CN111340791A - 一种基于gan改进算法的光伏组件无监督缺陷检测方法 - Google Patents
一种基于gan改进算法的光伏组件无监督缺陷检测方法 Download PDFInfo
- Publication number
- CN111340791A CN111340791A CN202010135948.3A CN202010135948A CN111340791A CN 111340791 A CN111340791 A CN 111340791A CN 202010135948 A CN202010135948 A CN 202010135948A CN 111340791 A CN111340791 A CN 111340791A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- training
- module
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于GAN改进算法的光伏组件无监督缺陷检测方法,包括:步骤1、根据SSIM‑GAN算法模型训练生成对抗网络模块;步骤2、根据SSIM‑GAN算法模型训练编码器网络模块;步骤3、构建缺陷判别模块;步骤4、图像检测。本发明的有益效果为:本方法能够有效检测到光伏组件的微小、多样的缺陷,同时能够解决样本不均衡的问题;构建了SSIM‑GAN模型,使用结构相似性描述图像间的差异;通过生成对抗网络生成正常图像,通过编码器网络将图像映射到其对应的隐空间,通过缺陷检测模块判断待检测图像是否存在缺陷,能够在缺陷图像数少的情况下实现对未知缺陷的快速且精准的检测,并具有环境适应性和鲁棒性强的优点。
Description
技术领域
本发明属于工业产品生产检测领域,具体涉及一种基于GAN改进算法的光伏组件无监督缺陷检测方法。
背景技术
由于传统能源的日渐枯竭,以太阳能光伏发电为代表的新能源近年来快速发展。在光伏电池组件的生产加工过程中,除了材料自身的缺陷外,自动化生产线上对电池片的多次加工也会加大电池片的损坏率,使得组件出现隐裂、碎片、虚焊、断栅等缺陷问题,这些缺陷直接影响到产品的转换效率及使用寿命。随着工业自动化水平的不断提高,传统的人工的检测由于其精准度低、实时性差、成本高的缺点已不适应当前的自动化生产环境。
机器视觉是应用广泛的自动化检测技术,传统的机器视觉检测技术需要人工提取特征并设计分类器,这需要相关领域的专业人士来参与,并且需要与算法进行相互适应。然而实际的工业化生产过程中,工业零件种类繁多、规格不一,同时缺陷的类型根据工业品的不同差别很大。传统的机器视觉检测技术由于存在特征提取和分类器设计复杂、适应性差、鲁棒性低等问题,导致其在工业检测中无法满足工业生产准确度要求和实时性要求。
近年来,深度学习技术由于其强大的特征学习能力,在图像领域得到了广泛的应用。由于深度学习模型不需要人工进行特征的提取,将传统机器视觉中的特征提取和分类器融合起来,直接学习从输入到输出的映射关系。这样可以避免繁琐复杂的图像预处理以及人工提取特征的操作,同时也能够适应不同场景、不同类型的缺陷,从而能够提高工业检测准确率、鲁棒性以及实时性。
然而,在光伏组件数据集中,其异常样本极少,产生了严重的正负样本不平衡的问题。且在实际生产过程中,光伏组件不仅异常的种类繁多,且异常的表现也多种多样,同时异常出现的面积较小。对于光伏隐裂缺陷而言,其缺陷表现不明显,现有的深度学习算法往往需要分布均衡的样本,且只能检测较大的物体,对于微小的异常检测能力较差。
发明内容
本发明的目的在于克服上述不足,提供一种基于GAN改进算法的光伏组件无监督缺陷检测方法。
这种基于GAN改进算法的光伏组件无监督缺陷检测方法,包括以下步骤:
步骤1、根据SSIM-GAN算法模型训练生成对抗网络模块:使用正常样本训练生成对抗网络,得到正常样本的分布;所述生成对抗网络模块采用残差网络模型和WGAN-GP算法;
步骤2、根据SSIM-GAN算法模型训练编码器网络模块:基于步骤1所述生成对抗网络模块,利用正常样本结构相似性和特征差异性训练编码器网络,得到从图像到隐空间的映射;所述编码器网络模块采用残差网络模型;
步骤3、构建缺陷判别模块:利用步骤1所述生成对抗网络模块和步骤2所述编码器网络模块,基于结构相似性得到异常分数值,通过异常分数值是否达到阈值来判断图像是否存在缺陷;
步骤4、图像检测:将待测图像输入到缺陷判别模块中,缺陷判别模块返回判别结果。
作为优选,步骤1所述根据SSIM-GAN算法模型训练生成对抗网络模块的过程如下:
1)、采集实际工况下的光伏组件图像;
2)、构建数据集,该步骤通过以下子步骤实现:
2.1)、将光伏组件图像灰度化,并改变大小为固定尺寸,得到64×64大小的灰度图像;
2.2)、将灰度图像划分为正常图像集和异常图像集,所述正常图像集为用于生成对抗网络模块的训练集I;
3)、构建生成对抗网络模型,该步骤通过以下子步骤实现:
3.1)、构建生成器残差网络;所述生成器的输入为随机产生的128维噪声;所述生成器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为大小为64×64的灰度图像;
3.2)、构建判别器残差网络;所述判别器的输入为训练集中的正常图像和生成器生成图像;所述判别器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为不同分布间的Wasserstein距离;
3.3)、所述生成器和判别器构成生成对抗网络模块;
4)、训练生成对抗网络模型,该步骤通过以下子步骤实现:
4.1)、利用高斯函数将生成对抗网络模型的权值初始化为较小的值,设定模型中超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
