Using SegFormer for Effective Semantic Cell Segmentation for Fault Detection in Photovoltaic Arrays
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 weighted <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">F</i>1-score of 96.22%, an unweighted <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">F</i>1-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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle