Fugu-MT 論文翻訳(概要): STC-Net: Electroluminescence-Based Solar Cell Crack Segmentation for Power Loss Estimation

論文の概要: STC-Net: Electroluminescence-Based Solar Cell Crack Segmentation for Power Loss Estimation

arxiv url: http://arxiv.org/abs/2608.01714v1
Date: Mon, 03 Aug 2026 05:21:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.333529
Title: STC-Net: Electroluminescence-Based Solar Cell Crack Segmentation for Power Loss Estimation
Title（参考訳）: STC-Net:電力損失推定のためのエレクトロルミネッセンスベースの太陽電池クラックセグメンテーション
Abstract要約: 本稿では, エッジ先行, スペクトル先行, 境界位相改善モジュールを組み込んだソーラー・トポロジー・クラック・ネットワーク(STC-Net)を提案し, ひび割れ連続性と境界保存性を向上させる。 PVEL-Sデータセットの実験では、STC-Netはトレーニング中に95.98 MIoU、98.01 MDice、98.00 MAcc、不明なサンプルでは72.52 MIoU、80.16 MDiceを達成した。
参考スコア（独自算出の注目度）: 0.6840587119863305
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate crack assessment in electroluminescence (EL) images is important for photovoltaic (PV) reliability analysis, yet existing segmentation methods often fail to capture the thin, elongated, and structurally constrained nature of crack defects. This paper proposes a Solar Topology Crack Network (STC-Net) that incorporates edge priors, spectral priors, and a boundary-topology refinement module to improve crack continuity and boundary preservation. The framework further extends segmentation to power-loss estimation by deriving a crack-associated inactive-area proxy from the predicted masks. Experiments on the PVEL-S dataset show that STC-Net achieves 95.98 MIoU, 98.01 MDice, and 98.00 MAcc during training, and 72.52 MIoU and 80.16 MDice on unseen test samples. These results demonstrate that STC-Net provides accurate crack localization while offering a practical link between EL-based defect segmentation and PV degradation assessment.
Abstract（参考訳）: エレクトロルミネッセンス(EL)画像の正確なき裂評価は、太陽光発電(PV)の信頼性解析に重要であるが、既存のセグメンテーション法では、ひび割れ欠陥の細長く、構造的に制約された性質を捉えることができないことが多い。本稿では, エッジ先行, スペクトル先行, 境界位相改善モジュールを組み込んだソーラー・トポロジー・クラック・ネットワーク(STC-Net)を提案し, ひび割れ連続性と境界保存性を向上させる。このフレームワークは、予測マスクからクラック関連不活性領域プロキシを導出することにより、セグメンテーションをさらにパワーロス推定に拡張する。 PVEL-Sデータセットの実験では、STC-Netはトレーニング中に95.98 MIoU、98.01 MDice、98.00 MAcc、不明なサンプルでは72.52 MIoU、80.16 MDiceを達成した。これらの結果から, STC-Net は EL-based defect segmentation と PV 劣化評価の実践的リンクを提供しながら, 正確なき裂局所化を提供することが示された。

関連論文リスト

Compass: Degradation-Simulated Reciprocal Learning with Lightweight Needle RWKV for Multimodal Crack Segmentation under Missing Modalities [36.93774494071781]
任意のモダリティを欠いた場合のき裂断面積分割のための軽量ネットワークを提案する。コンパスは劣化蒸留(DSD)、針ブロック、証拠トポロジー保存核融合(ETPF)を含む。深さの90%が欠落しているにもかかわらず、コンパスのF1は0.8216、mIoUは0.8434、パラメータは2.58Mである。
論文参考訳（メタデータ） (2026-08-04T12:27:02Z)
PL-LIT: A LiDAR-Inertial-Thermal SLAM Using Point-Line Features and Thermographic Mapping [39.002163918691465]
熱画像は、強い照明、低照度操作、霧などの悪条件に耐性がある。ほとんどの熱カメラは自動利得制御(AGC)を採用しており、熱画像は情報的エッジ構造を含むにもかかわらず、しばしば地球規模のコントラストが低い。可視光カメラとサーマルカメラの両方に対応可能なLiDAR-Inertial-Thermal SLAMシステムを提案する。
論文参考訳（メタデータ） (2026-06-28T08:13:43Z)
CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation [42.85377247586073]
我々は,CT劣化検出と重度推定のためのデータセットとベンチマークであるCT-DegradBenchを提案する。本稿では,医用視覚言語モデルのセマンティック先行と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークであるSeSpeCTを提案する。
論文参考訳（メタデータ） (2026-05-14T19:30:00Z)
SynForceNet: A Force-Driven Global-Local Latent Representation Framework for Lithium-Ion Battery Fault Diagnosis [11.63800045439781]
提案手法は,20台のEVから収集した860万個の有効なデータポイントを用いて検証した。 TPRでは7.59%、PVでは27.92%、F1では18.28%、AUCでは23.68%の平均的な改善が達成されている。
論文参考訳（メタデータ） (2026-03-24T14:27:27Z)
Explainable Continuous-Time Mask Refinement with Local Self-Similarity Priors for Medical Image Segmentation [2.0391237204597363]
LSS-LTCNet: 連続時間ニューラルダイナミクスによる決定論的構造先行を相乗化するためのアンテホックな説明可能なフレームワークを提案する。我々のアーキテクチャは、密集した照明不変のテクスチャ記述子を抽出するローカル自己相似性(LSS)機構を用いることで、従来のブラックボックスモデルから逸脱する。我々は, LSS-LTCNetが最先端境界アライメントを実現し, ピークDiceスコア86.96%, 例外95%のHausdorff Distance(HD95)8.91ピクセルを確保した。
論文参考訳（メタデータ） (2026-02-28T04:31:49Z)
Defect Segmentation in OCT scans of ceramic parts for non-destructive inspection using deep learning [32.87045959269109]
本稿では,Deep Learning(DL)に基づく自動欠陥検出システムを提案する。 U-Netアーキテクチャに基づくニューラルネットワークを開発し、その性能を高めるために複数の実験的な構成を評価する。このシステムは0.979のDice Scoreの正確な振る舞いを示し、比較研究より優れている。
論文参考訳（メタデータ） (2025-10-01T10:30:24Z)
EECD-Net: Energy-Efficient Crack Detection with Spiking Neural Networks and Gated Attention [6.723950151272841]
本稿では,道路亀裂検出のための多段階検出手法であるEECD-Netを提案する。 SRCNN(Super-Resolution Convolutional Neural Network)は、低画質画像に固有の課題に対処するために用いられる。これらの画像をスパースパルスシーケンスに変換するために,CIF(Continuous Integrate-and-Fire)ニューロンを用いたSCU(Spike Convolution Unit)を提案する。 CrackVision12Kベンチマークの実験では、EECD-Netは98.6%の精度で検出された。
論文参考訳（メタデータ） (2025-06-05T00:19:36Z)
Semiconductor SEM Image Defect Classification Using Supervised and Semi-Supervised Learning with Vision Transformers [31.64631761575222]
本研究は, ウエハ欠陥の走査型電子顕微鏡(SEM)画像の自動欠陥分類(ADC)に視覚変換器(ViT)ニューラルネットワークを適用することを提案する。 7400枚以上の全画像から11種類の欠陥を抽出し,DinoV2と半教師付き学習の伝達学習の可能性を検討した。
論文参考訳（メタデータ） (2025-06-03T19:34:54Z)
BreakNet: Discontinuity-Resilient Multi-Scale Transformer Segmentation of Retinal Layers [0.8953337264557399]
BreakNetは、シャドーアーティファクトによる境界の不連続に対処するために設計されたトランスフォーマーベースのセグメンテーションモデルである。以上の結果から,BreakNetは網膜の定量化と解析を大幅に改善する可能性が示唆された。
論文参考訳（メタデータ） (2024-08-26T19:59:20Z)
CrackSCF: Lightweight Cascaded Fusion Network for Robust and Efficient Structural Crack Segmentation [36.93774494071781]
CrackSCFは、堅牢なクラックセグメンテーションを実現するために設計された軽量なカスケード核融合クラックネットワークである。このアプローチは、最小の計算フットプリントで動作しながら、ローカルパターンを効率的にキャプチャする。実験結果から,CrackSCF法は既存の手法よりも一貫して優れていることがわかった。
論文参考訳（メタデータ） (2024-08-23T03:21:51Z)
Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins [31.835275627382497]
時間的伝搬と不確実性推定に基づく不完全データの分節化の解を提供する。本研究では,ヒト胚性腎臓細胞からのデータに対するフレーム・バイ・フレーム・セグメンテーションと時間的伝播に対するこのアプローチの価値を実証する。
論文参考訳（メタデータ） (2020-11-20T16:30:55Z)
Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep Learning Semantic and Contour Segmentation [13.133263651395865]
金属構造物の腐食検出は、迅速で安全で効果的な検査のための土木工学における大きな課題である。既存の画像解析手法では、構造解析とプレファブリケーションの両方に不十分な欠陥領域に境界ボックスを配置する傾向がある。本研究では,3つのセマンティックセグメンテーション指向ディープラーニングモデル(FCN,U-Net,Mask R-CNN)を腐食検出に適用し,精度と時間面で優れた性能を示す。
論文参考訳（メタデータ） (2020-08-12T09:54:17Z)

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。