論文の概要: SolarFCD: A Large-Scale Dataset and Benchmark for Solar Fault Classification in Photovoltaic Systems

• arxiv url: http://arxiv.org/abs/2604.23662v1
• Date: Sun, 26 Apr 2026 11:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.48812
• Title: SolarFCD: A Large-Scale Dataset and Benchmark for Solar Fault Classification in Photovoltaic Systems
• Title（参考訳）: SolarFCD:太陽光発電システムにおける大規模データセットと太陽断層分類のためのベンチマーク
• Authors: Misbah Ijaz, Saif Ur Rehman Khan, Abd Ur Rehman, Arooj Zaib, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim,
• Abstract要約: SolarFCDを紹介します。これは3つの公開データセットを組み合わせることで生成される、ソーラーパネル欠陥の広範なデータセットです。 データセットは、健全な画像、表面障害物、構造欠陥、電気的欠陥という4つの統一された欠陥クラスの下に配置された4,435の画像で構成されている。 精度は86.68%、精度は88.65%、リコールは88.62%、F1スコアは88.17%であった。
• 参考スコア（独自算出の注目度）: 5.4998857381465465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing global deployment of solar photovoltaic (PV) systems needs robust, scalable, and automated inspection technologies capable of detecting a wide range of panel flaws under a variety of operating situations. The lack of large-scale, multi-modal, publicly available annotated datasets is a major obstacle preventing advancement in this field. We introduce SolarFCD, an extensive dataset of solar panel defects created by methodically combining and reconciling three publicly accessible datasets covering two imaging modalities: RGB/Drone images and Thermal Infrared. The dataset consist of 4,435 images arranged under four unified defect classes such as: healthy images, Surface Obstruction, structural fault, and electrical fault. The dataset was divided into training, validation, and test splits at an 80:10:10 ratio through methodical label mapping, near-duplicate removal, and targeted augmentation of minority classes. Sixteen classification architectures from five design families were trained and assessed on the dataset to provide repeatable benchmark baselines. With an accuracy of 86.68%, precision of 88.65%, recall of 88.62%, and F1-score of 88.17%, ResNet101V2 performed the best overall. Per-class results showed balanced detection across all four defect categories within a narrow performance band of less than 1.2 percentage points. To promote open and repeatable research in automated PV inspection and solar energy operations and maintenance, the dataset, annotation files, and baseline code are made openly available.
• Abstract（参考訳）: 太陽光発電(PV)システムのグローバル展開は、さまざまな運用状況下で広範囲のパネル欠陥を検出することのできる、堅牢でスケーラブルで自動化された検査技術を必要としている。 大規模でマルチモーダルな公開アノテートデータセットの欠如は、この分野の進歩を妨げる大きな障害である。 我々は、RGB/Drone画像と熱赤外画像という2つの画像モダリティをカバーする3つのパブリックアクセスデータセットを方法論的に組み合わせ、調整することで、ソーラーパネル欠陥の広範なデータセットであるSolarFCDを紹介した。 データセットは、健全な画像、表面障害物、構造欠陥、電気的欠陥という4つの統一された欠陥クラスの下に配置された4,435の画像で構成されている。 データセットは、方法論的なラベルマッピング、ほぼ重複除去、マイノリティクラスの拡張によるトレーニング、検証、テストの分割を80:10:10に分けた。 5つのデザインファミリーから16の分類アーキテクチャがトレーニングされ、データセットに基づいて評価され、反復可能なベンチマークベースラインが提供された。 精度は86.68%、精度は88.65%、リコールは88.62%、F1スコアは88.17%であった。 クラスごとの結果,4つの欠陥カテゴリすべてに対して1.2ポイント未満の狭帯域でバランスが取れた。 PVの自動点検・太陽エネルギー運用・保守におけるオープンかつ反復的な研究を促進するため、データセット、アノテーションファイル、ベースラインコードを公開している。

関連論文リスト

• TinyViT: Field Deployable Transformer Pipeline for Solar Panel Surface Fault and Severity Screening [0.0]
  この研究は、深層学習と古典的機械学習が、頑健な表面異常分類と重大度推定を達成するために、司法的に組み合わされることを実証している。 本稿では、Transformerベースのセグメンテーション、スペクトル空間特徴工学、アンサンブルレグレッションを統合したコンパクトパイプラインTinyViTを紹介する。
  論文  参考訳（メタデータ） (2025-11-27T17:35:57Z)
• 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)
• Solar Photovoltaic Assessment with Large Language Model [5.156484100374059]
  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)
• One-Shot Learning for Periocular Recognition: Exploring the Effect of Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
  広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。 我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。 SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
  論文  参考訳（メタデータ） (2023-07-11T09:10:16Z)
• 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)
• A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy [0.0]
  本稿では,畳み込みニューラルネットワークを用いた故障検出手法を提案する。 バイナリ分類では、PVセルの入力画像を2つのカテゴリに分類する。 提案したCNNモデルの成功率は、バイナリ分類では91.1%、マルチ分類では88.6%である。
  論文  参考訳（メタデータ） (2022-10-14T14:19:33Z)
• 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)
• 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)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。