4.2)、对生成对抗网络模块的训练集I进行随机采样,获得此轮训练时的一批正常图像样本;
4.3)、在此轮训练中,生成0到1范围内的128维高斯噪声;
4.4)、将高斯噪声输入到生成器残差网络中,生成器残差网络输出噪声所对应的图像;
4.5)、将该批正常图像样本和所述生成器残差网络输出的图像输入到判别器残差网络中,分别计算生成器和判别器损失函数,生成器损失函数为:
上式中,f(x)为判别器输出的值;x~pg代表x为生成器G的输出值;判别器损失函数为:
上式中x~pr代表x为真实的图像;
4.6)、根据所述生成器损失函数和判别器损失函数,采用均方根传播作为优化器,交替训练生成器残差网络和判别器残差网络,更新生成对抗网络的权值;
4.7)、判断是否达到迭代次数:若是,则执行步骤4.8);若不是,则返回步骤4.2);
4.8)、保存生成对抗网络中的参数以及训练好的权值。
作为优选,步骤2所述根据SSIM-GAN算法模型训练编码器网络模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、构建编码器网络模块:编码器网络的输入为训练集I,其包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu,输出为隐空间z;
3)、训练编码器网络模块,该步骤通过以下子步骤实现:
3.1)、利用高斯函数将编码器网络模块的权值初始化为较小的值,设定超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
3.2)、对所述训练集I进行随机采样,获得此轮训练时的一批正常图像样本x;
3.3)、将所述该批正常图像样本x输入到编码器网络中,编码器网络输出该图像所对应的隐空间E(x);
3.4)、将步骤3.3)所述该图像生成的隐空间E(x)输入到生成器中,输出该隐空间所对应的正常图像G(E(x));
3.5)、计算损失函数,该步骤通过如下子步骤实现:
3.5.1)、计算所述正常图像x与所述生成器生成图像G(E(x))的结构相似性;结构相似性和结构相似性按照以下公式求出:
3.5.2)、将正常图像x与所述生成器生成图像G(E(x))输入到判别器中,计算判别器倒数第二层的特征输出f(x)和f(G(E(x)))的平方差损失:
Lf=||f(x)-f(G(E(x)))||2 (4)
3.5.3)、根据所述结构相似性和平方差损失组成编码器损失函数L:
L=-k1SSIM(x,E(x))+k2Lf (5)
上式中,k1和k2为给定比例常数;
3.6)、根据编码器损失函数L,采用均方根传播作为优化器,训练编码器网络,更新编码器网络的权值;
3.7)、判断是否达到迭代次数:若是,则执行步骤3.8);若不是,则返回步骤3.2);
3.8)、保存编码器网络中的参数以及训练好的权值。
作为优选,步骤3所述构建缺陷判别模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、读取训练好的SSIM-GAN算法模型中的编码器网络;
3)、计算异常判别阈值,该步骤通过以下子步骤实现:
3.1)、将所述训练集I中的所有图像x输入编码器网络,生成其对应的隐空间E(x);
3.2)、将步骤3.1)所述隐空间E(x)输入所述生成器中,生成其对应正常图像G(E(x));
3.3)、计算所述x和G(E(x))的结构相似性;
3.4)、取训练集I中最小的结构相似性作为异常判别阈值;
4)、构建缺陷判别模块,该步骤通过以下子步骤实现:
4.1)、将待检测图像输入编码器网络,生成器对应的隐空间;
4.2)、将步骤4.1)所述隐空间输入生成器中,生成与其最接近的正常图像;
4.3)、计算待检测图像与生成的正常图像的结构相似性;
4.4)、判别所述结构相似性是否小于阈值,若是,则判断待检测图像为异常图像;否则,判断待检测图像为正常图像;
5)、保存缺陷判别模块中的结构相似性阈值。
作为优选,步骤4所述图像检测过程如下:
1)、读取缺陷判别模块;
2)、输入待检测图像;
3)、对待检测图像进行预处理,该步骤通过如下子步骤实现:
3.1)、对待检测图像进行裁剪,去除背景区域,获得待检测图像的主体部分;
3.2)、对检测图像进行灰度化处理,并缩放为64×64的尺寸大小;
4)、将预处理过后的图像输入缺陷判别模块,缺陷判别模块返回判别结果。
本发明的有益效果是:本发明针对光伏组件缺陷检测提出了一种基于GAN改进算法的光伏组件无监督缺陷检测方法。该方法能够有效检测到光伏组件的微小、多样的缺陷,同时能够解决样本不均衡的问题。构建了SSIM-GAN模型,使用结构相似性描述图像间的差异。通过生成对抗网络生成正常图像,通过编码器网络将图像映射到其对应的隐空间,通过缺陷检测模块判断待检测图像是否存在缺陷,能够在缺陷图像数少的情况下实现对未知缺陷的快速且精准的检测,并具有环境适应性和鲁棒性强的优点。
附图说明
图1为SSIM-GAN模型示意图;
图2为生成对抗网络示意图;
图3为生成对抗网络训练过程流程图;
图4为生成器网络结构示意图;
图5为判别器网络结构示意图;
图6为编码器训练过程流程图;
图7为编码器网络结构示意图;
图8为缺陷检测模块构建示意图;
图9为待检测图像为正常图像实验结果示意图;
图10为待检测图像为异常图像实验结果示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
