| 使用环境 |
在光伏电站或相关检测实验室中，对光伏电池进行检测。环境光照条件稳定，无强烈反光或阴影干扰，相机与光伏电池保持适当距离和角度进行拍摄。 |
| 使用对象 |
光伏电池，特别是其电致发光（EL）图像中的缺陷，如线状隐裂、星状隐裂、断栅、粗线 |
| 使用目的 |
准确检测光伏电池中的各类缺陷，以便及时发现并处理，提高光伏电池的性能和使用寿命，保障光伏电站的稳定运行。 |
| 输入数据 |
光伏电池的电致发光（EL）图像帧，图像分辨率为640×640像素，以jpg格式存储。 |
| 输出数据 |
缺陷类型（线状隐裂、星状隐裂等）、缺陷位置坐标（以图像像素坐标表示）、缺陷数量。 |
| 硬件配置 |
CPU：Intel Core i7-9700K，8核心，主频3.6GHz
- GPU：NVIDIA GeForce RTX 2080 Ti，具有较高的计算能力和显存容量，适合深度学习算法的加速运行
- 内存：16GB DDR4，频率3200MHz，为算法运行提供足够的内存空间
- 摄像头：工业级高分辨率相机，用于拍摄光伏电池的EL图像，分辨率不低于2048×2048像素
- 硬盘：1TB SSD，用于存储大量的图像数据和模型文件，读写速度快
- 网卡：千兆以太网卡，用于数据传输和远程监控 |
| 样本获取 |
在实际光伏电站和实验室环境中，从不同角度和光照条件下拍摄光伏电池的EL图像，共获取10000帧样本图像，其中2000帧用于训练集，8000帧用于测试集。 |
| 测试结果 |
对测试集8000个样本进行检测，平均精度达到89.90%，模型参数量为13.13×10⁶，在PASCAL VOC数据集上进行泛化性实验，证明了改进算法的泛化性能。 |
| 执行速度 |
检测速度约为30ms/次 |
| 资源消耗 |
PU：在4核CPU上，计算占比分别平均约50%、60%、70%、40% - GPU：显存占用约6GB，显卡计算占比约80% - 内存：使用占比约60% |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件50K，权重文件150M。 |
| 相关备注 |
|
