論文の概要: HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections

• arxiv url: http://arxiv.org/abs/2508.18912v1
• Date: Tue, 26 Aug 2025 10:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.806638
• Title: HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections
• Title（参考訳）: HOTSPOT-YOLO:ドローンによる太陽光発電検査における熱異常検出のための軽量ディープラーニング注意駆動モデル
• Authors: Mahmoud Dhimish,
• Abstract要約: HotSPOT-YOLOは、効率的な畳み込みニューラルネットワークバックボーンとアテンションメカニズムを統合して、オブジェクト検出を改善する軽量人工知能(AI)モデルである。 この研究は、再生可能エネルギーシステムにおける自動故障検出に革命をもたらす、高度なAI技術と実用的なエンジニアリングアプリケーションとの統合を強調している。
• 参考スコア（独自算出の注目度）: 0.685316573653194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thermal anomaly detection in solar photovoltaic (PV) systems is essential for ensuring operational efficiency and reducing maintenance costs. In this study, we developed and named HOTSPOT-YOLO, a lightweight artificial intelligence (AI) model that integrates an efficient convolutional neural network backbone and attention mechanisms to improve object detection. This model is specifically designed for drone-based thermal inspections of PV systems, addressing the unique challenges of detecting small and subtle thermal anomalies, such as hotspots and defective modules, while maintaining real-time performance. Experimental results demonstrate a mean average precision of 90.8%, reflecting a significant improvement over baseline object detection models. With a reduced computational load and robustness under diverse environmental conditions, HOTSPOT-YOLO offers a scalable and reliable solution for large-scale PV inspections. This work highlights the integration of advanced AI techniques with practical engineering applications, revolutionizing automated fault detection in renewable energy systems.
• Abstract（参考訳）: 太陽光発電システムにおける熱異常検出は、運転効率の確保とメンテナンスコストの削減に不可欠である。 本研究では,効率的な畳み込みニューラルネットワークのバックボーンと注目機構を統合し,物体検出を改善する軽量人工知能(AI)モデルであるHotSPOT-YOLOを開発した。 このモデルは、PVシステムのドローンによる熱検査のために特別に設計されており、ホットスポットや欠陥モジュールなどの小型で微妙な熱異常を検出しながら、リアルタイムのパフォーマンスを維持するという、ユニークな課題に対処している。 実験の結果、平均精度は90.8%であり、ベースラインオブジェクト検出モデルよりも大幅に改善されている。 多様な環境条件下での計算負荷の低減と堅牢性により、HOTSPOT-YOLOは大規模PV検査のためのスケーラブルで信頼性の高いソリューションを提供する。 この研究は、再生可能エネルギーシステムにおける自動故障検出に革命をもたらす、高度なAI技術と実用的なエンジニアリングアプリケーションとの統合を強調している。

関連論文リスト

• Lightweight LSTM Model for Energy Theft Detection via Input Data Reduction [0.0]
  本稿では,プリフィルタとして機能する軽量検出ユニット(watchdog mechanism)を提案する。 LSTMモデルに供給される入力量を削減し、エネルギー盗難の可能性がより高いインスタンスに制限する。 その結果、消費電力の減少は64%を超え、検出精度は最小限に抑えられ、リコールは一貫して高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-14T14:40:03Z)
• Enhanced PEC-YOLO for Detecting Improper Safety Gear Wearing Among Power Line Workers [0.0]
  本稿では,PEC-YOLOオブジェクト検出アルゴリズムを提案する。 この手法は、深層認識とマルチスケール特徴融合を統合する。 CPCAアテンションメカニズムはSPPFモジュールに組み込まれ、重要な情報にフォーカスするモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2025-01-23T04:40:08Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• 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)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• 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)
• 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)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Evaluation of electrical efficiency of photovoltaic thermal solar collector [1.9604116035607555]
  本研究では, 太陽光発電用ソーラーコレクタ(PV/T)の熱特性を機械学習で予測する。 入射温度、流量、熱、太陽放射、太陽熱は入力変数として検討されている。 提案した LSSVM モデルは ANFIS と ANNs モデルより優れていた。
  論文  参考訳（メタデータ） (2020-02-11T21:11:54Z)

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。