Dec, 2022

一种可扩展的架构，用于在电致发光图像中标注光伏电池缺陷

PDF
TL;DR该研究提出一种结合最新的数据驱动技术的方法，用于自动检测光伏电池电子发光图像中的异常，并生成高级注释以降低标注成本。该方法具有适应各种光伏电池类型、成本效益高的微调和利用公共数据集生成高级标注的特点。通过在广泛使用的数据集中进行注释，标注成本降低了 60%。
发现论文，激发创造
  • 电致发光图像中缺陷光伏电池的自动分类

    研究使用基于手工特征和基于深度卷积神经网络（CNN）的两种方法，在高分辨率电致发光（EL）图像中自动检测光伏电池的缺陷，其中 CNN 方法准确率达到 88.42％。

    Jul, 2018

  • PV-S3：利用半监督语义分割技术提升光致发光图像自动光伏缺陷检测

    提出了一种用于光致发光图像的缺陷语义分割的 PV-S3（光伏半监督分割）半监督学习方法，通过使用少量标记图像和大量未标记图像训练深度学习模型 PV-S3，并引入一种新的半交叉熵损失函数，实现了在降低注释成本的同时提高了性能。

    Apr, 2024

  • 揭示不可见之处：使用无监督感知算法和三维增强现实技术增强太阳能光伏电池模块老化区域的检测和分析

    本文提出了一种使用无监督传感算法和三维增强现实可视化来自动识别和分析太阳能光伏（PV）电池模块中的异常现象的方法，以增强效率并显著降低 PV 系统维护成本。

    Jul, 2023

  • 电致发光太阳电池图像缺陷检测预训练模型的大规模评估

    对太阳能电池缺陷检测中预训练方法的大规模评估和基准测试表明，特定预训练方案在低表示类别上实现卓越性能，为该领域中自监督和半监督训练技术的进一步研究提供了大型无标签电致发光图像数据集和标记的语义分割电致发光图像数据集。

    Feb, 2024

  • 硬件受限设备和计算机视觉中光伏电池的微裂缝检测

    开发系统使用计算机视觉技术检测太阳能电池板的裂缝，以提前预测和警示光伏系统的潜在故障。

    Mar, 2024

  • 基于预防性维护的光伏系统故障检测和分类

    利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

    Jun, 2023

  • 电力线路绝缘子自动检测的异常检测

    基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障，结果表明在较少的真实异常样本训练集下，该模型能够准确地识别绝缘子盘上的故障区域，但有一些错误预测。

    Nov, 2023

  • 无监督异常定位在工业图像中的应用：一个调研

    本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

    Jul, 2022

  • 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

    利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

    May, 2019

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019