論文の概要: PV-S3: Advancing Automatic Photovoltaic Defect Detection using Semi-Supervised Semantic Segmentation of Electroluminescence Images
- arxiv url: http://arxiv.org/abs/2404.13693v1
- Date: Sun, 21 Apr 2024 15:42:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 17:52:05.982664
- Title: PV-S3: Advancing Automatic Photovoltaic Defect Detection using Semi-Supervised Semantic Segmentation of Electroluminescence Images
- Title（参考訳）: PV-S3:セミスーパービジョンによるエレクトロルミネッセンス画像のセマンティックセグメンテーションによる自動太陽電池欠陥検出の改善
- Authors: Abhishek Jha, Yogesh Rawat, Shruti Vyas,
- Abstract要約: エレクトロルミネッセンス(EL)イメージングを用いた従来の健康チェックは高価で論理的に難しい。
現在の自動化アプローチでは、大規模な専門家のラベル付けが必要です。
EL画像における欠陥のセマンティックセグメンテーションのためのセミスーパーバイズドラーニング手法であるPV-S3を提案する。
- 参考スコア（独自算出の注目度）: 5.42097399791863
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Photovoltaic (PV) systems allow us to tap into all abundant solar energy, however they require regular maintenance for high efficiency and to prevent degradation. Traditional manual health check, using Electroluminescence (EL) imaging, is expensive and logistically challenging making automated defect detection essential. Current automation approaches require extensive manual expert labeling, which is time-consuming, expensive, and prone to errors. We propose PV-S3 (Photovoltaic-Semi Supervised Segmentation), a Semi-Supervised Learning approach for semantic segmentation of defects in EL images that reduces reliance on extensive labeling. PV-S3 is a Deep learning model trained using a few labeled images along with numerous unlabeled images. We introduce a novel Semi Cross-Entropy loss function to train PV-S3 which addresses the challenges specific to automated PV defect detection, such as diverse defect types and class imbalance. We evaluate PV-S3 on multiple datasets and demonstrate its effectiveness and adaptability. With merely 20% labeled samples, we achieve an absolute improvement of 9.7% in IoU, 29.9% in Precision, 12.75% in Recall, and 20.42% in F1-Score over prior state-of-the-art supervised method (which uses 100% labeled samples) on UCF-EL dataset (largest dataset available for semantic segmentation of EL images) showing improvement in performance while reducing the annotation costs by 80%.
- Abstract（参考訳）: 太陽光発電(PV)システムにより、豊富な太陽エネルギーを利用できるが、高い効率と劣化防止のためには定期的なメンテナンスが必要である。
エレクトロルミネッセンス(EL)イメージングを用いた従来の手動健康チェックは高価で、論理的には自動欠陥検出が不可欠である。
現在の自動化アプローチでは、大規模な手作業による専門家のラベル付けが必要になります。
EL画像における欠陥のセマンティックセグメンテーションのための半教師付き学習手法であるPV-S3(Photovoltaic-Semi Supervised Segmentation)を提案する。
PV-S3は、ラベル付きイメージと多数のラベル付きイメージを使用してトレーニングされたディープラーニングモデルである。
本稿では,多様な欠陥タイプやクラス不均衡など,自動PV欠陥検出に特有の課題に対処する,PV-S3の訓練用セミクロスエントロピー損失関数を提案する。
PV-S3を複数のデータセット上で評価し,その有効性と適応性を示す。
単に20%のラベル付きサンプルでIoUが9.7%、精度が29.9%、リコールが12.75%、F1-Scoreが20.42%という絶対的な改善を実現した。
関連論文リスト
- Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。
我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文 参考訳（メタデータ） (2023-11-30T21:11:20Z) - Noise Self-Regression: A New Learning Paradigm to Enhance Low-Light Images Without Task-Related Data [86.68013790656762]
タスク関連のデータにアクセスせずにノイズ自己回帰(NoiSER)を提案する。
NoiSERは品質向上に非常に競争力があるが、モデルのサイズははるかに小さく、トレーニングや推論のコストもはるかに低い。
論文 参考訳（メタデータ） (2022-11-09T06:18:18Z) - Fix-A-Step: Semi-supervised Learning from Uncurated Unlabeled Data [4.779633174910461]
医用画像のような実際の応用では、ラベルなしのデータは緊急に収集され、その結果、未処理となる。
我々は、未修正の未ラベルの画像を潜在的に有益であるとみなすプロシージャであるFix-A-Stepを紹介した。
Heart2Heartと呼ばれる新しい医療用SSLベンチマークで、Fix-A-Stepは353,500個の未処理の超音波画像から学習し、病院全体に一般化された利益をもたらす。
論文 参考訳（メタデータ） (2022-08-25T04:52:21Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。
MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
論文 参考訳（メタデータ） (2022-06-07T02:03:06Z) - 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) - Unified Contrastive Learning in Image-Text-Label Space [130.31947133453406]
Unified Contrastive Learning (UniCL)は、意味的に豊かだが差別的な表現を学習する効果的な方法である。
UniCLスタンドアローンは、3つの画像分類データセットにまたがる教師あり学習手法に対抗して、純粋な画像ラベルデータに関する優れた学習者である。
論文 参考訳（メタデータ） (2022-04-07T17:34:51Z) - 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) - 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) - Few Shot Learning Framework to Reduce Inter-observer Variability in
Medical Images [1.2335698325757494]
大量のアノテートされた医用画像データを保証する品質は主観的で高価である。
本稿では、3つのFSLモデルを実装した新しい標準化フレームワークを提案する。
また,手動でアノテートしたターゲットラベルとRPの相対的一致性を測定する新たなターゲットラベル選択アルゴリズム (TLSA) を提案する。
論文 参考訳（メタデータ） (2020-08-07T02:05:51Z)
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。