如图1所示,本发明提出一种基于GAN改进算法的光伏组件无监督缺陷检测方法,针对光伏组件缺陷识别难度大、缺陷形式多样、检测环境复杂以及正负样本极不均衡的问题,提供了一种能够检测微小和未知异常的无监督异常检测模型SSIM-GAN。SSIM-GAN算法模型包括生成对抗网络模块、编码器网络模块和缺陷判别模块。所述生成对抗网络模块采用残差网络模型和WGAN-GP算法,仅使用正常样本训练生成对抗网络,用于生成正常图像,得到正常样本的分布;所述编码器网络模块采用残差网络模型,用正常样本结合结构相似性和特征差异性训练编码器网络,学习从图像到隐空间的映射。如图8所示,所述缺陷判别模块利用所述生成对抗网络模块和编码器网络模块得到基于结构相似性和特征差异性的异常分数值,并通过判断异常分数值是否达到设定的阈值来实现缺陷检测。在实际应用中,将待测图像输入到缺陷判别模块中,缺陷判别模块返回判别结果。
这种基于GAN改进算法的光伏组件无监督缺陷检测方法,包括以下步骤:
步骤1、根据SSIM-GAN算法模型训练生成对抗网络模块:使用正常样本训练生成对抗网络,得到正常样本的分布;所述生成对抗网络模块采用残差网络模型和WGAN-GP算法;
步骤2、如图6所示,根据SSIM-GAN算法模型训练编码器网络模块:基于步骤1所述生成对抗网络模块,利用正常样本结构相似性和特征差异性训练编码器网络,得到从图像到隐空间的映射;所述编码器网络模块采用残差网络模型;
步骤3、构建缺陷判别模块:利用步骤1所述生成对抗网络模块和步骤2所述编码器网络模块,基于结构相似性得到异常分数值,通过异常分数值是否达到阈值来判断图像是否存在缺陷;
步骤4、图像检测,如图9所示:将待测图像输入到缺陷判别模块中,缺陷判别模块返回判别结果。
如图3所示,步骤1所述根据SSIM-GAN算法模型训练生成对抗网络模块的过程如下:
1)、采集实际工况下的光伏组件图像;
2)、构建数据集,该步骤通过以下子步骤实现:
2.1)、将光伏组件图像灰度化,并改变大小为固定尺寸,得到64×64大小的灰度图像;
2.2)、将灰度图像划分为正常图像集和异常图像集,所述正常图像集为用于生成对抗网络模块的训练集I;
3)、构建生成对抗网络模型,该步骤通过以下子步骤实现:
3.1)、构建生成器残差网络;如图4所示,所述生成器的输入为随机产生的128维噪声;所述生成器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为大小为64×64的灰度图像;
3.2)、构建判别器残差网络;所述判别器的输入为训练集中的正常图像和生成器生成图像;所述判别器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为不同分布间的Wasserstein距离;
3.3)、所述生成器和判别器构成生成对抗网络模块;
4)、训练生成对抗网络模型,该步骤通过以下子步骤实现:
4.1)、利用高斯函数将生成对抗网络模型的权值初始化为较小的值,设定模型中超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
4.2)、对生成对抗网络模块的训练集I进行随机采样,获得此轮训练时的一批正常图像样本;
4.3)、在此轮训练中,生成0到1范围内的128维高斯噪声;
4.4)、将高斯噪声输入到生成器残差网络中,生成器残差网络输出噪声所对应的图像;
4.5)、将该批正常图像样本和所述生成器残差网络输出的图像输入到判别器残差网络中,分别计算生成器和判别器损失函数,生成器损失函数为:
上式中,f(x)为判别器输出的值;x~pg代表x为生成器G的输出值;判别器损失函数为:
上式中x~pr代表x为真实的图像;
4.6)、根据所述生成器损失函数和判别器损失函数,采用均方根传播作为优化器,交替训练生成器残差网络和判别器残差网络,更新生成对抗网络的权值;
4.7)、判断是否达到迭代次数:若是,则执行步骤4.8);若不是,则返回步骤4.2);
4.8)、保存生成对抗网络中的参数以及训练好的权值。
步骤2所述根据SSIM-GAN算法模型训练编码器网络模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、如图7所示,构建编码器网络模块:编码器网络的输入为训练集I,其包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu,输出为隐空间z;
3)、训练编码器网络模块,该步骤通过以下子步骤实现:
3.1)、利用高斯函数将编码器网络模块的权值初始化为较小的值,设定超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
3.2)、对所述训练集I进行随机采样,获得此轮训练时的一批正常图像样本x;
3.3)、将所述该批正常图像样本x输入到编码器网络中,编码器网络输出该图像所对应的隐空间E(x);
3.4)、将步骤3.3)所述该图像生成的隐空间E(x)输入到生成器中,输出该隐空间所对应的正常图像G(E(x));
3.5)、计算损失函数,该步骤通过如下子步骤实现:
3.5.1)、计算所述正常图像x与所述生成器生成图像G(E(x))的结构相似性;结构相似性和结构相似性按照以下公式求出:
3.5.2)、将正常图像x与所述生成器生成图像G(E(x))输入到判别器中,计算判别器倒数第二层的特征输出f(x)和f(G(E(x)))的平方差损失:
Lf=||f(x)-f(G(E(x)))||2 (4)
3.5.3)、根据所述结构相似性和平方差损失组成编码器损失函数L:
L=-k1SSIM(x,E(x))+k2Lf (5)
上式中,k1和k2为给定比例常数;
3.6)、根据编码器损失函数L,采用均方根传播作为优化器,训练编码器网络,更新编码器网络的权值;
3.7)、判断是否达到迭代次数:若是,则执行步骤3.8);若不是,则返回步骤3.2);
3.8)、保存编码器网络中的参数以及训练好的权值。
步骤3所述构建缺陷判别模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、读取训练好的SSIM-GAN算法模型中的编码器网络;
3)、计算异常判别阈值,该步骤通过以下子步骤实现:
3.1)、将所述训练集I中的所有图像x输入编码器网络,生成其对应的隐空间E(x);
