BAF-Detector：一种基于 CNN 的高效光伏电池缺陷检测器
计算机视觉与模式识别
2021-03-30 v2
摘要
光伏（PV）电池电致发光（EL）图像的多尺度缺陷检测是一项具有挑战性的任务，其原因在于随着网络加深出现的特征消失问题。为解决该问题，我们开发了一种基于注意力的自顶向下与自底向上架构以完成多尺度特征融合。该架构称为双向注意力特征金字塔网络（BAFPN），可使金字塔的所有层共享相似的语义特征。在 BAFPN 中，采用余弦相似度来衡量融合特征中每个像素的重要性。此外，提出了一种新颖的目标检测器，称为 BAF-Detector，它将 BAFPN 嵌入到 Faster RCNN+FPN 的区域提议网络（RPN）中。BAFPN 提升了网络对尺度的鲁棒性，因此所提出的检测器在多尺度缺陷检测任务中取得了良好性能。最后，在一个包含 3629 张图像（其中 2129 张为有缺陷）的大规模 EL 数据集上的实验结果表明，所提方法在原始光伏电池 EL 图像的多尺度缺陷分类与检测上取得了 98.70%（F-measure）、88.07%（mAP）和 73.29%（IoU）的结果。
引用
@article{arxiv.2012.10631,
title = {BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell Defect Detection},
author = {Binyi Su and Haiyong Chen and Zhong Zhou},
journal= {arXiv preprint arXiv:2012.10631},
year = {2021}
}