PV-S3: Advancing Automatic Photovoltaic Defect Detection using Semi-Supervised Semantic Segmentation of Electroluminescence Images

要約

太陽光発電 (PV) システムにより、豊富な太陽エネルギーをすべて利用できるようになりますが、高効率を実現し、劣化を防ぐには定期的なメンテナンスが必要です。
エレクトロルミネッセンス (EL) イメージングを使用した従来の手動ヘルスチェックは高価であり、ロジスティクスが困難なため、自動欠陥検出が不可欠です。
現在の自動化アプローチでは、専門家による広範な手作業によるラベル付けが必要ですが、これには時間と費用がかかり、エラーが発生しやすくなります。
我々は、広範なラベリングへの依存を減らす、EL画像の欠陥のセマンティックセグメンテーションのための半教師あり学習アプローチであるPV-S3（太陽光発電半教師ありセグメンテーション）を提案します。
PV-S3 は、少数のラベル付き画像と多数のラベルなし画像を使用してトレーニングされた深層学習モデルです。
私たちは複数のデータセットで PV-S3 を評価し、その有効性と適応性を実証します。
わずか 20% のラベル付きサンプルで、従来の最先端の教師あり手法 (100
UCF-EL データセット (EL 画像のセマンティック セグメンテーションに利用できる最大のデータセット) 上のラベル付きサンプルの割合) は、アノテーション コストを 80% 削減しながらパフォーマンスの向上を示しています。

要約(オリジナル)

Photovoltaic (PV) systems allow us to tap into all abundant solar energy, however they require regular maintenance for high efficiency and to prevent degradation. Traditional manual health check, using Electroluminescence (EL) imaging, is expensive and logistically challenging which makes automated defect detection essential. Current automation approaches require extensive manual expert labeling, which is time-consuming, expensive, and prone to errors. We propose PV-S3 (Photovoltaic-Semi Supervised Segmentation), a Semi-Supervised Learning approach for semantic segmentation of defects in EL images that reduces reliance on extensive labeling. PV-S3 is a Deep learning model trained using a few labeled images along with numerous unlabeled images. We evaluate PV-S3 on multiple datasets and demonstrate its effectiveness and adaptability. With merely 20% labeled samples, we achieve an absolute improvement of 9.7% in IoU, 13.5% in Precision, 29.15% in Recall, and 20.42% in F1-Score over prior state-of-the-art supervised method (which uses 100% labeled samples) on UCF-EL dataset (largest dataset available for semantic segmentation of EL images)showing improvement in performance while reducing the annotation costs by 80%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google