3.2)、将步骤3.1)所述隐空间E(x)输入所述生成器中,生成其对应正常图像G(E(x));
3.3)、计算所述x和G(E(x))的结构相似性;
3.4)、取训练集I中最小的结构相似性作为异常判别阈值;
4)、构建缺陷判别模块,该步骤通过以下子步骤实现:
4.1)、将待检测图像输入编码器网络,生成器对应的隐空间;
4.2)、将步骤4.1)所述隐空间输入生成器中,生成与其最接近的正常图像;
4.3)、计算待检测图像与生成的正常图像的结构相似性;
4.4)、判别所述结构相似性是否小于阈值,若是,则判断待检测图像为异常图像;否则,判断待检测图像为正常图像;
5)、保存缺陷判别模块中的结构相似性阈值。
步骤4所述图像检测过程如下:
1)、读取缺陷判别模块;
2)、输入待检测图像;
3)、对待检测图像进行预处理,该步骤通过如下子步骤实现:
3.1)、对待检测图像进行裁剪,去除背景区域,获得待检测图像的主体部分;
3.2)、对检测图像进行灰度化处理,并缩放为64×64的尺寸大小;
4)、将预处理过后的图像输入缺陷判别模块,缺陷判别模块返回判别结果。
本发明的检测结果如图9和图10所示,第一行为待检测的图像,第二行为SSIM-GAN生成的与之最接近的正常图像,第三行为待检测图像基于结构相似性阈值为0.6的异常程度。从结果能够看出正常图像和异常图像的结构相似性相差很大,能够有效辨别出异常。
Claims (5)
1.一种基于GAN改进算法的光伏组件无监督缺陷检测方法,其特征在于,包括以下步骤:
步骤1、根据SSIM-GAN算法模型训练生成对抗网络模块:使用正常样本训练生成对抗网络,得到正常样本的分布;所述生成对抗网络模块采用残差网络模型和WGAN-GP算法;
步骤2、根据SSIM-GAN算法模型训练编码器网络模块:基于步骤1所述生成对抗网络模块,利用正常样本结构相似性和特征差异性训练编码器网络,得到从图像到隐空间的映射;所述编码器网络模块采用残差网络模型;
步骤3、构建缺陷判别模块:利用步骤1所述生成对抗网络模块和步骤2所述编码器网络模块,基于结构相似性得到异常分数值,通过异常分数值是否达到阈值来判断图像是否存在缺陷;
步骤4、图像检测:将待测图像输入到缺陷判别模块中,缺陷判别模块返回判别结果。
2.根据权利要求1所述基于GAN改进算法的光伏组件无监督缺陷检测方法,其特征在于,步骤1所述根据SSIM-GAN算法模型训练生成对抗网络模块的过程如下:
1)、采集实际工况下的光伏组件图像;
2)、构建数据集,该步骤通过以下子步骤实现:
2.1)、将光伏组件图像灰度化,并改变大小为固定尺寸,得到64×64大小的灰度图像;
2.2)、将灰度图像划分为正常图像集和异常图像集,所述正常图像集为用于生成对抗网络模块的训练集I;
3)、构建生成对抗网络模型,该步骤通过以下子步骤实现:
3.1)、构建生成器残差网络;所述生成器的输入为随机产生的128维噪声;所述生成器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为大小为64×64的灰度图像;
3.2)、构建判别器残差网络;所述判别器的输入为训练集中的正常图像和生成器生成图像;所述判别器的输入包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu;所述生成器的输出为不同分布间的Wasserstein距离;
3.3)、所述生成器和判别器构成生成对抗网络模块;
4)、训练生成对抗网络模型,该步骤通过以下子步骤实现:
4.1)、利用高斯函数将生成对抗网络模型的权值初始化为较小的值,设定模型中超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
4.2)、对生成对抗网络模块的训练集I进行随机采样,获得此轮训练时的一批正常图像样本;
4.3)、在此轮训练中,生成0到1范围内的128维高斯噪声;
4.4)、将高斯噪声输入到生成器残差网络中,生成器残差网络输出噪声所对应的图像;
4.5)、将该批正常图像样本和所述生成器残差网络输出的图像输入到判别器残差网络中,分别计算生成器和判别器损失函数,生成器损失函数为:
上式中,f(x)为判别器输出的值;x~pg代表x为生成器G的输出值;判别器损失函数为:
上式中x~pr代表x为真实的图像;
4.6)、根据所述生成器损失函数和判别器损失函数,采用均方根传播作为优化器,交替训练生成器残差网络和判别器残差网络,更新生成对抗网络的权值;
4.7)、判断是否达到迭代次数:若是,则执行步骤4.8);若不是,则返回步骤4.2);
4.8)、保存生成对抗网络中的参数以及训练好的权值。
3.根据权利要求2所述基于GAN改进算法的光伏组件无监督缺陷检测方法,其特征在于,步骤2所述根据SSIM-GAN算法模型训练编码器网络模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、构建编码器网络模块:编码器网络的输入为训练集I,其包含4个残差块,每个残差块由两个3×3卷积核的卷积层组成,激活函数为Relu,输出为隐空间z;
3)、训练编码器网络模块,该步骤通过以下子步骤实现:
3.1)、利用高斯函数将编码器网络模块的权值初始化为较小的值,设定超参数的值;所述超参数包括迭代次数、每轮训练所用样本集大小、学习率衰减值以及生成器和对抗器训练间隔;
3.2)、对所述训练集I进行随机采样,获得此轮训练时的一批正常图像样本x;
3.3)、将所述该批正常图像样本x输入到编码器网络中,编码器网络输出该图像所对应的隐空间E(x);
3.4)、将步骤3.3)所述该图像生成的隐空间E(x)输入到生成器中,输出该隐空间所对应的正常图像G(E(x));
3.5)、计算损失函数,该步骤通过如下子步骤实现:
3.5.1)、计算所述正常图像x与所述生成器生成图像G(E(x))的结构相似性;结构相似性和结构相似性按照以下公式求出:
