論文の概要: Segmentation of cell-level anomalies in electroluminescence images of
photovoltaic modules
- arxiv url: http://arxiv.org/abs/2106.10962v1
- Date: Mon, 21 Jun 2021 10:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:47:55.996081
- Title: Segmentation of cell-level anomalies in electroluminescence images of
photovoltaic modules
- Title(参考訳): 太陽電池モジュールのエレクトロルミネッセンス画像におけるセルレベル異常のセグメンテーション
- Authors: Urtzi Otamendi and I\~nigo Martinez and Marco Quartulli and Igor G.
Olaizola and Elisabeth Viles and Werther Cambarau
- Abstract要約: 本研究では,太陽電池モジュール全体からセルレベルの異常を検出し,検出し,セグメント化するエンド・ツー・エンドのディープラーニングパイプラインを提案する。
提案したモジュールパイプラインは,3つのディープラーニング技術を組み合わせている。 1. オブジェクト検出(Modified Faster-RNN), 2. 画像分類(EfficientNet), 3. 弱教師付きセグメンテーション(autoencoder)。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the operation & maintenance (O&M) of photovoltaic (PV) plants, the early
identification of failures has become crucial to maintain productivity and
prolong components' life. Of all defects, cell-level anomalies can lead to
serious failures and may affect surrounding PV modules in the long run. These
fine defects are usually captured with high spatial resolution
electroluminescence (EL) imaging. The difficulty of acquiring such images has
limited the availability of data. For this work, multiple data resources and
augmentation techniques have been used to surpass this limitation. Current
state-of-the-art detection methods extract barely low-level information from
individual PV cell images, and their performance is conditioned by the
available training data. In this article, we propose an end-to-end deep
learning pipeline that detects, locates and segments cell-level anomalies from
entire photovoltaic modules via EL images. The proposed modular pipeline
combines three deep learning techniques: 1. object detection (modified
Faster-RNN), 2. image classification (EfficientNet) and 3. weakly supervised
segmentation (autoencoder). The modular nature of the pipeline allows to
upgrade the deep learning models to the further improvements in the
state-of-the-art and also extend the pipeline towards new functionalities.
- Abstract(参考訳): 太陽光発電(pv)プラントの運転・保守(o&m)において、故障の早期同定は生産性の維持とコンポーネントの寿命の延長に不可欠である。
全ての欠陥のうち、細胞レベルの異常は深刻な故障を引き起こし、長期的には周囲のPVモジュールに影響を及ぼす可能性がある。
これらの微細な欠陥は通常、高空間分解能エレクトロルミネッセンス(EL)イメージングで捉えられる。
このような画像を取得することの難しさはデータの入手を制限した。
この作業では、この制限を超えるために、複数のデータリソースと拡張テクニックが使われています。
現在最先端検出法は、個々のPVセル画像からほとんど低レベル情報を抽出し、利用可能なトレーニングデータによってその性能を調整している。
本稿では,elイメージを介して太陽電池モジュール全体からセルレベルの異常を検出し,検出し,セグメント化する,エンドツーエンドのディープラーニングパイプラインを提案する。
提案したモジュールパイプラインは,1.オブジェクト検出(Modified Faster-RNN),2.イメージ分類(EfficientNet),3.弱教師付きセグメンテーション(autoencoder)という3つのディープラーニング技術を組み合わせた。
パイプラインのモジュール性は、ディープラーニングモデルを最先端のさらなる改善にアップグレードし、パイプラインを新たな機能へと拡張することを可能にする。
関連論文リスト
- Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳(メタデータ) (2023-08-31T04:58:17Z) - Mutual Information-driven Triple Interaction Network for Efficient Image
Dehazing [54.168567276280505]
画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。
振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。
第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
論文 参考訳(メタデータ) (2023-08-14T08:23:58Z) - A lightweight network for photovoltaic cell defect detection in
electroluminescence images based on neural architecture search and knowledge
distillation [9.784061533539822]
畳み込みニューラルネットワーク(CNN)は、PV細胞の既存の自動欠陥検出に広く用いられている。
本稿では,ニューラルアーキテクチャ探索と知識蒸留に基づくPVセルの自動欠陥検出のための軽量高性能モデルを提案する。
提案した軽量高性能モデルは、実際の産業プロジェクトのエンドデバイスに容易に展開でき、精度を維持できる。
論文 参考訳(メタデータ) (2023-02-15T04:00:35Z) - A scalable framework for annotating photovoltaic cell defects in
electroluminescence images [0.0]
PVセルの異常検出技術は、運用とメンテナンスにおいて大幅なコスト削減をもたらす可能性がある。
近年,エレクトロルミネッセンス(EL)画像の異常を自動的に検出する深層学習技術が研究されている。
本稿では,最先端のデータ駆動技術を組み合わせてゴールデンスタンダードベンチマークを作成することを提案する。
論文 参考訳(メタデータ) (2022-12-15T12:46:31Z) - Harmonizing output imbalance for defect segmentation on
extremely-imbalanced photovoltaic module cells images [17.472820798324143]
PVモジュールセルイメージの欠陥領域の分割を学ぶとき、Tiny Hidden Cracks (THC) は極めて不均衡なサンプルを生み出す。
本稿では、出力不均衡の明示的な尺度を提案し、異なるタイプの出力不均衡を扱える分布に基づく損失を一般化し、複合損失を導入する。
提案手法は,広く使用されている4つのディープラーニングアーキテクチャと,入力不均衡の程度が異なる4つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2022-11-10T02:05:17Z) - High-Fidelity Visual Structural Inspections through Transformers and
Learnable Resizers [2.126862120884775]
無人航空機(UAV)と人工知能の最近の進歩により、視覚検査はより速く、より安全で、より信頼性が高い。
高解像度セグメンテーションは、高い計算メモリ要求のために非常に難しい。
本稿では,グローバルとローカルのセマンティクスのトレードオフを管理することで,異なる検査タスクに適応できるハイブリッド戦略を提案する。
論文 参考訳(メタデータ) (2022-10-21T18:08:26Z) - Removing Diffraction Image Artifacts in Under-Display Camera via Dynamic
Skip Connection Network [80.67717076541956]
アンダーディスプレイカメラ(UDC)システムは、スマートフォン上で真のベゼルレスおよびノッチフリーの視聴体験を提供します。
典型的なUDCシステムでは、ピクセルアレイはカメラ上の入射光を減衰および回折し、画像品質の大幅な低下をもたらす。
本研究では,前述の劣化問題の解析と対処を目的とする。
論文 参考訳(メタデータ) (2021-04-19T18:41:45Z) - Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A
Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。
本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文 参考訳(メタデータ) (2020-07-03T23:44:21Z) - Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
現在の解離法は、いくつかの固有の制限に直面している。
半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
論文 参考訳(メタデータ) (2020-03-06T22:54:46Z) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳(メタデータ) (2020-03-02T13:28:32Z) - Weakly Supervised Segmentation of Cracks on Solar Cells using Normalized
Lp Norm [11.014960310006385]
太陽電池の発光画像にひび割れを分割するための弱教師付き学習手法を提案する。
ネットワークアクティベーションマップからセグメント化を導出するために,ResNet-50を改良した。
また,本手法は,他の弱教師付きセグメンテーション問題も解決できる可能性が示唆された。
論文 参考訳(メタデータ) (2020-01-30T10:51:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。