基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。     

基于生成对抗网络的电能质量扰动数据增强方法

针对当前电能质量扰动自动识别受样本集的规模和质量影响较大及扰动数据匮乏的问题,提出一种在二维尺度上结合深度卷积生成对抗网络(deep convolutional generative adversarail networks, DCGAN)对电能质量扰动数据进行增强的方法。将典型扰动二维图像数据作为输入,以提高数据特征提取能力,再通过深度卷积生成对抗网络不断生成优化扰动数据,并选择验证集上取得最高AUC值的增强数据集进行电能质量扰动的识别测试。在某电网公司提供的真实数据集上进行测试,结果表明：基于DCGAN数据增强方法能生成较大规模、高质量的数据,在网络训练速度及电能质量扰动识别的准确率上有明显提升。     

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%。     

基于CycleGAN与深度残差网络的局放数据增强与模式识别方法

为了解决局放模式识别的准确性受不平衡样本与神经网络深度结构制约的问题,提出了一种基于CycleGAN与深度残差网络的局放数据增强与模式识别方法。首先对稀疏表示去噪及脉冲提取得到的局放脉冲信号进行S变换得到局放时频谱图作为训练样本。然后利用CycleGAN实现对局放时频谱图的重构增强,同时引入对抗损失函数、循环一致性损失函数,以保证局放数据的高质量生成,扩充后的局放样本库丰富度更高。最后利用增强后的局放数据集训练深度残差网络,利用残差块的恒等映射结构自适应调节网络深度,解决了深度网络不易收敛的问题,同时实现对局放信号的精准辨识。实验结果表明,经数据增强的深度残差网络模式识别准确率达到98%,较增强前提高了6.8%。     

基于WDGAN-div的语音增强方法

针对在低信噪比环境下传统语音增强方法适应性差和增强效果不理想的问题,提出一种基于Wasserstein散度的深度生成对抗网络的语音增强方法.该方法以5个生成器和1个判别器为基础组成深度生成对抗网络,利用5个生成器进行5次增强处理,有效提高对抗网络在低信噪比条件下的增强效果,使用Wasserstein散度优化网络训练,改...     

基于GAN的光伏逆变器数据异常检测技术

随着实际环境中实时传感器数据的增加,定位异常情况变得越来越困难.同时,在基于图像的异常检测领域,生成对抗网络因其能够对复杂的高维图像分布进行建模而得到发展.为了能够精准快速地定位光伏发电系统中光伏逆变器的异常,提出了一种新的基于GAN的异常检测和定位框架.并将多变量时间序列利用角场转换为一系列二维图像,以此利用编码器和...     

结合数据增强和轻量化模型的YOLOv3木梁柱缺陷检测

针对现有基于深度学习的木梁柱缺陷检测存在的泛化能力差、模型复杂、参数计算量大、实时性差导致的难以在线应用等问题,提出一种结合数据增强和轻量化模型的YOLOv3木梁柱缺陷检测算法.使用包括数据增强、区域删除和图像混合技术增强自制的COCO格式数据集,在不增加额外计算量的前提下使模型的泛化性能和鲁棒性增强.使用轻量化模型M...     

基于自适应加权特征融合的PCB裸板缺陷检测研究

现有的针对PCB裸板的缺陷检测方法存在精确度低、实时性差且难以在移动端部署等问题,本文以YOLO(you only look once)v4算法为基本框架并对其进行改进,提出了一种专门针对PCB裸板的缺陷检测算法。针对YOLOv4算法难以在移动端部署的问题,采用GhostNet取代CSPDarknet53以轻量化整个检测网络。为弥补YOLOv4算法在多尺度特征融合方面的性能不足,提出了一种双向自适应特征融合网络AF-BiFPN取代PANet网络。为进一步提高模型的检测精度,在AF-BiFPN特征融合网络的采样的过程中插入m-ECANet通道注意力机制。实验结果证明,改进后的YOLOv4算法的模型大小为18.64 MB,检测的平均精度(mean average precision, mAP)为98.39%,检测速度为62.23 FPS,可为实际PCB裸板检测提供理论指导。     

基于全注意力FSA-UNet网络的单晶电池片混合缺陷检测

太阳能电池片的内部缺陷是降低电流传导效率的主要原因,通过EL或PL成像后的图像缺陷强弱变化较大,直接进行阈值分割会造成漏检。本文提出了一种全注意力FSA-UNet网络,用于太阳能电池片混合缺陷分割。针对缺陷分层特点,设计出了特征增强模块,提升弱缺陷的分辨能力,同时改进骨干特征提取网络,加快了强缺陷的检出效率。本算法能精确分割出单晶硅片的多种缺陷,为了验证本文算法的有效性,将本文算法与U-net、DeepLabV3+进行的比较,最佳MIOU达到了77.9%,突出了本算法的优势。     

