A scalable framework for annotating photovoltaic cell defects in electroluminescence images

要約

太陽光発電 (PV) セルが正しく機能することは、太陽光発電所の最適な性能を確保するために重要です。
PV セルの異常検出技術は、運用と保守 (O&M) の大幅なコスト削減につながります。
最近の研究では、エレクトロルミネッセンス (EL) 画像の異常を自動的に検出するディープ ラーニング技術に焦点が当てられています。
自動化された異常注釈は、現在の O&M 方法論を改善し、PV セルのライフサイクルを延長し、故障を予測する意思決定システムの開発に役立ちます。
このホワイト ペーパーでは、ゴールデン スタンダード ベンチマークを作成するための最先端のデータ駆動型手法の組み合わせを提案することにより、文献に異常セグメンテーション アノテーションが欠けていることに対処します。
提案された方法は、(1) 新しい PV セル タイプへの適応性、(2) 費用対効果の高い微調整、および (3) 公開データセットを活用して高度な注釈を生成することで際立っています。
この方法論は、広く使用されているデータセットのアノテーションで検証されており、アノテーション コストが 60% 削減されています。

要約(オリジナル)

The correct functioning of photovoltaic (PV) cells is critical to ensuring the optimal performance of a solar plant. Anomaly detection techniques for PV cells can result in significant cost savings in operation and maintenance (O&M). Recent research has focused on deep learning techniques for automatically detecting anomalies in Electroluminescence (EL) images. Automated anomaly annotations can improve current O&M methodologies and help develop decision-making systems to extend the life-cycle of the PV cells and predict failures. This paper addresses the lack of anomaly segmentation annotations in the literature by proposing a combination of state-of-the-art data-driven techniques to create a Golden Standard benchmark. The proposed method stands out for (1) its adaptability to new PV cell types, (2) cost-efficient fine-tuning, and (3) leverage public datasets to generate advanced annotations. The methodology has been validated in the annotation of a widely used dataset, obtaining a reduction of the annotation cost by 60%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google