-
公开(公告)号：CN110619146B
公开(公告)日：2023-02-14
申请号：CN201910737874.8
申请日：2019-08-12
Applicant: 河北工业大学
Abstract: 本发明公开基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法，该方法包括如下步骤：步骤1，结构相似性度量函数设计；步骤2，预处理待检测图像；步骤3，裂纹缺陷提取和定位。与现有技术相比，本发明的检测方法能够增强裂纹缺陷，抑制晶粒，从而提高裂纹缺陷和EL图像背景的对比度，获取一致均匀的背景，实现非均匀纹理背景下裂纹缺陷检测。
-
公开(公告)号：CN115170909A
公开(公告)日：2022-10-11
申请号：CN202210829265.7
申请日：2022-06-29
Applicant: 河北工业大学
IPC: G06V10/774 , G06V10/82 , G06T7/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于生成对抗网络的太阳能电池板缺陷样本生成方法，该陷样本生成方法采用改进型生成对抗网络，可以关注多尺度特征，提高生成器和判别器的性能，同时提高图像细节的清晰度。判别器D2为生成器提供信息量足够的多尺度梯度流，提高生成器的生成能力，保证网络的稳定性。判别器D1对生成图进行多尺度判别，提高判别器的判别能力。生成器可以返回多尺度特征图，经过判别器后进行的反向传播可以兼顾多尺度并且多次更新生成器和判别器的参数，实现对大尺度上明显特征和小尺度上微小特征的提取和生成。
-
公开(公告)号：CN109376792B
公开(公告)日：2022-02-18
申请号：CN201811317466.9
申请日：2018-11-07
Applicant: 河北工业大学
IPC: G06T7/00 , G06T7/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明为基于多通道残差神经网络的光伏电池外观缺陷分类方法，该方法基于多通道输入残差神经网络的深度学习算法来分类光伏电池外观缺陷，首先对采集的光伏电池片外观图像进行预处理；从目标图像中随机抽取20％作为测试样本集，对剩余目标图像进行人工分选，并添加标签，并将目标图像尺寸量化并提取目标图像中的多通道信息，从而分别得到固定尺度的训练样本集、验证样本集；将训练集输入残差神经网络，获得图像的多维输出特征值矩阵；根据提取到的多维特征值矩阵，将验证集图像特征载入softmax分类器中进行分类，将分类结果与标签进行对比，将测试数据和多维特征值矩阵，载入分类器，得到最终的分类。本申请准确率高，速度快。
-
公开(公告)号：CN113989267A
公开(公告)日：2022-01-28
申请号：CN202111337049.2
申请日：2021-11-12
Applicant: 河北工业大学
IPC: G06T7/00 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/764 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明为一种基于轻量级神经网络的电池缺陷检测方法，基于轻量级神经网络构建缺陷检测模型；缺陷检测模型以ShuffleNetV2为骨干网络，将精炼的跨阶段局部机制融合到ShuffleNetV2网络中，得到精炼跨阶段局部ShuffleNetV2网络，精炼跨阶段局部ShuffleNetV2网络中还融合了并行分组注意力模块；精炼跨阶段局部ShuffleNetV2网络的输出特征图再经过低层特征引导的融合模块后，输入到区域推荐网络中推荐区域，对推荐区域进行分类和回归，得到缺陷类别和位置。并行分组注意力模块实现浅层与深层特征融合，低层特征引导的融合模块扩大了感受野；该方法解决了轻量化网络检测效果不理想的问题。
-
公开(公告)号：CN109447977B
公开(公告)日：2021-05-28
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％。
-
Patent Agency Ranking
公开(公告)号：CN111784770A
公开(公告)日：2020-10-16
