基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

太阳能光伏电池缺陷检测

太阳能是一种极具吸引力的替代电力能源,太阳能光伏电池是太阳能发电系统的基础。太阳能光伏电池中的各类缺陷严重影响光伏电池的光电转化效率和使用寿命。为有效地检测出这些缺陷,提出了一种基于块数据删除模型的缺陷检测方法。首先,对太阳能光伏电池图像进行傅里叶变换去除母线并调节亮度和对比度,然后将图像分块,通过块数据删除模型找出去除母线后的图像中所有的异常块,并将这些异常块全部剔除,利用余下的图像块通过非线性回归模型重建图像的背景。最后,用待检图像与得到的背景图像作差以突出缺陷区域,达到缺陷检测的目的。实验结果表明,所提出的方法能够有效地检测出太阳能光伏电池中多种类型的缺陷,如隐裂、断栅和碎片等。用该方法对313幅太阳能光伏电池图像进行实验,其中158幅无缺陷图像均未检测出缺陷,而另外155幅含有隐裂、断栅等缺陷的图像,仅有5幅出现误检,缺陷检测率达96.77%。     

基于超分辨注意力机制改进的GIS内部细微缺陷X-DR图像检测方法

为了解决气体绝缘开关设备内部细微缺陷X-DR成像重影雾化、纹理不清晰、易造成误诊断等问题,提出一种基于超分辨率注意力机制改进的气体绝缘开关(gas insulated switchgear,GIS)内部细微缺陷X-DR图像检测算法.该方法以高效亚像素卷积神经网络为框架,引入双层计算机注意力机制SE模块,构成新颖的SE-ESPCN超分辨率网络.通过对GIS设备X-DR图像通道重要程度进行评判,赋予图像卷积层不同的权重,以增强图像故障细节的成像效果.实验结果表明:SE模块与亚像素卷积神经网络的融合,不仅保障了GIS设备故障区域成像的实时性,而且算法输出的高分辨率X-DR图像缺陷细节清晰可见,便于观察,提高了工作人员对缺陷检测的效率与准确性,为实际工程中GIS设备X-DR成像系统改良提供了一定的参考.     

光伏电站晶硅组件缺陷形成机理与检测技术

针对我国光伏电站在晶硅光伏组件运行维护过程中存在的实际情况,分析了晶硅光伏组件缺陷形成机理,提出了一种适用于现场应用的缺陷光伏组件检测方案。检测方案包括红外热成像排查、绝缘电阻测试、EL测试和光伏组件I-V特性测试四部分。通过该检测方案能够有效鉴别光伏组件缺陷的产生原因,及其对发电性能的影响程度。该方案对提高光伏电站运行维护效率、规范光伏电站施工安装操作和改进光伏组件生产厂家制造工艺具有重要意义。     

一种基于光流和人类视觉特性的图像自适应增强算法

介绍了一种基于光照射和人类视觉特点的图像内容分析的非线性的图像增强方法,根据光照反射分量。分割图像内容为背景和细节,从而在背景区进行全局对比度增强,依据边缘保护和噪声抑制的纹理增强方法增强图像局部对比度,最后根据图像的光学特性,将增强的背景和纹理进行融合。该方法能够显著提高图像明亮区域和黑暗区域的可视细节。常规方法的过饱和、增强不够、噪声放大、细节丢失等缺点都被克服而有不影响增强效果,同时该方法实现简单,运算量适中,适合硬件实现。     

基于图像融合分割的实木地板表面缺陷检测方法

针对实木地板表面缺陷检测速度慢、精确度低的问题,设计了实木地板视觉检测分选系统,并提出一种基于图像融合的区域生长分割方法。分割方法首先提取缺陷的R分量图像并进行图像缩小,在低维图像空间内运用区域生长方法完成缺陷的快速定位;利用梯度信息插值对缩小图像进行放大复原,并对缺陷进行标记生成参考图像;应用小波变换检索标记参考图像的边缘,以边缘像素点为种子在原图像进行禁忌快速搜索,实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行了缺陷在线测试,平均分割时间为13.21 ms,缺陷分割区域的准确率达到96.8%。     

