論文の概要: Towards Automated Solar Panel Integrity: Hybrid Deep Feature Extraction for Advanced Surface Defect Identification
- arxiv url: http://arxiv.org/abs/2604.10969v1
- Date: Mon, 13 Apr 2026 04:13:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.31246
- Title: Towards Automated Solar Panel Integrity: Hybrid Deep Feature Extraction for Advanced Surface Defect Identification
- Title（参考訳）: ソーラーパネルの自動積分に向けて:表面欠陥同定のためのハイブリッドディープ特徴抽出
- Authors: Muhammad Junaid Asif, Muhammad Saad Rafaqat, Usman Nazakat, Uzair Khan, Rana Fayyaz Ahmad,
- Abstract要約: 本研究では,SOLARプレートの欠陥検出に手工芸と深層学習を併用したハイブリッド手法を提案する。
特にDenseNet-169+Gabor(SVM)が優れていることを示す。
一般的に,提案するハイブリッドフレームワークは欠陥検出精度,抵抗性,柔軟性を向上し,自動PVパネル監視システムの実運用を確固たる基盤としている。
- 参考スコア（独自算出の注目度）: 0.9329978164030672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To ensure energy efficiency and reliable operations, it is essential to monitor solar panels in generation plants to detect defects. It is quite labor-intensive, time consuming and costly to manually monitor large-scale solar plants and those installed in remote areas. Manual inspection may also be susceptible to human errors. Consequently, it is necessary to create an automated, intelligent defect-detection system, that ensures continuous monitoring, early fault detection, and maximum power generation. We proposed a novel hybrid method for defect detection in SOLAR plates by combining both handcrafted and deep learning features. Local Binary Pattern (LBP), Histogram of Gradients (HoG) and Gabor Filters were used for the extraction of handcrafted features. Deep features extracted by leveraging the use of DenseNet-169. Both handcrafted and deep features were concatenated and then fed to three distinct types of classifiers, including Support Vector Machines (SVM), Extreme Gradient Boost (XGBoost) and Light Gradient-Boosting Machine (LGBM). Experimental results evaluated on the augmented dataset show the superior performance, especially DenseNet-169 + Gabor (SVM), had the highest scores with 99.17% accuracy which was higher than all the other systems. In general, the proposed hybrid framework offers better defect-detection accuracy, resistance, and flexibility that has a solid basis on the real-life use of the automated PV panels monitoring system.
- Abstract（参考訳）: エネルギー効率と信頼性を確保するため、発電プラントのソーラーパネルを監視し、欠陥を検出することが不可欠である。
大規模なソーラープラントや遠隔地に設置されているプラントを手動で監視するのは、非常に労力がかかり、時間もかかり、費用もかかる。
手動検査は人間の誤りにも影響する可能性がある。
したがって、継続的監視、早期故障検出、最大発電を保証する自動化されたインテリジェントな欠陥検出システムを構築する必要がある。
本研究では,SOLARプレートの欠陥検出に手工芸と深層学習を併用したハイブリッド手法を提案する。
局所2成分パターン (LBP) , 勾配のヒストグラム (HoG) , ガボルフィルタ (Gabor Filters) を用いて手工芸品の抽出を行った。
DenseNet-169の使用により抽出された深い特徴。
ハンドクラフトとディープの両方の特徴は統合され、SVM(Support Vector Machines)、XGBoost(Extreme Gradient Boost)、LGBM(Light Gradient-Boosting Machine)の3種類の分類器に供給された。
特にDenseNet-169 + Gabor (SVM) は、他の全てのシステムよりも高い99.17%の精度で最高スコアを得た。
一般的に,提案するハイブリッドフレームワークは欠陥検出精度,抵抗性,柔軟性を向上し,自動PVパネル監視システムの実運用を確固たる基盤としている。
関連論文リスト
- Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - 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) - 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) - HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections [0.685316573653194]
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。
論文 参考訳（メタデータ） (2025-08-26T10:35:24Z) - AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。
フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
論文 参考訳（メタデータ） (2025-08-21T13:33:09Z) - Power Battery Detection [91.99787495748218]
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) - A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。
実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。
結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
論文 参考訳（メタデータ） (2024-07-03T07:19:41Z) - Unsupervised machine-learning shock-capturing technique for high-order
solvers [0.0]
ガウス混合モデル(GMM)に基づく教師なし機械学習ショックキャプチャーアルゴリズムを提案する。
提案したGMMセンサは衝撃検出において顕著な精度を示し,パラメータチューニングを必要とせず,多種多様なテストケースに対して堅牢である。
本研究は,高度なCFD符号の堅牢性と効率を向上させるため,GMMセンサで実証した教師なし機械学習手法の可能性を明らかにする。
論文 参考訳（メタデータ） (2023-07-28T10:33:12Z) - ASFD: Automatic and Scalable Face Detector [59.31799101216593]
本稿では,既存の全FAEモジュールをかなりの差で検出し,優れたFAEアーキテクチャであるAutoFAEを探索することを提案する。
特に、当社の強力な ASFD-D6 は WIDER Face テストで AP 96.7/96.2/92.1 よりも優れており、軽量の ASFD-D0 は約3.1 ms で 320 FPS 以上である。
論文 参考訳（メタデータ） (2022-01-26T07:11:51Z) - 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)
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。