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
- Machine learning approaches for automatic defect detection in photovoltaic systems [1.121744174061766]
太陽電池(PV)モジュールは、製造、設置、運用中に損傷を受けやすい。
無人航空機による運用中のPVモジュールの継続的な監視が不可欠である。
コンピュータビジョンは、大規模なPVプラントの欠陥を監視するための、自動的で非破壊的で費用対効果の高いツールを提供する。
論文 参考訳（メタデータ） (2024-09-24T13:11:05Z) - 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) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z) - 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) - 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) - Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。
このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
論文 参考訳（メタデータ） (2021-12-17T14:31:40Z) - 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。