电力工业论文_基于元迁移的太阳能电池板缺陷图 - 太阳能学报杂志社投稿

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

电力工业论文_基于元迁移的太阳能电池板缺陷图

作者:

关键词:

摘要：

文章摘要:针对太阳能电池板隐裂缺陷在进行光学检测时存在的特征不明显问题，以及小样本导致的训练不充分问题，本文提出了基于元迁移的太阳能电池板缺陷图像超分辨率重建方法，采用联合训练方法，利用内部图像和外部大规模图像信息分别作为不同阶段的训练数据。首先将引入的大量数据用于模型的初步训练，学习外部大规模数据的公共特征，随后通过元学习模型MAML进行多任务训练，为快速适应小样本无监督任务寻找一个适合图像内部学习的初始参数，提高模型的泛化能力，最后将预训练参数迁移至改进的ZSSR中进行自监督学习。在DIV2K、Set5、BSD100和太阳能电池板电致发光成像数据集上进行训练，实验结果表明，与传统的CARN、RCAN、IKC、ZSSR方法相比，该方法具有更高的峰值信噪比，最高达到36.66，参数量更小，相比ZSSR降低了70000，图像重建时间更短，相比CARN降低了0.51秒，具有更好的重建效果，更高的重建效率。

文章关键词:

项目基金:《太阳能学报》网址: http://www.tynxbzz.cn/qikandaodu/2021/1106/1522.html