論文の概要: A Self-Evolving Defect Detection Framework for Industrial Photovoltaic Systems

• arxiv url: http://arxiv.org/abs/2603.14869v1
• Date: Mon, 16 Mar 2026 06:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.091244
• Title: A Self-Evolving Defect Detection Framework for Industrial Photovoltaic Systems
• Title（参考訳）: 産業用太陽光発電システムの自己進化欠陥検出フレームワーク
• Authors: Haoyu He, Yu Duan, Wenzhen Liu, Hanyuan Hang, Qiantu Tuo, Xiaoke Yang, Rui Li,
• Abstract要約: 本稿では,自己進化型太陽電池欠陥検出フレームワークSEPDDを提案する。 自動モデル最適化と継続的自己進化学習機構を統合する。 ベースラインは14.8%、専門家は4.7%を超えている。
• 参考スコア（独自算出の注目度）: 12.007600804321475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable photovoltaic (PV) power generation requires timely detection of module defects that may reduce energy yield, accelerate degradation, and increase lifecycle operation and maintenance costs during field operation. Electroluminescence (EL) imaging has therefore been widely adopted for PV module inspection. However, automated defect detection in real operational environments remains challenging due to heterogeneous module geometries, low-resolution imaging conditions, subtle defect morphology, long-tailed defect distributions, and continual data shifts introduced by evolving inspection and labeling processes. These factors significantly limit the robustness and long-term maintainability of conventional deep-learning inspection pipelines. To address these challenges, this paper proposes SEPDD, a Self-Evolving Photovoltaic Defect Detection framework designed for evolving industrial PV inspection scenarios. SEPDD integrates automated model optimization with a continual self-evolving learning mechanism, enabling the inspection system to progressively adapt to distribution shifts and newly emerging defect patterns during long-term deployment. Experiments conducted on both a public PV defect benchmark and a private industrial EL dataset demonstrate the effectiveness of the proposed framework. Both datasets exhibit severe class imbalance and significant domain shift. SEPDD achieves a leading mAP50 of 91.4% on the public dataset and 49.5% on the private dataset. It surpasses the autonomous baseline by 14.8% and human experts by 4.7% on the public dataset, and by 4.9% and 2.5%, respectively, on the private dataset.
• Abstract（参考訳）: 信頼性の高い太陽光発電(PV)発電は、エネルギー収率を低減し、劣化を加速し、運転中のライフサイクル操作とメンテナンスコストを増大させるモジュール欠陥のタイムリーな検出を必要とする。 エレクトロルミネッセンス(EL)イメージングは、PVモジュール検査に広く採用されている。 しかし, 実運用環境における欠陥の自動検出は, 不均一なモジュールジオメトリ, 低解像度撮像条件, 微妙な欠陥形態, 長期的欠陥分布, 検査およびラベル付けプロセスの進化によってもたらされる連続的なデータシフトにより, 依然として困難である。 これらの要因は、従来のディープラーニング検査パイプラインの堅牢性と長期維持性を著しく制限する。 これらの課題に対処するために,産業用PV検査シナリオの進化を目的とした自己進化型太陽光発電欠陥検出フレームワークSEPDDを提案する。 SEPDDは、自動モデル最適化と継続的自己進化学習機構を統合し、長期展開中に、インスペクションシステムが分散シフトや新たな欠陥パターンに徐々に適応できるようにする。 パブリックなPV欠陥ベンチマークとプライベートな産業用ELデータセットの両方で実施された実験は、提案フレームワークの有効性を実証している。 両方のデータセットは、深刻なクラス不均衡と重要なドメインシフトを示す。 SEPDDは、公開データセットで91.4%、プライベートデータセットで49.5%のリードmAP50を達成している。 公的なデータセットでは14.8%、人的専門家では4.7%、プライベートデータセットでは4.9%、そして2.5%を上回っている。

関連論文リスト

• Method of UAV Inspection of Photovoltaic Modules Using Thermal and RGB Data Fusion [11.593007195936186]
  本研究は,プロアクティブPV検査のための強力な新しいパラダイムを確立する。 提案システムはPVF-10ベンチマークで平均平均精度(mAP@0.5)0.903を達成する。
  論文  参考訳（メタデータ） (2025-12-06T17:28:22Z)
• STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
  大気汚染予測は、都市管理と健全な建物の開発に不可欠である。 車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。 これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
  論文  参考訳（メタデータ） (2025-12-04T02:17:19Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• Vision-Based Object Detection for UAV Solar Panel Inspection Using an Enhanced Defects Dataset [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-02T14:41:31Z)
• Photovoltaic Defect Image Generator with Boundary Alignment Smoothing Constraint for Domain Shift Mitigation [7.166413857036151]
  安定拡散(SD)に基づく太陽光発電用欠陥画像生成装置PDIGを提案する。 PDIGは、大規模データセットから学んだ強力な事前情報を活用して、限られたデータの下で生成品質を向上させる。 本手法はFrechet Inception Distance(FID)を第2のベスト法よりも19.16ポイント向上する。
  論文  参考訳（メタデータ） (2025-05-09T15:16:42Z)
• 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)
• How Well Does GPT-4V(ision) Adapt to Distribution Shifts? A Preliminary Investigation [90.93999543169296]
  GPT-4Vは最も先進的な多モード基盤モデルとして機能する。 本研究は, GPT-4Vの動的環境における適応性と一般化能力について, 厳密に評価する。
  論文  参考訳（メタデータ） (2023-12-12T16:48:07Z)

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。