3.5.2)、将正常图像x与所述生成器生成图像G(E(x))输入到判别器中,计算判别器倒数第二层的特征输出f(x)和f(G(E(x)))的平方差损失:
Lf=||f(x)-f(G(E(x)))||2 (4)
3.5.3)、根据所述结构相似性和平方差损失组成编码器损失函数L:
L=-k1SSIM(x,E(x))+k2Lf (5)
上式中,k1和k2为给定比例常数;
3.6)、根据编码器损失函数L,采用均方根传播作为优化器,训练编码器网络,更新编码器网络的权值;
3.7)、判断是否达到迭代次数:若是,则执行步骤3.8);若不是,则返回步骤3.2);
3.8)、保存编码器网络中的参数以及训练好的权值。
4.根据权利要求3所述基于GAN改进算法的光伏组件无监督缺陷检测方法,其特征在于,步骤3所述构建缺陷判别模块过程如下:
1)、读取训练好的SSIM-GAN算法模型中的生成对抗网络;
2)、读取训练好的SSIM-GAN算法模型中的编码器网络;
3)、计算异常判别阈值,该步骤通过以下子步骤实现:
3.1)、将所述训练集I中的所有图像x输入编码器网络,生成其对应的隐空间E(x);
3.2)、将步骤3.1)所述隐空间E(x)输入所述生成器中,生成其对应正常图像G(E(x));
3.3)、计算所述x和G(E(x))的结构相似性;
3.4)、取训练集I中最小的结构相似性作为异常判别阈值;
4)、构建缺陷判别模块,该步骤通过以下子步骤实现:
4.1)、将待检测图像输入编码器网络,生成器对应的隐空间;
4.2)、将步骤4.1)所述隐空间输入生成器中,生成与其最接近的正常图像;
4.3)、计算待检测图像与生成的正常图像的结构相似性;
4.4)、判别所述结构相似性是否小于阈值,若是,则判断待检测图像为异常图像;否则,判断待检测图像为正常图像;
5)、保存缺陷判别模块中的结构相似性阈值。
5.根据权利要求4所述基于GAN改进算法的光伏组件无监督缺陷检测方法,其特征在于,步骤4所述图像检测过程如下:
1)、读取缺陷判别模块;
2)、输入待检测图像;
3)、对待检测图像进行预处理,该步骤通过如下子步骤实现:
3.1)、对待检测图像进行裁剪,去除背景区域,获得待检测图像的主体部分;
3.2)、对检测图像进行灰度化处理,并缩放为64×64的尺寸大小;
4)、将预处理过后的图像输入缺陷判别模块,缺陷判别模块返回判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135948.3A CN111340791A (zh) | 2020-03-02 | 2020-03-02 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135948.3A CN111340791A (zh) | 2020-03-02 | 2020-03-02 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340791A true CN111340791A (zh) | 2020-06-26 |
Family
ID=71184675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135948.3A Pending CN111340791A (zh) | 2020-03-02 | 2020-03-02 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340791A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768398A (zh) * | 2020-07-06 | 2020-10-13 | 北京瑞莱智慧科技有限公司 | 光伏组件的缺陷检测方法、装置、存储介质和计算设备 |
CN111986198A (zh) * | 2020-09-09 | 2020-11-24 | 河南信息安全研究院有限公司 | 一种模具残留物检测方法及装置 |
CN112001903A (zh) * | 2020-08-21 | 2020-11-27 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络构建方法、异常检测方法及***、存储介质 |
CN112150432A (zh) * | 2020-09-22 | 2020-12-29 | 电子科技大学 | 一种基于生成对抗网络的光激励红外无损检测方法 |
CN112183342A (zh) * | 2020-09-28 | 2021-01-05 | 国网安徽省电力有限公司检修分公司 | 一种带有模板的综合型换流站缺陷识别方法 |
CN112215055A (zh) * | 2020-08-15 | 2021-01-12 | 天津大学 | 一种基于单分类方法的检测输电线路中导线缺陷的方法 |
CN112215803A (zh) * | 2020-09-15 | 2021-01-12 | 昆明理工大学 | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 |
CN112488130A (zh) * | 2020-12-17 | 2021-03-12 | 苏州聚悦信息科技有限公司 | 一种ai的微小孔壁检测算法 |
CN112529109A (zh) * | 2020-12-29 | 2021-03-19 | 四川长虹电器股份有限公司 | 一种基于无监督多模型的异常检测方法及*** |
CN112561197A (zh) * | 2020-12-23 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种带有主动防御影响范围的电力数据预取与缓存方法 |
