A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation

要約

現在、太陽光発電 (PV) 発電所の急速な発展により、現場での PV モジュールの保守と故障診断の信頼性がますます高まっています。
その有効性から、畳み込みニューラル ネットワーク (CNN) は、PV セルの既存の自動欠陥検出に広く使用されています。
ただし、これらの CNN ベースのモデルのパラメーターは非常に大きく、厳しいハードウェア リソースが必要であり、実際の産業プロジェクトに適用することは困難です。
これらの問題を解決するために、ニューラル アーキテクチャ検索と知識蒸留に基づくエレクトロルミネッセンス (EL) 画像における PV セルの自動欠陥検出のための新しい軽量高性能モデルを提案します。
効果的な軽量モデルを自動設計するために、PV セルの欠陥分類の分野にニューラル アーキテクチャ検索を初めて導入しました。
欠陥は任意のサイズになる可能性があるため、ネットワークの適切な検索構造を設計して、マルチスケールの特性をより有効に活用します。
検索された軽量モデルの全体的なパフォーマンスを向上させるために、知識の蒸留に基づいて、既存の事前トレーニング済みの大規模モデルによって学習された知識をさらに転送します。
注意情報、機能情報、ロジット情報、タスク指向情報など、さまざまな種類の知識が活用され、伝達されます。
実験では、提案されたモデルが、91.74% の精度と 1.85M のパラメーターで、オンライン データ拡張の下で EL 画像のパブリック PV セル データセットで最先端のパフォーマンスを達成することが実証されています。
提案された軽量高性能モデルは、実際の産業プロジェクトのエンド デバイスに簡単に展開でき、精度を維持できます。

要約(オリジナル)

Nowadays, the rapid development of photovoltaic(PV) power stations requires increasingly reliable maintenance and fault diagnosis of PV modules in the field. Due to the effectiveness, convolutional neural network (CNN) has been widely used in the existing automatic defect detection of PV cells. However, the parameters of these CNN-based models are very large, which require stringent hardware resources and it is difficult to be applied in actual industrial projects. To solve these problems, we propose a novel lightweight high-performance model for automatic defect detection of PV cells in electroluminescence(EL) images based on neural architecture search and knowledge distillation. To auto-design an effective lightweight model, we introduce neural architecture search to the field of PV cell defect classification for the first time. Since the defect can be any size, we design a proper search structure of network to better exploit the multi-scale characteristic. To improve the overall performance of the searched lightweight model, we further transfer the knowledge learned by the existing pre-trained large-scale model based on knowledge distillation. Different kinds of knowledge are exploited and transferred, including attention information, feature information, logit information and task-oriented information. Experiments have demonstrated that the proposed model achieves the state-of-the-art performance on the public PV cell dataset of EL images under online data augmentation with accuracy of 91.74% and the parameters of 1.85M. The proposed lightweight high-performance model can be easily deployed to the end devices of the actual industrial projects and retain the accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google