Apr, 2024

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

PDF
TL;DR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。
photovoltaic systemsautomated defect detectionsemi-supervised learningsemantic segmentationpv-s3
发现论文，激发创造
  • 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

    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%。

    Dec, 2022

  • 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

  • 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

  • 太阳能面板分割：自监督学习在不完美数据集上的应用

    采用自我监督学习（Self-Supervised Learning）的方法可以显著提高模型的泛化能力，在各种条件下减少对手动标注数据的依赖，为稳健且适应性强的太阳能板分割解决方案铺平了道路。

    Feb, 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

  • 基于误差定位网络的半监督语义分割

    本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法，该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险，并实现了对不精确伪标签的鲁棒性，同时具有自训练和对比学习的天然集成能力。与现有方法相比，在 PASCAL VOC 2012 和 Cityscapes 数据集上，该方法在所有评估指标中均表现出了卓越的性能。

    Apr, 2022

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

    Jul, 2023

  • 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

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023

  • 基于无监督语义分割的架空线缺陷识别

    该研究提出了一种基于 Faster RCNN 网络和无监督语义分割的新型缺陷识别框架，通过识别目标设备的类型和位置、利用语义分割区分设备和背景，并运用相似度度量和逻辑规则对缺陷进行分类，从而提高了空中线路中设备问题的准确性和适应性，为配电网络设备检测的自动化提供了新的视角。

    Nov, 2023