arrow
返回

Flexible Solar Panel Recognition Using Deep Learning

delete2026-02-08
delete0
delete
OA
AI
M
Mingyang Sun
Đ
Đình Hòa Nguyễn *
DOI:10.3390/en19040872delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En
Keyword:
flexible solar panel recognition
image recognition
optical wireless power transfer
deep learning
YOLO
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

•简要概述

2026年02月,Mingyang Sun; Dinh Hoa Nguyen在 Energies 在线发表论文《Flexible Solar Panel Recognition Using Deep Learning》,该研究开发了基于深度学习的柔性太阳能板识别方法,攻克了AI系统在复杂真实环境中难以准确识别弯曲、遮挡或形状不规则太阳能板的关键问题。通过构建专用图像数据集并优化YOLOv8目标检测模型,实现了高精度、高鲁棒性的实时识别,显著提升了对各类柔性太阳能板(包括弯折、半遮挡状态)的识别准确率。为光学无线充电、智能巡检无人机等绿色能源应用提供了可落地的新工具。

•研究摘要

随着柔性太阳能板被广泛用于可穿戴设备、植入式医疗器件甚至电动车无线充电,如何让AI设备快速、准确地“看见”它们成为关键瓶颈——传统图像识别方法在面板弯曲、局部被遮挡或光照多变时容易误判或漏检。本研究提出一套端到端的深度学习方案:从自主采集852张真实场景图像开始,通过数据增强扩充至1610张,再用YOLOv8模型进行训练与调优,并首次引入多目标损失权重优化策略(Pareto前沿分析),最终实现99.4%的识别准确率和90.4%的严格定位精度。该方法已在实时视频流中验证,每秒处理32帧,还能自动判断多个面板中哪个面积最大,为光学对准等实际任务提供直接支持。

•背景介绍

柔性太阳能板因可贴合曲面、轻便易部署,正成为物联网与无线供能系统的核心“能量接收器”。然而,当它们被安装在机器人外壳、衣物表面或无人机机翼上时,常发生弯曲、扭曲或被其他物体部分遮挡,导致传统图像识别算法将其误判为普通反光片或金属部件,进而引发无线充电失准、清洁机器人喷水失误等问题;策略A虽能靠人工设计特征提升简单场景识别率,却难以适应形变和遮挡;策略B虽用通用深度学习模型,但未针对柔性板特性优化,定位精度不足且响应慢。因此,如何兼顾“看得准”(尤其对弯折/遮挡态)与“反应快”(满足实时对准需求),仍是制约柔性能源设备智能化落地的核心矛盾。

•关键亮点

1.专为“弯折板”定制的识别模型:用真实弯曲、遮挡场景图像反复训练YOLOv8,并优化损失函数权重,让AI像有经验的工程师一样理解“哪怕卷起来也是太阳能板”,使识别准确率高达99.4%,相当于100块板只错认不到1块。
2.实时识别+尺寸排序双功能:不仅每秒识别32张画面(比眨眼还快3倍),还能在画面中同时出现多块板时,自动算出哪块面积最大并高亮标记,为光学充电系统“选最合适的接收目标”提供即时决策依据。
3.轻量高效适配边缘设备:采用YOLOv8n轻量架构,在普通游戏笔记本显卡上即可运行,无需昂贵服务器,相当于把“太阳能板火眼金睛”装进了巡检无人机或微型充电机器人里。

•展望与总结

基于深度学习目标检测技术,通过YOLOv8模型结构改进与多目标损失权重协同优化,实现了柔性太阳能板在弯曲、遮挡等复杂条件下的高精度实时识别,该技术具备识别准+响应快的双重优势。实验证明在强光/弱光、室内外混合场景下获得99.4%平均精度,在光学无线充电对准任务中实现90.4%的严苛定位精度。该研究不仅解决了智能运维中“找不到板、对不准光”的行业痛点,更通过面向物理形变的数据构建与损失函数调优方法论,为柔性电子、可穿戴设备视觉感知等交叉领域提供了可迁移的技术范式。

学者 查看更多内容

期刊

Energies 封面图
Energies
IF:
3.2
论文数:
1.6W
被引数:
15.3W

机构

H
hanoi university of science and technology
学者数:
244
论文数: 88
被引数: 146
K
kyushu university
学者数:
1.8K
论文数: 640
被引数: 1.5W
引用论文

引用论文

暂无论文信息