Fugu-MT 論文翻訳(概要): Anomaly segmentation model for defects detection in electroluminescence images of heterojunction solar cells

論文の概要: Anomaly segmentation model for defects detection in electroluminescence images of heterojunction solar cells

arxiv url: http://arxiv.org/abs/2208.05994v1
Date: Thu, 11 Aug 2022 18:02:36 GMT
ステータス: 処理完了
システム内更新日: 2022-08-15 13:25:26.454578
Title: Anomaly segmentation model for defects detection in electroluminescence images of heterojunction solar cells
Title（参考訳）: ヘテロ接合太陽電池のエレクトロルミネッセンス画像における欠陥検出のための異常分割モデル
Authors: Alexey Korovin, Artem Vasilyev, Fedor Egorov, Dmitry Saykin, Evgeny Terukov, Igor Shakhray, Leonid Zhukov, Semen Budennyy
Abstract要約: 本稿では, 太陽電池の品質評価と異常検出のために, 蛍光画像の分類とセマンティックセグメンテーションを行うためのディープラーニングベース自動検出モデルSeMaCNNを提案する。モデルのコアはマハラノビス距離に基づく異常検出アルゴリズムであり、関連する欠陥のある少数のデジタルエレクトロルミネッセンス画像との不均衡なデータに基づいて、半教師付きで訓練することができる。本モデルの精度は92.5%,F1スコア95.8%,リコール94.8%,精度96.9%で,手動で注釈付き画像1049枚からなる。
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: Efficient defect detection in solar cell manufacturing is crucial for stable green energy technology manufacturing. This paper presents a deep-learning-based automatic detection model SeMaCNN for classification and semantic segmentation of electroluminescent images for solar cell quality evaluation and anomalies detection. The core of the model is an anomaly detection algorithm based on Mahalanobis distance that can be trained in a semi-supervised manner on imbalanced data with small number of digital electroluminescence images with relevant defects. This is particularly valuable for prompt model integration into the industrial landscape. The model has been trained with the on-plant collected dataset consisting of 68 748 electroluminescent images of heterojunction solar cells with a busbar grid. Our model achieves the accuracy of 92.5%, F1 score 95.8%, recall 94.8%, and precision 96.9% within the validation subset consisting of 1049 manually annotated images. The model was also tested on the open ELPV dataset and demonstrates stable performance with accuracy 94.6% and F1 score 91.1%. The SeMaCNN model demonstrates a good balance between its performance and computational costs, which make it applicable for integrating into quality control systems of solar cell manufacturing.
Abstract（参考訳）: 太陽電池製造における効率のよい欠陥検出は、安定したグリーンエネルギー技術製造に不可欠である。本稿では, 太陽電池の品質評価と異常検出のために, 蛍光画像の分類とセマンティックセグメンテーションを行うためのディープラーニングベース自動検出モデルSeMaCNNを提案する。このモデルのコアはマハラノビス距離に基づく異常検出アルゴリズムであり、関連する欠陥のある少数のデジタルエレクトロルミネッセンス画像との不均衡なデータに基づいて半教師付きで訓練することができる。これは、産業現場への迅速なモデル統合に特に有用である。このモデルは、バスバーグリッドを備えたヘテロ接合太陽電池の68 748個のエレクトロルミネッセンス画像からなるプラントで収集されたデータセットで訓練されている。本モデルの精度は92.5%,F1スコア95.8%,リコール94.8%,精度96.9%で,手動で注釈付き画像1049枚からなる。このモデルはオープンなELPVデータセットでもテストされ、精度94.6%、F1スコア91.1%で安定した性能を示した。 SeMaCNNモデルは、その性能と計算コストのバランスをよく示しており、太陽電池製造の品質制御システムへの統合に応用できる。

関連論文リスト

PV-faultNet: Optimized CNN Architecture to detect defects resulting efficient PV production [0.0]
本研究では,太陽光発電(PV)セルの高効率かつリアルタイムな欠陥検出に最適化された,軽量な畳み込みニューラルネットワーク(CNN)アーキテクチャであるPV-faultNetを提案する。このモデルにはわずか292万のパラメータが含まれており、精度を犠牲にすることなく処理要求を大幅に削減している。 91%の精度、89%のリコール、90%のF1スコアを達成し、PV生産におけるスケーラブルな品質管理の有効性を実証した。
論文参考訳（メタデータ） (2024-11-05T10:58:37Z)
AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文参考訳（メタデータ） (2024-08-19T23:52:06Z)
Deep Generative Classification of Blood Cell Morphology [7.494975467007647]
細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。本手法は異常検出における最先端の識別モデルよりも優れている。直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
論文参考訳（メタデータ） (2024-08-16T19:17:02Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文参考訳（メタデータ） (2023-04-08T10:47:41Z)
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)
Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文参考訳（メタデータ） (2022-11-01T13:58:02Z)
A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy [0.0]
本稿では,畳み込みニューラルネットワークを用いた故障検出手法を提案する。バイナリ分類では、PVセルの入力画像を2つのカテゴリに分類する。提案したCNNモデルの成功率は、バイナリ分類では91.1%、マルチ分類では88.6%である。
論文参考訳（メタデータ） (2022-10-14T14:19:33Z)
CellDefectNet: A Machine-designed Attention Condenser Network for Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文参考訳（メタデータ） (2022-04-25T16:35:19Z)
A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文参考訳（メタデータ） (2021-11-23T08:04:32Z)

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。