CN112668623A (zh) * | 2020-12-22 | 2021-04-16 | 中国铁道科学研究院集团有限公司 | 基于生成对抗网络的双耳销钉缺陷样本的生成方法及装置 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN112950561A (zh) * | 2021-02-22 | 2021-06-11 | 中国地质大学(武汉) | 光纤端面缺陷检测方法、设备及存储介质 |
CN113298895A (zh) * | 2021-06-18 | 2021-08-24 | 上海交通大学 | 一种面向收敛性保障的无监督双向生成自动编码方法及*** |
CN113378703A (zh) * | 2021-06-09 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种检测垃圾桶状态的方法及*** |
CN113407425A (zh) * | 2021-05-13 | 2021-09-17 | 桂林电子科技大学 | 基于BiGAN与OTSU的内部用户行为检测方法 |
CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
CN113484333A (zh) * | 2021-09-08 | 2021-10-08 | 苏州高视半导体技术有限公司 | 多层结构屏幕的异物缺陷区分方法、电子设备及存储介质 |
CN113570603A (zh) * | 2021-09-26 | 2021-10-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于CycleGAN的接触网零部件缺陷数据生成方法及*** |
CN113592866A (zh) * | 2021-09-29 | 2021-11-02 | 西安邮电大学 | 一种半导体引线框架曝光缺陷检测方法 |
CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
CN113838040A (zh) * | 2021-09-29 | 2021-12-24 | 西安工程大学 | 一种针对彩色纹理织物缺陷区域的检测方法 |
CN113850335A (zh) * | 2021-09-28 | 2021-12-28 | 哈尔滨工业大学 | 一种用于卫浴陶瓷缺陷检测的数据增广方法 |
CN113920096A (zh) * | 2021-10-14 | 2022-01-11 | 广东工业大学 | 一种集成电路金属封装缺陷检测方法 |
CN114022442A (zh) * | 2021-11-03 | 2022-02-08 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于无监督学习的织物疵点检测算法 |
CN114022586A (zh) * | 2021-10-25 | 2022-02-08 | 华中科技大学 | 一种基于对抗生成网络的缺陷图像生成方法 |
CN114065874A (zh) * | 2021-11-30 | 2022-02-18 | 河北省科学院应用数学研究所 | 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备 |
WO2022067876A1 (en) * | 2020-09-29 | 2022-04-07 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network |
CN114820541A (zh) * | 2022-05-07 | 2022-07-29 | 武汉象点科技有限公司 | 基于重构网络的缺陷检测方法 |
CN117197095A (zh) * | 2023-09-14 | 2023-12-08 | 四川轻化工大学 | 基于半监督生成对抗分割模型的表面缺陷检测方法和*** |
CN117315354A (zh) * | 2023-09-27 | 2023-12-29 | 南京航空航天大学 | 基于多判别器复合编码gan网络的绝缘子异常检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
CN110211114A (zh) * | 2019-06-03 | 2019-09-06 | 浙江大学 | 一种基于深度学习的装箱缺条视觉检测方法 |
CN110544253A (zh) * | 2019-09-12 | 2019-12-06 | 福州大学 | 基于图像金字塔和列模板的织物瑕疵检测方法 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
-
2020
- 2020-03-02 CN CN202010135948.3A patent/CN111340791A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
CN110211114A (zh) * | 2019-06-03 | 2019-09-06 | 浙江大学 | 一种基于深度学习的装箱缺条视觉检测方法 |
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
CN110544253A (zh) * | 2019-09-12 | 2019-12-06 | 福州大学 | 基于图像金字塔和列模板的织物瑕疵检测方法 |
Non-Patent Citations (3)
Title |
---|
