論文の概要: Module-Power Prediction from PL Measurements using Deep Learning

• arxiv url: http://arxiv.org/abs/2108.13640v1
• Date: Tue, 31 Aug 2021 06:43:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 14:30:22.074980
• Title: Module-Power Prediction from PL Measurements using Deep Learning
• Title（参考訳）: 深層学習によるpl測定からのモジュールパワー予測
• Authors: Mathis Hoffmann, Johannes Hepp, Bernd Doll, Claudia Buerhop-Lutz, Ian Marius Peters, Christoph Brabec, Andreas Maier, Vincent Christlein
• Abstract要約: 我々は,PL画像から平均絶対誤差(MAE)が4.4%または11.7WPのモジュールパワーを予測するために,深部畳み込みニューラルネットワークを適用した。 トレーニングされたネットワークの埋め込みから計算した回帰写像を用いて、局所的な電力損失を計算することができることを示す。
• 参考スコア（独自算出の注目度）: 6.470549137572311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The individual causes for power loss of photovoltaic modules are investigated for quite some time. Recently, it has been shown that the power loss of a module is, for example, related to the fraction of inactive areas. While these areas can be easily identified from electroluminescense (EL) images, this is much harder for photoluminescence (PL) images. With this work, we close the gap between power regression from EL and PL images. We apply a deep convolutional neural network to predict the module power from PL images with a mean absolute error (MAE) of 4.4% or 11.7WP. Furthermore, we depict that regression maps computed from the embeddings of the trained network can be used to compute the localized power loss. Finally, we show that these regression maps can be used to identify inactive regions in PL images as well.
• Abstract（参考訳）: 太陽電池モジュールの電力損失の原因は、かなり長い間調査されてきた。 近年、モジュールの電力損失は、例えば、不活性領域の分数に関連していることが示されている。 これらの領域はエレクトロルミネッセンス(EL)画像から容易に識別できるが、フォトルミネッセンス(PL)画像ではより困難である。 本研究では,EL画像とPL画像とのパワーレグレッションのギャップを埋める。 深層畳み込みニューラルネットワークを用いて,平均絶対誤差(mae)4.4%または11.7wpのpl画像からモジュール電力を予測する。 さらに、トレーニングネットワークの埋め込みから計算した回帰写像を用いて、局所的な電力損失を計算することができることを示す。 最後に,これらの回帰マップを用いて,PL画像中の不活性領域を同定できることを示す。

関連論文リスト

• GLIP: Electromagnetic Field Exposure Map Completion by Deep Generative Networks [0.6144680854063939]
  GANのジェネレータネットワークのみを用いてEMF露光マップを再構成する手法を提案する。 このアプローチでは、センサデータからLIP(Local Image Prior)として、深層畳み込み生成ネットワークによってキャプチャされる。 実験結果から, センサデータのみを使用できたとしても, 正確な推定が可能であることがわかった。
  論文  参考訳（メタデータ） (2024-05-06T11:43:01Z)
• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• 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)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Combining Attention Module and Pixel Shuffle for License Plate Super-Resolution [3.8831062015253055]
  本研究は,低解像度・低画質画像におけるライセンスプレート(LP)再構成に焦点を当てた。 本稿では、注目/変圧器モジュールの概念を拡張したシングルイメージ超解法(SISR)アプローチを提案する。 実験では, 提案手法は, 定量的および定性的に, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-30T13:05:07Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• Segmentation of cell-level anomalies in electroluminescence images of photovoltaic modules [0.0]
  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)。
  論文  参考訳（メタデータ） (2021-06-21T10:17:40Z)
• Deep Learning-based Pipeline for Module Power Prediction from EL Measurements [7.0282423213545195]
  本研究では,エレクトロルミネッセンス測定とモジュールのパワー決定のギャップを橋渡しする。 劣化のさまざまな段階において, モジュールの719個の電気照度測定の大規模なデータセットをコンパイルする。 モデルにより予測されたセル当たりの電力損失を推定するために,クラス活性化マップの変種を提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:46:47Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)
• 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。