用于异质结太阳能电池电致发光图像缺陷检测的异常分割模型
计算机视觉与模式识别
2022-10-04 v3
摘要
太阳能电池制造中的高效缺陷检测对于稳定的绿色能源技术制造至关重要。本文提出一种基于深度学习的自动检测模型 SeMaCNN，用于对电致发光图像进行分类与语义分割，以进行太阳能电池质量评估和异常检测。该模型的核心是一种基于马氏距离的异常检测算法，可在不平衡数据上以半监督方式训练，所需相关缺陷的数字电致发光图像数量较少。这对于将模型快速集成到工业场景中尤其有价值。该模型使用工厂现场收集的数据集进行训练，该数据集包含 68 748 张带主栅网格的异质结太阳能电池电致发光图像。我们的模型在由 1049 张人工标注图像组成的验证子集上达到了 92.5% 的准确率、95.8% 的 F1 分数、94.8% 的召回率和 96.9% 的精确率。该模型还在开放的 ELPV 数据集上进行了测试，表现出稳定的性能，准确率为 94.6%，F1 分数为 91.1%。SeMaCNN 模型在其性能与计算成本之间表现出良好平衡，使其适用于集成到太阳能电池制造的质量控制系统中。
引用
@article{arxiv.2208.05994,
title = {Anomaly segmentation model for defects detection in electroluminescence images of heterojunction solar cells},
author = {Alexey Korovin and Artem Vasilyev and Fedor Egorov and Dmitry Saykin and Evgeny Terukov and Igor Shakhray and Leonid Zhukov and Semen Budennyy},
journal= {arXiv preprint arXiv:2208.05994},
year = {2022}
}