-
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：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％。
-
公开(公告)号：CN111553433B
公开(公告)日：2023-04-18
申请号：CN202010364878.9
申请日：2020-04-30
Applicant: 河北工业大学
IPC: G06V10/764 , G06T7/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/088 , G01N21/88
Abstract: 本发明公开一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，该方法基于多尺度卷积特征融合网络模型，该模型引入了跨通道深度卷积，分别在原始图像的三通道上进行卷积，加强了模型的光谱不变性。还引入了具有不同感受野大小的多尺度卷积，加强了模型多尺度特征表达能力。对于每张图片都提取三通道及其标签作为模型输入值进行训练，同时还引入maxout刺激了不同神经元之间的竞争，提高了网络的学习能力，增强模型的非线性拟合能力，大幅提升了网络在多类别锂电池片表面缺陷数据集上的分类精确度及速度。
-
Patent Agency Ranking
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％。
-
公开(公告)号：CN111553433A
公开(公告)日：2020-08-18
申请号：CN202010364878.9
申请日：2020-04-30
Applicant: 河北工业大学
Abstract: 本发明公开一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，该方法基于多尺度卷积特征融合网络模型，该模型引入了跨通道深度卷积，分别在原始图像的三通道上进行卷积，加强了模型的光谱不变性。还引入了具有不同感受野大小的多尺度卷积，加强了模型多尺度特征表达能力。对于每张图片都提取三通道及其标签作为模型输入值进行训练，同时还引入maxout刺激了不同神经元之间的竞争，提高了网络的学习能力，增强模型的非线性拟合能力，大幅提升了网络在多类别锂电池片表面缺陷数据集上的分类精确度及速度。
-
公开(公告)号：CN109376792A
公开(公告)日：2019-02-22
申请号：CN201811317466.9
申请日：2018-11-07
Applicant: 河北工业大学
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：CN109447978B
公开(公告)日：2021-11-02
申请号：CN201811330450.1
申请日：2018-11-09
Applicant: 河北工业大学
Abstract: 本发明为一种光伏太阳能电池片电致发光图像缺陷分类方法，该方法步骤是：第一步：获取光伏太阳能电池电致发光图像；第二步：图像分块；第三步：用特征描述子描述每个图像块特征；第四步：用分类器进行训练测试。所述特征描述子为CS‑LBP特征描述子或CPICS‑LBP特征描述子。该方法通过将图像先进行分块处理，再通过特征描述子进行局部提取的方式获得图像特征，再结合分类器能很好地将EL图像进行分类。本发明方法尤其适用于检测裂纹、断栅，并在光伏电池片电致发光图像缺陷分类工程实践中取得了很好的效果。
-
公开(公告)号：CN109447978A
公开(公告)日：2019-03-08
申请号：CN201811330450.1
申请日：2018-11-09
Applicant: 河北工业大学
Abstract: 本发明为一种光伏太阳能电池片电致发光图像缺陷分类方法，该方法步骤是：第一步：获取光伏太阳能电池电致发光图像；第二步：图像分块；第三步：用特征描述子描述每个图像块特征；第四步：用分类器进行训练测试。所述特征描述子为CS-LBP特征描述子或CPICS-LBP特征描述子。该方法通过将图像先进行分块处理，再通过特征描述子进行局部提取的方式获得图像特征，再结合分类器能很好地将EL图像进行分类。本发明方法尤其适用于检测裂纹、断栅，并在光伏电池片电致发光图像缺陷分类工程实践中取得了很好的效果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
