缩小通用数据与聚光太阳能电站航拍图像之间的差距
计算机视觉与模式识别
2025-08-04 v1 人工智能
机器人学
摘要
在聚光太阳能电站的背景下，无人机拍摄的航拍图像带来了一系列独特的挑战。与现有数据集中常见的城市或自然景观不同，太阳能场包含高反射表面和传统计算机视觉基准中不常见的特定领域元素。因此，在通用数据集上训练的机器学习模型难以泛化到这种场景，除非进行大量重新训练并拥有大量标注数据。然而，收集和标注此类数据成本高昂且耗时，使其在工业应用中难以快速部署。为解决此问题，我们提出了一种新颖方法：创建 AerialCSP，一个模拟聚光太阳能电站航拍图像的虚拟数据集。通过生成能紧密模仿真实世界条件的合成数据，我们的目标是促进模型在部署前的预训练，从而显著减少对大量人工标注的需求。我们的主要贡献有三点：(1) 我们引入了 AerialCSP，一个用于聚光太阳能电站航拍检查的高质量合成数据集，为物体检测和图像分割提供了标注数据；(2) 我们在 AerialCSP 上对多个模型进行了基准测试，为与聚光太阳能电站相关的视觉任务建立了基线；(3) 我们证明了在 AerialCSP 上进行预训练能显著提升真实世界的故障检测性能，特别是对于罕见和小型缺陷，从而减少了对大量人工标注的需求。AerialCSP 已在 https://mpcutino.github.io/aerialcsp/ 公开发布。
引用
@article{arxiv.2508.00440,
title = {Reducing the gap between general purpose data and aerial images in concentrated solar power plants},
author = {M. A. Pérez-Cutiño and J. Valverde and J. Capitán and J. M. Díaz-Báñez},
journal= {arXiv preprint arXiv:2508.00440},
year = {2025}
}