光伏电池图像序列的深度学习检测方法

为了实现光伏电池工厂端的智能检测,使用热红外相机采集电致热成像(Electro-thermography,ET)与短波红外相机采集电致发光现象(Electroluminescence,EL)检测光伏电池缺陷.提出一种基于光流法处理光伏电池热流场的热图像序列分析方法,准确找到异常发热源.并与短波红外成像找到的异常发光源融合,建立光伏电池检测数据库.通过深度卷积神经网络,实现对光伏电池内部缺陷与划痕、覆盖、裂纹、缺损等人工缺陷的有效识别.试验结果表明,基于光流的深度学习方法在均方误差、平均梯度、信息熵指标上优于主成分分析(Principal component analysis,PCA)与独立成分分析(Independent component analysis,ICA),并在卷积网络的训练中,能使网络更快地收敛.     

基于一维卷积神经网络的联动扫描热成像缺陷自动识别与深度回归

联动扫描热成像(joint scanning thermography,JST)可以用于检测大面积对象的缺陷,但原始热图像缺陷信息模糊且无法实现缺陷定量.针对联动扫描热成像重构后的图像序列,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-C...     

基于可见光和热成像的风机叶片全周期无损检测综述

风机叶片在制造、服役和维修阶段的无损检测非常重要。叶片长期在高强度的风力载荷下工作,制造过程产生的任何微小缺陷将在服役中扩大,进一步威胁到风机的正常运行。因而,风机叶片的无损检测一直是工业界与学术界探索的难题。根据叶片视觉检测方法结合无人机技术应用、相关数据包括图像处理方法以及缺陷评判方法的智能程度等方面对前人以及作者所在课题组的前期工作进行综述、总结、分析与对比。目前,可见光视觉检测与红外热成像检测等以视觉为基础的检测手段满足了风机叶片在役运维时非接触、高效、低成本、安全等需求。视觉检测与无人机巡检技术相结合能最大程度的保证人员安全,同时克服了望远镜检测视野受限的难题。然而该检测手段在风机叶片巡检中目前尚存在缺陷定量难、内部缺陷识别率低等方面的不足。通过分析对比可见光检测与热成像检测技术,认为结合智能算法的无人机搭载双光融合检测手段未来有望于解决风机叶片检测中存在的不足。