跨越数据鸿沟：面向光伏电致发光图像的空间条件扩散模型
图像与视频处理
2025-11-14 v1
摘要
可靠的光伏（PV）模块异常检测对于维持太阳能效率至关重要。然而，开发健壮的计算机视觉模型受限于大规模、多样且平衡数据集的稀缺。本研究引入 PV-DDPM，一个空间条件去噪扩散概率模型，用于生成四种光伏电致发光（EL）图像：多晶硅（multi-c-Si）、单晶硅（mono-c-Si）、半切多晶硅和掺脱背面接触（IBC）犬骨型互连。PV-DDPM 可通过条件于表示结构特征和缺陷位置的二值掩码来实现对单缺陷和多缺陷情景的受控合成。本文是首个联合建模多种光伏电池类型并支持多样化异常类型同时生成的框架。我们还引入了 E-SCDD，即 SCDD 数据集的增强版本，包含 1000 幅标注 30 个语义类别的像素级注释 EL 图像，以及 1768 幅未标注的合成样本。定量评估显示，我们生成的图像在所有类别中 FID 为 4.10，KID 为 。使用 E-SCDD 训练视觉-语言异常检测模型 AA-CLIP，与 SCDD 数据集相比，像素级 AUC 和平均精度分别提高 1.70 和 8.34 分。
引用
@article{arxiv.2511.09604,
title = {Bridging the Data Gap: Spatially Conditioned Diffusion Model for Anomaly Generation in Photovoltaic Electroluminescence Images},
author = {Shiva Hanifi and Sasan Jafarnejad and Marc Köntges and Andrej Wentnagel and Andreas Kokkas and Raphael Frank},
journal= {arXiv preprint arXiv:2511.09604},
year = {2025}
}
备注
8 pages, 4 figures