较上述概率值和比例值，可实现光伏电池颜色等级的最终分选。
-
公开(公告)号：CN109447977A
公开(公告)日：2019-03-08
申请号：CN201811298806.8
申请日：2018-11-02
Applicant: 河北工业大学
Abstract: 本发明为一种基于多光谱深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片外观缺陷检测，通过设计多光谱神经网络模型，加强了模型对多个光谱特征的提取的有效性和准确性，实现了特征与背景的去耦合；通过对缺陷在多个光谱中的表现特征进行分析，利用图像多光谱信息特征分离提取的方法，强化模型对多光谱图像信息特征的提取能力，对比于LBP+HOG-SVM和Gabor-SVM表面缺陷检测方法，设计的多光谱神经网络模型在三个指标(精度、召回率、F-测度)上都提升10％左右，而且可以有效的解决电池片表面背景纹理复杂、缺陷特征多样、形状随机的问题，缺陷识别的准确率达到94.30％。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.033 seconds)
