一种用于电致发光图像中光伏电池缺陷标注的可扩展框架
计算机视觉与模式识别
2022-12-16 v1 人工智能
机器学习
摘要
光伏（PV）电池的正常运转对确保太阳能电站的最优性能至关重要。PV 电池的异常检测技术可在运行与维护（O&M）中带来显著成本节约。近期研究聚焦于用于自动检测电致发光（EL）图像中异常的深度学习技术。自动化异常标注可改进当前 O&M 方法，并有助于开发决策系统以延长 PV 电池生命周期并预测故障。本文通过提出结合最先进数据驱动技术以创建黄金标准基准，解决文献中异常分割标注的缺失。所提方法因以下方面脱颖而出：（1）对新 PV 电池类型的适应性，（2）高性价比微调，以及（3）利用公共数据集生成高级标注。该方法已在一个广泛使用数据集的标注中得到验证，使标注成本降低 60%。
引用
@article{arxiv.2212.07768,
title = {A scalable framework for annotating photovoltaic cell defects in electroluminescence images},
author = {Urtzi Otamendi and Inigo Martinez and Igor G. Olaizola and Marco Quartulli},
journal= {arXiv preprint arXiv:2212.07768},
year = {2022}
}
备注
10 pages, 10 figures, 1 table, accepted at IEEE Transactions on Industrial Informatics