論文の概要: Vision-Based Object Detection for UAV Solar Panel Inspection Using an Enhanced Defects Dataset

• arxiv url: http://arxiv.org/abs/2509.05348v1
• Date: Tue, 02 Sep 2025 14:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.448673
• Title: Vision-Based Object Detection for UAV Solar Panel Inspection Using an Enhanced Defects Dataset
• Title（参考訳）: 改良欠陥データセットを用いたUAVソーラーパネルの物体検出
• Authors: Ashen Rodrigo, Isuru Munasinghe, Asanka Perera,
• Abstract要約: 本研究では, YOLOv3, Faster R-CNN, RetinaNet, EfficientDet, Swin Transformerの5種類の最先端物体検出モデルの総合評価を行った。 COCO形式で注釈付けされ、ソーラーパネルの欠陥と汚染検知のために特別に設計されたカスタムデータセットが開発された。 その結果,検出精度と計算効率のトレードオフが示され,各モデルの相対的強度と限界が強調された。
• 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: Timely and accurate detection of defects and contaminants in solar panels is critical for maintaining the efficiency and reliability of photovoltaic systems. This study presents a comprehensive evaluation of five state-of-the-art object detection models: YOLOv3, Faster R-CNN, RetinaNet, EfficientDet, and Swin Transformer, for identifying physical and electrical defects as well as surface contaminants such as dust, dirt, and bird droppings on solar panels. A custom dataset, annotated in the COCO format and specifically designed for solar panel defect and contamination detection, was developed alongside a user interface to train and evaluate the models. The performance of each model is assessed and compared based on mean Average Precision (mAP), precision, recall, and inference speed. The results demonstrate the trade-offs between detection accuracy and computational efficiency, highlighting the relative strengths and limitations of each model. These findings provide valuable guidance for selecting appropriate detection approaches in practical solar panel monitoring and maintenance scenarios. The dataset will be publicly available at https://github.com/IsuruMunasinghe98/solar-panel-inspection-dataset.
• Abstract（参考訳）: 太陽電池パネルの欠陥や汚染物質のタイムリーかつ正確な検出は、太陽光発電システムの効率性と信頼性を維持する上で重要である。 本研究では, 太陽パネル上の塵や土, 鳥の落下などの表面汚染物質だけでなく, 物理的および電気的欠陥を同定するための, YOLOv3, Faster R-CNN, RetinaNet, EfficientDet, Swin Transformerの5つの最先端物体検出モデルの総合評価を行った。 COCO形式で注釈付けされ、特にソーラーパネルの欠陥と汚染検知のために設計されたカスタムデータセットは、モデルのトレーニングと評価のためにユーザインターフェースと共に開発された。 各モデルの性能は平均平均精度(mAP)、精度、リコール、推論速度に基づいて評価・比較される。 その結果,検出精度と計算効率のトレードオフが示され,各モデルの相対的強度と限界が強調された。 これらの知見は、ソーラーパネルのモニタリングとメンテナンスのシナリオにおいて、適切な検出方法を選択するための貴重なガイダンスを提供する。 データセットはhttps://github.com/IsuruMunasinghe98/solar-panel-inspection-datasetで公開される。

関連論文リスト

• Power Battery Detection [84.71924331508511]
  電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。 我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。 PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
  論文  参考訳（メタデータ） (2025-08-11T09:35:25Z)
• Solar Photovoltaic Assessment with Large Language Model [6.72184534513047]
  太陽パネル検出の課題を克服するために,大規模言語モデル (LLM) をどのように活用できるかを検討する。 LLMは、多段階の論理過程の困難を含む、ソーラーパネルの検出においていくつかの課題に直面している。 より効率的な出力標準化のためのタスク分解を組み込んだLLMフレームワークを用いたPVアセスメントを提案する。
  論文  参考訳（メタデータ） (2025-07-25T10:26:29Z)
• SteelBlastQC: Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects [0.04783917893588482]
  本研究は1654枚のRGB画像(512x512)からなる鋼表面のデータセットについて検討した。 データセットは、変色、溶接ライン、ひっかき傷、腐食など、現実世界の表面の欠陥をキャプチャする。 3つのニューラルネットワークで解釈可能な意思決定を行い、業界ユーザーが問題領域を視覚的に特定できるようにする。
  論文  参考訳（メタデータ） (2025-04-29T07:51:58Z)
• 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)
• Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
  本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。 SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。 DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2024-04-03T08:18:45Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• 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)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• 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)
• Object Detection in Thermal Spectrum for Advanced Driver-Assistance Systems (ADAS) [0.5156484100374058]
  熱赤外スペクトルにおける物体検出は、低照度条件と異なる気象条件においてより信頼性の高いデータソースを提供する。 本稿では,高度運転支援システム(ADAS)の7つの異なるクラスを用いたサーマルビジョンにおける最先端のオブジェクト・ビジョン・フレームワークの探索と適用について述べる。 公開データセット上のトレーニング済みネットワーク変種は、3つの異なるテストアプローチでテストデータ上で検証される。 訓練されたネットワークの有効性は、未冷却のLWIRプロトタイプ熱カメラで捉えたローカル収集された新しいテストデータで検証される。
  論文  参考訳（メタデータ） (2021-09-20T21:38:55Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。