基于半监督语义分割的自动光伏缺陷检测方法
图像与视频处理
2025-07-15 v4 计算机视觉与模式识别
摘要
光伏系统允许我们从源源不断的太阳能中获得能量，但需要定期维护以保持高效率并防止退化。传统的手动健康检查使用发光层析（EL）成像成本高昂且在实际操作中具有挑战性，这使得自动化缺陷检测变得必不可少。现有的自动化方法需要大量的手动专家标注，这既耗时又昂贵，还容易出错。 We propose PV-S3（Photovoltaic-Semi-supervised Semantic Segmentation），一种用于 EL 图像缺陷语义分割的半监督学习方法，该方法减少了对大量标注的依赖。PV-S3 是一种人工智能模型，通过少量标记图像和大量未标记图像进行训练。我们引入一种新的半交叉熵损失函数来处理类别不平衡问题。我们在多个数据集上评估了 PV-S3，并证明了其有效性和适应性。在使用 20% 标记样本的情况下，我们在最大数据集之一——University of Central Florida-Electroluminescence（UCF-EL）数据集（目前可用于 EL 图像语义分割的最大数据集）上，实现了在 mean Intersection-over-Union（mIoU）上提升 9.7%、Precision 提升 13.5%、Recall 提升 29.15%、F1-Score 提升 20.42%，同时将标注成本降低 80%。 For more details, please visit our GitHub repository: https://github.com/abj247/PV-S3。
引用
@article{arxiv.2404.13693,
title = {Advancing Automatic Photovoltaic Defect Detection using Semi-Supervised Semantic Segmentation of Electroluminescence Images},
author = {Abhishek Jha and Yogesh Rawat and Shruti Vyas},
journal= {arXiv preprint arXiv:2404.13693},
year = {2025}
}
备注
19 pages, 10 figures