公开(公告)号：CN116433633A

公开(公告)日：2023-07-14

申请号：CN202310411951.7

申请日：2023-04-18

Applicant: 河北工业大学

Inventor： 陈海永 ,  吴文箫 ,  李佳奇 ,  王世杰

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明为基于知识蒸馏的光伏电池类增量缺陷检测方法，首先建立光伏电池基类别缺陷数据集，构建原缺陷检测模型并对模型进行训练；然后，建立光伏电池新类别缺陷数据集；将训练后的原缺陷检测模型作为教师模型，学生模型与教师模型的架构相同，利用教师模型的参数对学生模型进行初始化；最后，将光伏电池新类别缺陷数据集同时输入到教师模型和初始化后的学生模型中，基于知识蒸馏对学生模型进行增量训练，将训练后的学生模型作为最终的缺陷检测模型，用于光伏电池的缺陷检测；当待检测的缺陷类别增加时，重复建立光伏电池新类别缺陷数据集并对学生模型进行重新训练。当待检测缺陷类别增加时，对学生模型进行增量训练，使模型具备持续学习的能力，在不牺牲模型检测性能的同时降低时间成本。

公开(公告)号：CN116664549A

公开(公告)日：2023-08-29

申请号：CN202310781895.6

申请日：2023-06-29

Applicant: 河北工业大学

Inventor： 陈海永 ,  李佳奇 ,  吴文箫 ,  赵参参 ,  宋梦园

IPC: G06T7/00 ,  G06V10/80 ,  G06N3/0464 ,  G06V10/82 ,  G06V10/766 ,  G06V10/774

Abstract: 本发明公开一种基于特征感知的光伏电站热斑缺陷检测方法，该方法采用的缺陷检测模型中融合了自行设计的AFNF模块和FPA模块，AFNF模块可以在浅层和深层之间根据特征之间的相关性自适应的集成不同尺度的信息，提取小目标的双向上下文特征信息，可以更有效的突出微小缺陷的特征，改善模型对于微小缺陷的检测效果；FPA模块使网络达到更好的训练效果，同时又可以捕获更多微小缺陷的结构信息与特征表示，然后通过全连接层去在每个通道之间进行建模，自适应的重新加权通道特征以提高特征的利用率，在突出目标缺陷特征的同时抑制背景信息。该方法对于热斑缺陷检测的精确率与召回率较高，可以有效的避免漏检与误检。

公开(公告)号：CN116758001A

公开(公告)日：2023-09-15

申请号：CN202310517669.7

申请日：2023-05-10

Applicant: 河北工业大学

Inventor： 宋梦园 ,  陈海永 ,  谭江恒 ,  吴文箫 ,  史世杰 ,  李佳奇

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/44 ,  G06V10/52 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明为一种太阳能电池片外观缺陷检测方法，该方法使用的模型包括多尺度特征提取网络、跨级并行特征融合网络和分类回归网络；多尺度特征提取网络由多个多尺度残差特征提取模块串接而成，倒数第三、二、一个多尺度残差特征提取模块输出的特征图为多尺度特征提取网络得到的多尺度特征图；跨级并行特征融合网络在横向上分为两个阶段，在纵向上分为三个并行分支，每个分支的信息相互融合，使特征的表达能力更强。多尺度特征提取网络可以保留不同尺度的缺陷特征，避免随着网络的伸入，池化、卷积等操作导致微小微弱缺陷信息丢失；跨级并行特征融合网络结合了浅层和深层之间的双向多尺度特征，同样防止浅层特征中的微小微弱缺陷信息在特征融合过程中丢失，因而提高了模型对光伏电池片外观中微小微弱缺陷的检测能力。

公开(公告)号：CN116630285A

公开(公告)日：2023-08-22

申请号：CN202310629870.4

申请日：2023-05-31

Applicant: 河北工业大学

Inventor： 陈海永 ,  吴文箫 ,  李佳奇 ,  王世杰

IPC: G06T7/00 ,  G06V10/44 ,  G06T7/194 ,  G06T7/11 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明为基于显著性特征分级蒸馏的光伏电池类增量缺陷检测方法，包括：建立光伏电池旧类别缺陷数据集；构建缺陷检测模型并训练，将训练后的缺陷检测模型作为原缺陷检测模型；建立光伏电池新类别缺陷数据集；将原缺陷检测模型作为教师模型，学生模型与教师模型的架构相同，学生模型的输出维度为缺陷新类别和旧类别的数量之和，对教师模型和学生模型进行显著性特征分级蒸馏，将光伏电池新类别缺陷数据集同时输入到教师模型和初始化后的学生模型中，基于知识蒸馏对学生模型进行增量训练，利用最小化上述的损失训练学生模型；将训练后的学生模型作为最终的缺陷检测模型，用于光伏电池的缺陷检测。满足质检对检测模型快速更新迭代、快速部署的需求。

公开(公告)号：CN116363113A

公开(公告)日：2023-06-30

申请号：CN202310368434.6

申请日：2023-04-10

Applicant: 河北工业大学

Inventor： 陈海永 ,  李佳奇 ,  宋梦园 ,  吴文箫

IPC: G06T7/00 ,  G06V10/80

Abstract: 本发明为基于改进YOLOv7模型的光伏电池组件缺陷检测方法，该方法对YOLOv7模型的特征融合部分进行改进，特征提取和分类回归部分保持不变；在原始YOLOv7模型的特征融合部分嵌入全局通道与空间上下文信息模块，同时添加两条跨尺度融合支路，在浅层和深层特征进行融合时对每个输入的特征赋予一个可学习的权重，再将赋予权重的特征进行拼接，得到缺陷检测模型，并将训练后的缺陷检测模型用于光伏电池组件缺陷检测。从通道和空间维度捕捉全局上下文信息，建立各个通道之间以及各个像素之间的联系，从而突出微小微弱缺陷的特征信息，同时在浅层特征融合时加入深层信息，在深层特征融合时加入浅层信息，从而弥补在信息传递过程中丢失的语义信息以及细节信息，改善检测的定位效果以及分类效果。