DeepSolarEye：基于全卷积网络的太阳能电池板功率损失预测与弱监督污垢定位
计算机视觉与模式识别
2018-03-20 v2
摘要
污垢对太阳能电池板的影响是可再生能源领域中一个重要且被广泛研究的问题。在本文中，我们提出了首个基于卷积神经网络（CNN）的太阳能电池板污垢与缺陷分析方法。我们的方法将太阳能电池板的 RGB 图像和环境因素作为输入，以预测功率损失、污垢定位和污垢类型。在计算机视觉中，定位是一项复杂的任务，通常需要人工标注的训练数据，如边界框或分割掩码。我们提出的方法由四个专门阶段组成，完全避免了定位真值，在训练时仅需带有功率损失标签的电池板图像。从预测的定位掩码中获得的受影响区域，使用网络监督学习被分类为不同的污垢类型。为提高 CNN 的定位能力，我们引入了一种新颖的双向输入感知融合（BiDIAF）模块，在 CNN 的不同层级强化输入，以学习输入特定的特征图。我们的实证研究表明，BiDIAF 将功率损失预测精度提高了约 3%，定位精度提高了约 4%。当以弱监督方式学习时，我们的端到端模型在定位上获得了约 24% 的进一步提升。我们的方法具有泛化能力，并在网络爬取的太阳能电池板图像上显示出有希望的结果。我们的系统在 NVIDIA TitanX GPU 上的帧率为 22 fps（包括所有步骤）。此外，我们收集了首个用于太阳能电池板图像分析的数据集，包含 45,000 多张图像。
引用
@article{arxiv.1710.03811,
title = {DeepSolarEye: Power Loss Prediction and Weakly Supervised Soiling Localization via Fully Convolutional Networks for Solar Panels},
author = {Sachin Mehta and Amar P. Azad and Saneem A. Chemmengath and Vikas Raykar and Shivkumar Kalyanaraman},
journal= {arXiv preprint arXiv:1710.03811},
year = {2018}
}
备注
Accepted for publication at WACV 2018