HAIYONG CHEN 等: "Accurate and robust crack detection using steerable evidence filtering in electroluminescence images of solar cells", 《OPTICS AND LASERS IN ENGINEERING》 * |
THOMAS SCHLEGL 等: "f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks", 《MEDICAL IMAGE ANALYSISMEDICAL IMAGE ANALYSIS》 * |
董伟: "生成对抗网络研究及其在图像风格转换的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768398A (zh) * | 2020-07-06 | 2020-10-13 | 北京瑞莱智慧科技有限公司 | 光伏组件的缺陷检测方法、装置、存储介质和计算设备 |
CN112215055A (zh) * | 2020-08-15 | 2021-01-12 | 天津大学 | 一种基于单分类方法的检测输电线路中导线缺陷的方法 |
CN112001903A (zh) * | 2020-08-21 | 2020-11-27 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络构建方法、异常检测方法及***、存储介质 |
CN111986198A (zh) * | 2020-09-09 | 2020-11-24 | 河南信息安全研究院有限公司 | 一种模具残留物检测方法及装置 |
CN112215803A (zh) * | 2020-09-15 | 2021-01-12 | 昆明理工大学 | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 |
CN112150432A (zh) * | 2020-09-22 | 2020-12-29 | 电子科技大学 | 一种基于生成对抗网络的光激励红外无损检测方法 |
CN112183342A (zh) * | 2020-09-28 | 2021-01-05 | 国网安徽省电力有限公司检修分公司 | 一种带有模板的综合型换流站缺陷识别方法 |
CN112183342B (zh) * | 2020-09-28 | 2022-07-12 | 国网安徽省电力有限公司检修分公司 | 一种带有模板的综合型换流站缺陷识别方法 |
WO2022067876A1 (en) * | 2020-09-29 | 2022-04-07 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network |
US11328402B2 (en) | 2020-09-29 | 2022-05-10 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network |
CN112488130A (zh) * | 2020-12-17 | 2021-03-12 | 苏州聚悦信息科技有限公司 | 一种ai的微小孔壁检测算法 |
CN112488130B (zh) * | 2020-12-17 | 2023-08-15 | 苏州聚悦信息科技有限公司 | 一种ai的微小孔壁检测方法 |
CN112668623A (zh) * | 2020-12-22 | 2021-04-16 | 中国铁道科学研究院集团有限公司 | 基于生成对抗网络的双耳销钉缺陷样本的生成方法及装置 |
CN112668623B (zh) * | 2020-12-22 | 2024-04-16 | 中国铁道科学研究院集团有限公司 | 基于生成对抗网络的双耳销钉缺陷样本的生成方法及装置 |
CN112561197A (zh) * | 2020-12-23 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种带有主动防御影响范围的电力数据预取与缓存方法 |
CN112529109A (zh) * | 2020-12-29 | 2021-03-19 | 四川长虹电器股份有限公司 | 一种基于无监督多模型的异常检测方法及*** |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN112950561B (zh) * | 2021-02-22 | 2022-07-26 | 中国地质大学(武汉) | 光纤端面缺陷检测方法、设备及存储介质 |
CN112950561A (zh) * | 2021-02-22 | 2021-06-11 | 中国地质大学(武汉) | 光纤端面缺陷检测方法、设备及存储介质 |
CN113407425A (zh) * | 2021-05-13 | 2021-09-17 | 桂林电子科技大学 | 基于BiGAN与OTSU的内部用户行为检测方法 |
CN113407425B (zh) * | 2021-05-13 | 2022-09-23 | 桂林电子科技大学 | 基于BiGAN与OTSU的内部用户行为检测方法 |
CN113378703A (zh) * | 2021-06-09 | 2021-09-10 | 成都恒创新星科技有限公司 | 一种检测垃圾桶状态的方法及*** |
CN113298895A (zh) * | 2021-06-18 | 2021-08-24 | 上海交通大学 | 一种面向收敛性保障的无监督双向生成自动编码方法及*** |
CN113298895B (zh) * | 2021-06-18 | 2023-05-12 | 上海交通大学 | 一种面向收敛性保障的无监督双向生成自动编码方法及*** |
CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
CN113793343B (zh) * | 2021-08-23 | 2023-06-06 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
CN113484333B (zh) * | 2021-09-08 | 2021-12-14 | 苏州高视半导体技术有限公司 | 多层结构屏幕的异物缺陷区分方法、电子设备及存储介质 |
CN113484333A (zh) * | 2021-09-08 | 2021-10-08 | 苏州高视半导体技术有限公司 | 多层结构屏幕的异物缺陷区分方法、电子设备及存储介质 |
CN113570603A (zh) * | 2021-09-26 | 2021-10-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于CycleGAN的接触网零部件缺陷数据生成方法及*** |
CN113850335A (zh) * | 2021-09-28 | 2021-12-28 | 哈尔滨工业大学 | 一种用于卫浴陶瓷缺陷检测的数据增广方法 |
CN113592866A (zh) * | 2021-09-29 | 2021-11-02 | 西安邮电大学 | 一种半导体引线框架曝光缺陷检测方法 |
CN113838040A (zh) * | 2021-09-29 | 2021-12-24 | 西安工程大学 | 一种针对彩色纹理织物缺陷区域的检测方法 |
CN113920096A (zh) * | 2021-10-14 | 2022-01-11 | 广东工业大学 | 一种集成电路金属封装缺陷检测方法 |
CN114022586A (zh) * | 2021-10-25 | 2022-02-08 | 华中科技大学 | 一种基于对抗生成网络的缺陷图像生成方法 |
CN114022586B (zh) * | 2021-10-25 | 2024-07-02 | 华中科技大学 | 一种基于对抗生成网络的缺陷图像生成方法 |
CN114022442A (zh) * | 2021-11-03 | 2022-02-08 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于无监督学习的织物疵点检测算法 |
CN114065874A (zh) * | 2021-11-30 | 2022-02-18 | 河北省科学院应用数学研究所 | 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备 |
CN114820541A (zh) * | 2022-05-07 | 2022-07-29 | 武汉象点科技有限公司 | 基于重构网络的缺陷检测方法 |
CN117197095A (zh) * | 2023-09-14 | 2023-12-08 | 四川轻化工大学 | 基于半监督生成对抗分割模型的表面缺陷检测方法和*** |
CN117197095B (zh) * | 2023-09-14 | 2024-04-16 | 四川轻化工大学 | 基于半监督生成对抗分割模型的表面缺陷检测方法和*** |
CN117315354A (zh) * | 2023-09-27 | 2023-12-29 | 南京航空航天大学 | 基于多判别器复合编码gan网络的绝缘子异常检测方法 |
CN117315354B (zh) * | 2023-09-27 | 2024-04-02 | 南京航空航天大学 | 基于多判别器复合编码gan网络的绝缘子异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340791A (zh) | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 | |
CN101996405B (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN105719266B (zh) | 基于纹理特征聚类的磁瓦表面缺陷检测方法 | |
CN108510001B (zh) | 一种风力发电机叶片缺陷分类方法及其分类*** | |
CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN113120555B (zh) | 一种基于线结构光的输送带纵向撕裂检测方法 | |
CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
CN109120230B (zh) | 一种太阳能电池片el图像检测和缺陷识别方法 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN111767874A (zh) | 一种基于深度学习的路面病害检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
CN111179239A (zh) | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及*** | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN113657310A (zh) | 基于多层卷积神经网络的光伏组件红外热斑故障识别方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及*** | |
CN108805855B (zh) | 一种混凝土裂纹快速识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200626 |