基于神经架构搜索与知识蒸馏的电致发光图像光伏电池缺陷检测轻量网络
计算机视觉与模式识别
2023-02-16 v1
摘要
如今，光伏（PV）电站的快速发展对现场光伏组件可靠运维与故障诊断的需求日益增强。由于有效性，卷积神经网络（CNN）已广泛用于现有光伏电池自动缺陷检测。然而，这些基于CNN的模型参数量极大，对硬件资源要求严苛，难以应用于实际工业项目。为解决这些问题，我们提出一种基于神经架构搜索与知识蒸馏的、用于电致发光（EL）图像中光伏电池自动缺陷检测的轻量高性能新型模型。为自动设计有效的轻量模型，我们首次将神经架构搜索引入光伏电池缺陷分类领域。由于缺陷可为任意尺寸，我们设计了恰当的网络搜索结构以更好地利用多尺度特性。为提升所搜索轻量模型的整体性能，我们进一步基于知识蒸馏迁移已有预训练大规模模型所学到的知识。我们挖掘并迁移了多种知识，包括注意力信息、特征信息、logit信息与任务导向信息。实验表明，所提模型在公开EL图像光伏电池数据集上，于在线数据增强下以91.74%准确率与1.85M参数量取得了最先进（state-of-the-art）性能。所提轻量高性能模型可轻松部署至实际工业项目的端设备并保持精度。
引用
@article{arxiv.2302.07455,
title = {A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation},
author = {Jinxia Zhang and Xinyi Chen and Haikun Wei and Kanjian Zhang},
journal= {arXiv preprint arXiv:2302.07455},
year = {2023}
}
备注
12 pages, 7 figures