Automated Inspection of Photovoltaic cells using Deep Learning Algorithm
Notice bibliographique
Résumé
The increasing global demand for renewable energy has increased the need for dependable and efficient inspection of photovoltaic (PV) cells. Solar deployment at scale requires automation, as manual inspection is labour-exhaustive, slow, and has the risk for human error. In this paper, we present an automated inspection framework for PV cells based on deep learning algorithms with the goal of reducing human involvement and to increase the efficiency of the inspection process. Our framework is built on the inspections performed in the base paper for the PV cells and even with the lesser computational cost and account for comparable accuracy when assessing the inspection characteristics of the PV cells, while minimizing the computational complexity of the algorithm. To ensure reliable defect classification, we utilize EfficientNet-based models with extensive data augmentation techniques and optimal training methods. Our process achieves high classification accuracy with decreased computational costs, which enables scalability and cost-effectiveness in PV cell inspection, as shown by experiments against the ELPV dataset. Additionally, using electroluminescence (EL) imaging creates a perfect identification of manufacturing defects in PV cells to detect microcracks, broken regions and inactive areas that cannot be seen with the naked eye. This reduces false negatives and reliably identifies defective cells. The lightweight aspect of the proposed model provides practicality for integration in production lines to help manufacturers automate quality control processes, reduce labor expense and visual inspections and ensure systemic product reliability.
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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».