PV-faultNet：面向高效光伏生产缺陷检测的优化CNN架构
计算机视觉与模式识别
2024-11-06 v1 机器学习
摘要
全球向可再生能源的转变使光伏电池制造成为关键环节，因为它们是绿色能源的基本构建单元。然而，制造过程足够复杂，可能因生产过程中出现的潜在缺陷而影响整体效率，从而失去其意义。但目前，缺陷检测仍依赖人工目视检查，这可能导致偏差，造成时间和成本的低效。即使已提出自动化解决方案，但大多数方案资源密集，在生产环境中效果不佳。在此背景下，本研究提出了PV-faultNet，一种轻量级卷积神经网络（CNN）架构，针对光伏电池的高效实时缺陷检测进行了优化，设计用于部署在资源受限的生产设备上。为解决工业光伏制造环境中的计算挑战，该模型仅包含292万个参数，在不牺牲准确性的前提下显著降低了处理需求。实施了全面的数据增强技术以应对数据稀缺问题，从而增强了模型泛化能力，并保持了精确率与召回率之间的平衡。所提模型实现了高性能：精确率91%、召回率89%、F1分数90%，证明了其在光伏生产可扩展质量控制中的有效性。
引用
@article{arxiv.2411.02997,
title = {PV-faultNet: Optimized CNN Architecture to detect defects resulting efficient PV production},
author = {Eiffat E Zaman and Rahima Khanam},
journal= {arXiv preprint arXiv:2411.02997},
year = {2024}
}