Using SegFormer for Effective Semantic Cell Segmentation for Fault Detection in Photovoltaic Arrays
Notice bibliographique
Résumé
Photovoltaic (PV) industries are susceptible to manufacturing defects within their solar cells. To accurately evaluate the efficacy of solar PV modules, the identification of manufacturing defects is imperative. Conventional industrial defect inspections predominantly rely on highly skilled inspectors conducting manual defect assessments, leading to sporadic and subjective identification outcomes. Deep-learning-based fault detection in PV or solar cells has emerged as a primary research area due to its superior efficiency and applicability. Hence, this study introduces a SegFormer-based fault detection framework to automate the visual defect inspection process in PV modules, complete with defect pseudocolorization. The proposed SegFormer-based framework effectively classifies defects into five categories: crack defects, front grid defects, interconnect defects, contact corrosion defects, and bright disconnect. Moreover, a comparative analysis is performed between the SegFormer model and the state-of-the-art fault detection algorithms, such as Deeplab v3, UNET, Deeplab v3+, PAN, PSPNet, and feature pyramid network (FPN). The experimental results reveal that the proposed SegFormer-based framework achieves highly encouraging performance, with a pixelwise accuracy of 96.24%, a weightedF1-score of 96.22%, an unweightedF1-score of 81.96%, and a mean intersection over union of 56.54%, outperforming other existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».