基于自适应软阈值和边缘增强的图像去噪

目前图像的去噪和边缘细节的保留是图像去噪中存在的2个大问题,该文提出使用边缘检测的方法检测出图像的边缘和纹理细节,对检测出的边缘和纹理细节图像进行处理后,将它和含噪图像分别进行小波变换,然后将其小波系数对应叠加,最后对叠加之后的小波系数进行小波自适应软阈值去噪。由于在软阈值去噪前叠加了边缘信息,因此边缘和细节部分得到了增强,虽然在阈值处理过程中由于边缘和细节均处于高频部分,在随后的软阈值去噪过程中存在被平滑的危险,但是增强后边缘和纹理的小波系数的幅值被放大,在阈值处理时可以得以保留。实验证明该方法比较wiener滤波在视觉效果和信噪比方面都有较大的改善,同时该方法比传统软阈值滤波,在视觉效果相差不大的情况下信噪比也有1~2个dB的提高。     

基于立体视觉分析的显著性区域检测算法

针对传统单目视觉显著性模型存在细节丢失,不适用于复杂场景等问题,提出一种基于立体视觉分析的显著性区域检测算法。首先,采用基于图的分割方法将图像分割成不同区域,根据颜色和视差以及空间相干性计算颜色复杂度和视差复杂度。其次,对两者进行显著性聚合,计算像素对比度从而得到区域对比度。最后,引用视差信息计算局部对比度后,进行融合归一化,获得显著图。该算法适用于背景纹理复杂的立体图像显著性区域检测,检测的显著图细节突出,边缘锐利。实验结果表明,该算法优于其他显著性算法,符合人类视觉机制,在立体图像数据集上获得了75%正确率和88%召回率。     

基于数据融合的图像边缘检测算法研究

提出了一种基于数据融合的图像边缘检测算法。该算法对原始图像分别采用Canny算子和小波变换两种方法进行边缘提取,再将两种方法结果通过数据融合的手段获得一幅新的边缘图像。实验证明,融合后的图像边缘包含了原始图像丰富的细节信息和较完整的轮廓,该算法优于单独采用Canny算子所获得的边缘图像,是一种有效的图像边缘检测方法。     

基于改进显著性模型的TFT-LCD面板缺陷检测

在薄膜晶体管液晶显示器(TFT-LCD)面板缺陷检测中,周期性的背景纹理和缺陷可用基于谱残差的显著性模型进行分离,但该模型对缺陷大小敏感。本研究对该模型进行改进,将其用于检测由面板图像二维离散傅里叶变换(DFT)获得的能量谱中的高能量成分,并将该部分消除,再经过二维离散傅里叶逆变换(IDFT)对图像重构,达到去除空域图像周期性纹理和保留缺陷的目的。其中,模型的中均值滤波器窗口的大小、邻域的大小和能量谱中心高能量保护区域的大小可由处理后图像灰度共生矩阵的逆差矩确定。实验结果表明,在固定参数的条件下,改进后的模型对包含纤维、污渍和划痕的TFT-LCD面板缺陷均能正确检测,结果不受缺陷大小和灰度值以及面板周期性纹理方向的影响。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息。人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判。采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别定位出来。根据设备部件表面温度范围值和识别定位出的变电站设备类型,结合相关温度规范实现电力设备红外图像缺陷检测。实验结果表明,该方法提高了电力设备红外图像缺陷检测的检测精度,为电力设备红外图像智能检测提供了新的思路。     

基于IHS变换与自适应区域特征的遥感图像融合算法

当前较多遥感图像融合算法主要通过独立像素点的像素特征来完成图像子带的融合,忽略了图像子带的区域相关性,导致融合图像存在不连续以及模糊效应等不足。因此,设计了IHS变换耦合自适应区域特征的遥感图像融合算法。引入IHS(intensity, hue, saturation)变换,对多光谱(MS)图像进行分解获取强度分量,将其与全色(PAN)图像进行融合。再通过非下采样Contourlet变换(NSCT)对PAN图像与强度分量进行子带分解,获取高、低频子带信息。并利用图像的区域能量以及区域空间特征,对低频子带融合模型的调节因子进行自适应整定,使得融合低频子带能够包含更多的空间信息。基于图像的区域方差特征来构建高频子带融合模型,使得融合高频子带能够包含更多的纹理信息。实验结果表明,与当前遥感图像融合算法相比,所提算法的融合图像具有更好地光谱特性以及空间特性。     

基于改进Faster R-CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA-Faster R-CNN的缺陷检测精度提升到了83.29%,证明了所提方法的有效性。     

