找到 3 条结果
基于感知损失的DCGAN与VGG16集成模型在电致发光图像中增强光伏缺陷检测
Enhanced Photovoltaic Defect Detection Using Perceptual Loss in DCGAN and VGG16-Integrated Models on Electroluminescence Images
Nadia Drir · Adel Mellit · Maamar Bettayeb · Mahmoud Dhimish · IEEE Journal of Photovoltaics · 2025年3月
光伏（PV）组件中的缺陷会显著影响其效率和可靠性，因此精确检测对于质量控制至关重要。本研究提出了一种改进的生成对抗网络框架，将深度卷积生成对抗网络（DCGAN）与视觉几何组16（VGG16）以及感知损失函数相结合，以生成高质量的合成缺陷图像并改进缺陷分类。所提出的模型将分类准确率从84%提高到了90%，表现出优于标准DCGAN的性能。主要改进包括生成更逼真的合成图像、减少图像质量差异以及解决缺陷数据集的类别不平衡问题。该改进框架在呈现罕见和复杂缺陷方面表现尤为出色，能改善具有挑战性的缺陷模式的分...
解读: 该基于DCGAN与VGG16的EL图像缺陷检测技术对阳光电源光伏产品线具有重要应用价值。可直接应用于SG系列逆变器的生产质量控制环节，通过电致发光成像快速识别组件微裂纹、热斑等隐性缺陷，提升出厂检测效率。感知损失函数增强的语义特征提取能力，可集成至iSolarCloud智能运维平台，实现电站组件的在...
一种基于加权特征融合的新型集成CNN框架用于光伏组件热成像故障诊断
A Novel Ensemble CNN Framework With Weighted Feature Fusion for Fault Diagnosis of Photovoltaic Modules Using Thermography Images
Nadia Drir · Adel Mellit · Maamar Bettayeb · IEEE Journal of Photovoltaics · 2024年11月
全球范围内光伏（PV）能源的应用不断增加，这凸显了在环境多变和故障情况下维持系统效率的紧迫性。识别、分类和修复缺陷的过程对于确保光伏装置的长期可持续性和性能完整性至关重要。本文介绍了一种创新的集成卷积神经网络（CNN）模型，该模型采用加权特征融合的方法，其准确性超越了单一CNN架构所能达到的水平。通过利用三个性能出色的CNN——VGG16、ResNet和MobileNet，融合从这些网络最后一层提取的深度特征，提升了性能，同时还充分利用了来自多个不同配置CNN的数据集成优势。该方法应用于一个包含...
解读: 该集成CNN热成像故障诊断技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台，为SG系列光伏逆变器配套的组件级监控提供AI诊断能力，通过无人机或固定热成像设备实现大规模电站的自动化巡检。加权特征融合策略可提升复杂工况下的故障识别准确率，特别适用于1500V高压系统中...
使用SegFormer进行有效的语义细胞分割以实现光伏阵列中的故障检测
Using SegFormer for Effective Semantic Cell Segmentation for Fault Detection in Photovoltaic Arrays
Zaid Mahboob · M. Adil Khan · Ehtisham Lodhi · Tahir Nawaz 等5人 · IEEE Journal of Photovoltaics · 2024年9月
光伏（PV）产业易受太阳能电池制造缺陷的影响。为准确评估太阳能光伏组件的效能，识别制造缺陷势在必行。传统的工业缺陷检测主要依赖高技能检查员进行人工缺陷评估，导致识别结果具有随机性和主观性。基于深度学习的光伏或太阳能电池故障检测因其卓越的效率和适用性，已成为主要研究领域。因此，本研究引入了一个基于SegFormer的故障检测框架，以实现光伏组件视觉缺陷检测过程的自动化，并对缺陷进行伪彩色处理。所提出的基于SegFormer的框架能够有效地将缺陷分为五类：裂纹缺陷、正面栅线缺陷、互连缺陷、接触腐蚀缺...
解读: 该SegFormer语义分割技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。可直接集成至SG系列光伏逆变器的智能诊断模块，通过无人机红外巡检图像实现电池级故障精准定位，提升预测性维护能力。其轻量级Transformer架构适合边缘计算部署，可嵌入PowerTitan大型储能系统的B...