申请号：CN202010595948.1
申请日：2020-06-28
Applicant: 河北工业大学
Abstract: 本发明涉及基于SHOT和ICP算法的无序抓取中的三维姿态估计方法，该方法用于无序抓取过程中的物体位姿估计，以SHOT粗匹配方法为ICP精配准提供良好的初始位置，SHOT算法中M矩阵的构建，特征值分解，进而构建局部参考系；计算对应参考系下的拓扑特征，并将结果保存在直方图中，再对模型和场景点云对应的特征提取结果进行霍夫变换，剔除错误点对，解算得到最终的粗配准姿态估计结果；ICP算法最近点的寻找，协方差矩阵的构建以及使目标函数最小化的旋转矩阵和平移向量的求解，解决了传统ICP应用于由于工件反光，采集到存在孔洞的点云时，配准精度下降的问题。
-
公开(公告)号：CN111539949A
公开(公告)日：2020-08-14
申请号：CN202010401330.7
申请日：2020-05-12
Applicant: 河北工业大学
Abstract: 本发明利用一种基于点云数据的锂电池极片表面缺陷检测方法，有效利用缺陷的几何特征信息。提出了3D点云目标检测的检测网络，具有较强的实时性，能够适应锂电池极片表面各种缺陷大小的特征提取，同时降低了小目标缺陷对周围背景干扰信息敏感程度，从而增强了缺陷检测的稳定性。有利于保障锂电池生产环节安全，提升锂电池生产质量。
-
公开(公告)号：CN111476307A
公开(公告)日：2020-07-31
申请号：CN202010282872.7
申请日：2020-04-13
Applicant: 河北工业大学
Abstract: 本发明提出一种基于深度领域适应的锂电池表面缺陷检测方法，该方法在分类器中设计了一种基于最大均值差异MMD和KL散度等统计量的适应层，并在特征提取后设计了一个领域判别器用于对抗判别提取的特征来自于哪一个域。一方面两种方式互补机制能够使提取的两域公共特征更加充分，另一方面，基于统计量的适应层设计能够使目标域数据参与到分类器的训练中，从而使模型在目标域上有更好的泛化能力。模型在特征提取网络中设计了一个简单有效的多尺度特征融合策略，能够对细小缺陷有很好的识别效果。本发明拥有高效的检测效果而又缓解了深度学习对标签数据的依赖性，训练好的模型对目标域数据有更好的泛化能力。
-
公开(公告)号：CN111291814A
公开(公告)日：2020-06-16
申请号：CN202010094093.4
申请日：2020-02-15
Applicant: 河北工业大学 , 天津英利新能源有限公司
Abstract: 针对光伏电池EL图像裂纹缺陷识别技术的不足，本发明首先采用近红外相机采集光伏电池EL图像，像素为1024×1024；将采集的五分之四的EL图像处理为128×128像素的图像块，对图像块做人工标签，包含裂纹与非裂纹标签，构建训练集；将剩余的五分之一的EL图像作为测试集。本发明进行裂纹识别使用的是卷积神经网络，该网络的输入为128×128像素的EL图像块；测试时输入像素为1024×1024的EL图像，以滑动窗口方式经由神经网络计算输出裂纹的位置并以框标注，计算已标注裂纹的信息熵H值来判断已标注目标属于裂纹的真实性。
-
公开(公告)号：CN110517210A
公开(公告)日：2019-11-29
申请号：CN201910608523.7
申请日：2019-07-08
Applicant: 河北工业大学 , 天津爱普杰科技有限公司
Abstract: 本发明提供一种焊接区域多曝光图像采集装置与图像信息融合方法，该方法用于图像融合，完整表达焊区特征，首先将多曝光图像分别进行X方向与Y方向上的梯度计算，然后分别融合所有X方向与Y方向梯度幅值最大的梯度，以融合出完全表达所有曝光序列图像信息的梯度图，接着通过Haar小波梯度重建算法重构出融合图像，最后经过类Gamma校正与自适应直方图均衡化，得到最终融合图像，通过图像能够清晰的看到比任何一张多曝光源图像更清晰更丰富的细节信息，说明了梯度信息融合重建图像在细节保留方面具有的优势，而且已经基本上消除了熔池区域强烈的弧光影响，也消除了极暗与极亮的区域，能够很清晰的观察到焊枪、焊丝、熔池、结构光等信息，有助于进一步的特征提取与处理。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.031 seconds)
