SIGAN:一种用于太阳能电池缺陷分割与增强的新型图像生成方法
计算机视觉与模式识别
2021-04-13 v1 图像与视频处理
摘要
太阳能电池电致发光(EL)缺陷分割是一个有趣且具有挑战性的课题。已有许多方法用于EL缺陷检测,但由于缺陷与背景的多样性,这些方法仍不尽如人意。本文提出一种利用生成对抗网络(GAN)进行缺陷分割的新思路。首先,基于GAN的方法去除输入缺陷图像中的缺陷区域以获得无缺陷图像,同时保持背景几乎不变。然后,将缺陷输入图像与生成的无缺陷图像作差得到差分图像。最后,通过对差分图像阈值化分割出缺陷区域。为保持图像生成前后背景不变,我们提出一种新颖的强身份GAN(SIGAN),其采用新颖的强身份损失来约束背景一致性。SIGAN不仅可用于缺陷分割,还可用于小样本缺陷数据集增强。此外,我们发布了一个名为EL-2019的新型太阳能电池EL图像数据集,包含裂纹、断栅与无缺陷三类图像。在EL-2019数据集上的实验表明,所提方法取得90.34%的F值,在太阳能电池缺陷分割结果上优于许多最先进的方法。
引用
@article{arxiv.2104.04953,
title = {SIGAN: A Novel Image Generation Method for Solar Cell Defect Segmentation and Augmentation},
author = {Binyi Su and Zhong Zhou and Haiyong Chen and Xiaochun Cao},
journal= {arXiv preprint arXiv:2104.04953},
year = {2021}
}
备注
11 pages, 11 figures