基于轻量化网络的变电站缺陷图片检测算法

保证变电站运行安全和可靠,自动检测变电站设备缺陷是电网智能化的关键。提出基于轻量化网络的变电站缺陷图片检测算法。针对目前传统的深度网络深度较深,耗时较长,易发生梯度爆炸、消失的情况,以及变电站智能监控实时性要求高的问题,提出了一种基于轻量化网络的变电站缺陷图片检测算法。该算法通过深度网络的轻量化设计,不仅可降低计算时间复杂度和空间复杂度,并且能提升检测准确度。该算法利用轻量化的特征提取网络进行图片的多尺度特征提取,且能根据多尺度特征进行目标种类和位置的检测。以变电站现场故障图片作为实验数据,对比测试了SSD算法和所提算法在面对不同故障的检测准确率。实验结果表明,所提算法在变电站故障检测任务中比SSD算法更加准确,为变电站故障检测提供了有效的手段。     

激光异物清理系统的光束发射系统设计

高压电网长距离传输线路经常飘落缠绕风筝塑料等异物需要及时清理,而人工异物清除方法存在较大安全隐患。激光具有发散角小、方向性高、高亮度的特点,是远距离非接触式电网异物清除的有效手段。为此在实验室搭建激光毁伤测试系统,测量典型电网异物清除阈值,依据测量结果设计了一种适用于户外使用的固定焦距光束发射系统,系统由3片分离式球面镜片组成,成像质量达到衍射极限,结构简单紧凑,长度仅有272 mm,重量小于48 g。根据设计结果,通过优化设计光源到透镜的距离,可实现系统在20~200 m工作距离调整。最终,采用物理光学传播功能模拟系统实际的使用情况,系统在发射基模高斯光束时,在各工作距离下光斑直径均小于9 mm,达到异物清除阈值,可实现对各类电网异物的有效清除。     

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%。     

基于改进 YOLOv5 的太阳能电池板缺陷检测算法

为提高太阳能电池板缺陷的检测精确,提出了一种改进的 YOLOv5 网络,对太阳能电池板常见的划痕、叉隐、黑斑、黑 边以及无电等5类主要缺陷进行检测和分类。首先,使用改进后的 ODConv 模块对主干提取网络中的普通卷积模块进行替 换,减少网络模型的参数量;其次,将 C3 模块中的Bottleneck 结构替换成包含 ParNet 模块的Res2Net 以增加感受野,从而提 升了探测物体缺陷的能力和检测精确;最后,在预测网络前引入自适应特征融合结构,以融合不同特征图的位置与类别信息, 增强特征表达并提高模型的鲁棒性。对自建的数据集进行训练、验证以及测试,实验结果表明,改进后的模型能够成功识别 和定位5类常见缺陷。与原 YOLOv5 算法相比,在保持原网络高效性的同时,平均检测精确提升了6.2%。     

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%。     

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

基于多光谱图像融合的光学表面疵病检测

为了实现对精密光学元件表面疵病的高精度测量,提出了一种基于多光谱图像融合的光学元件表面疵病检测方法。通过使用不同波长的光源入射到光学表面,在显微暗场成像系统中获得了450nm,532nm,650nm单波长光源照明时光学表面疵病的检测结果,并将采集到的图片通过加权平均法、拉普拉斯金字塔变换法和小波变换法三种方法进行图像融合后,再进行图像处理获取疵病尺寸信息。由实验结果对比可知,相较于单波长原始图像的疵病检测结果,多光谱融合图像的检测结果更加精确,并且通过对比三种融合方法结果,其中以拉普拉斯金字塔变换融合的效果最佳。     

基于生成对抗网络数据扩充的缺陷识别方法

可视化无损检测(NDT)在深度学习技术发展下,在数据处理方面正面领着巨大的机遇.但是,获取足够的标记数据集是一个很大的挑战.实现无损检测图像数据集的扩充有利于提升深度学习在缺陷检测中的能力.因此,通过研究无损检测图像数据特点,结合循环一致生成对抗网络(CycleGANs)方法,对现有的数据进行了有效的扩充.改善了深度卷...