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
- 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) - 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) - 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) - Anomaly Detection in IR Images of PV Modules using Supervised
Contrastive Learning [4.409996772486956]
我々は、赤外線画像の異常を検出するために、教師付きコントラスト損失を伴うResNet-34畳み込みニューラルネットワークを訓練する。
本手法は,未知の種類の異常を迅速かつ確実に検出し,実践に適した手法である。
我々の研究は、教師なしドメイン適応を用いたPVモジュール故障検出をより現実的な視点でコミュニティに提供します。
論文 参考訳(メタデータ) (2021-12-06T10:42:28Z) - 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) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z)
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。