针对极度不平衡光伏组件电池图像缺陷分割的输出失衡调和
计算机视觉与模式识别
2023-10-25 v4 机器学习
图像与视频处理
摘要
光伏（PV）产业的不断发展对光伏组件电池单晶的质量提出了更高要求。在学习分割光伏组件电池图像中的缺陷区域时，微小隐裂纹（THC）会导致极度不平衡的样本。缺陷像素与正常像素的比例可低至 1:2000。这种极度不平衡使得分割光伏组件电池的 THC 变得困难，这也是语义分割面临的挑战。为了解决在极度不平衡 THC 数据上进行缺陷分割的问题，本文从三个方面做出了贡献：（1）提出了一种输出失衡的显式度量；（2）推广了一种能够处理不同类型输出失衡的基于分布的损失函数；（3）引入了一种结合自适应超参数选择算法的复合损失，能够保持训练与推理的一致性，从而调和极度不平衡输入数据上的输出失衡。所提出的方法在四种广泛使用的深度学习架构和四个具有不同程度输入不平衡的数据集上进行了评估。实验结果表明，所提出的方法优于现有方法。
引用
@article{arxiv.2211.05295,
title = {Harmonizing output imbalance for defect segmentation on extremely-imbalanced photovoltaic module cells images},
author = {Jianye Yi and Xiaopin Zhong and Weixiang Liu and Zongze Wu and Yuanlong Deng and Zhengguang Wu},
journal= {arXiv preprint arXiv:2211.05295},
year = {2023}
}
备注
19 pages, 16 figures, 3 appendixes