找到 2 条结果
MicroCrystalNet：基于扫描电镜岩相的高效可解释卷积神经网络微晶分类
MicroCrystalNet: An Efficient and Explainable CNN for Microcrystal Classification Using SEM Petrography
Mohammed Yaqoob · Mohammed Yusuf Ansari · Mohammed Ishaq · Issac Sujay Anand John Jayachandran 等6人 · IEEE Access · 2025年1月
微晶岩石纹理形态表征通常依赖扫描电镜SEM图像的视觉解释和人工测量，存在主观性、低效率、采样偏差和数据丢失问题。本文引入基于深度学习架构的最先进计算机视觉流程，用于从SEM图像分割和分类单个微晶。初步应用于低镁方解石碳酸盐岩，实例分割使用Meta的Segment Anything Model（SAM）定制调优版本。训练和测试分类器使用全球研究的48张不同碳酸盐微纹理SEM图像，共1852个微晶根据双重分类方案标记，包括晶体形状（菱形、多面体、无定形、球形）和晶面清晰度（自形至半自形、他形），共四...
解读: 该微晶图像分类技术可应用于阳光电源功率器件和材料分析。阳光SiC和GaN器件封装需要微观结构检测和质量控制。该MicroCrystalNet的高精度分割和分类能力可用于阳光功率模块的SEM质量检验，自动识别焊接缺陷、晶界异常和材料瑕疵。在储能电池材料研究中，该深度学习方法可加速电极材料和隔膜的微观表...
使用卷积神经网络检测光伏组件玻璃裂纹
Using Convolutional Neural Networks to Detect In-Field PV Module Glass Cracks
Savannah Bennett · Thomas Weber · Rory Bennett · Ernst Wittman 等6人 · IEEE Journal of Photovoltaics · 2025年9月
双玻光伏组件的应用日益广泛，人们对这些组件中的玻璃破裂问题也愈发关注。为证实这一现象、量化玻璃破裂率，并减轻在现场查找破裂组件的繁琐工作，本文考虑使用卷积神经网络进行玻璃裂纹检测。对七种模型进行了测试：六层模型、四层模型、VGG16、VGG19、ResNet18、ResNet34 和 ResNet50。在两个光伏（PV）场中采用非标准化图像采集方法，针对两种组件类型创建了七个标注数据集，图像数量从 3540 张到 12600 张不等。六层模型在裂纹与无裂纹分类方面的准确率可达 97.7%，使用 ...
解读: 该CNN玻璃裂纹检测技术对阳光电源SG系列光伏逆变器配套的智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台的智能诊断模块，通过无人机巡检图像自动识别双面玻璃组件裂纹，实现预测性维护。该技术与阳光现有的IV曲线诊断、红外热成像分析形成互补，可提前发现因玻璃裂纹导致的组件功率衰减和...