基于Mask R-CNN的复合绝缘子过热缺陷检测

针对当前基于复合绝缘子红外图的过热缺陷检测技术中存在的工作量大、智能化程度低,以及传统的图像分割方法在复杂背景下分割不精确且泛化性能差的问题,提出了一种基于实例分割网络Mask R-CNN的复合绝缘子过热缺陷检测方法。首先,该方法为提高分割精度,借鉴Cascade R-CNN的思路对Mask R-CNN网络进行改进,并在模型训练中使用数据增强、迁移学习等方法提升网络表现。接着,该方法对深度分割网络得到的结果使用传统图像处理的骨架化等方法做进一步优化,使得最终的分割结果只覆盖复合绝缘子芯棒部分。最后,该方法直接读取红外图中自带的温度数据并转换成实际的温度值,根据DL/T664-2016《带电设备红外诊断应用规范》中的相关方法与标准实现对过热缺陷的等级判断。研究结果表明,该文提出的算法对出现严重缺陷及紧急缺陷的复合绝缘子红外图检测准确率较高,都是100%,而无过热缺陷或者一般缺陷的红外图会出现误检现象,总体上在测试集的缺陷检测中取得了93%的准确率。     

PSO_SVM算法在太阳能电池板裂缝缺陷检测研究

针对太阳能电池板在生产过程中出现的裂缝问题,在太阳能电池板缺陷数据集有限的条件下,提出应用粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machines,SVM)的太阳能电池板裂缝缺陷检测算法。首先,为减少图像采集过程中由电致发光(electroluminescence,EL)检测产生的光照分布不均影响,对太阳能电池板组件图像进行Retinex增强处理;其次,在频域上利用Gabor变换对图像进行纹理特征提取,以获取裂缝特征;最后,将各个太阳能电池板组件的纹理特征经主成分分析法(principal component analysis,PCA)降维后输入到PSOSVM系统中进行分类识别。应用该方法对600幅太阳能电池板EL图像进行实验,仅有1幅出现误检,分类识别准确率为99.33%。将该算法与决策树分类、极限学习机、卷积神经网络及SVM算法进行对比实验,PSOSVM获得最高识别准确率。     

基于深度学习的红外过采样扫描图像小目标跟踪算法

红外小目标跟踪过程中由于背景、外界杂波等干扰,导致跟踪精确度和实时性欠佳,为此,提出基于深度学习的红外过采样扫描图像小目标跟踪算法。首先构建了红外过采样扫描图像模型,通过背景估计、形态学开运算,对图像中背景以及外界杂波进行多级滤除;然后增加设计特征融合模块和区域选取模块来改进孪生网络,生成融合特征图输入目标区域,通过分类和回归计算提高图像的特征表征能力和跟踪精度;最后建立损失函数训练孪生网络,输出红外过采样扫描图像小目标跟踪结果。实验结果表明,利用所提算法进行图像滤除后,信噪比能够高达35 dB,所提算法的区域重叠率较高、跟踪精度高,且算法的实时性强,帧率达到200 fps以上,整体跟踪效果好。     

基于FAMGAN的轮胎X光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。 首先,通过 Retinex 算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息 的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并 对两个部分进行特征融合,实现缺陷显著性增强。 通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值 分割算法分割缺陷显著图,从而得到缺陷检测结果。 利用公开数据集 TILDA 和 BASLER 工业相机采集到的网状织物缺陷图 像验证了算法的性能。 研究表明,与其他算法相比,本文算法的识别准确率达到 94. 25%,召回率达到 92. 48%,分类准确率 达到 90. 12%。     

基于非下采样Contourlet变换耦合特征选择机制的可见光与红外图像融合算法

为了克服当下较多可见光与红外图像融合方法因忽略了光谱特征而导致融合图像存在光谱扭曲、目标内容显著度较差等不足,提出了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT)耦合特征选择机制的图像融合算法。首先,通过NSCT对可见光与红外图像计算,分离出其不同图像系数。然后,利用信息熵函数,度量图像所含信息量的丰富度,以形成低频系数的融合系数,得到富含红外目标等丰富信息的融合低频系数。采用像素点的邻点信息,度量图像的清晰度特征,并引入均值函数,度量图像的光谱特征,再联合图像的清晰度特征,构造特征选择机制,从图像中选择理想的高频系数融合函数,获取兼顾细节特征和光谱特征的融合高频系数。最后,通过实验结果发现,较现有的融合算法而言,所提算法拥有更好的融合质量,更好地保持了图像的光谱特征,且目标内容显著。