Одномоментное выявление дефектов фотоэлектрических модулей

Аккумулятор FIAMM FG 22703

Ученые из Китая разработали новую модель глубокого обучения, основанную на так называемом алгоритме “Вы смотрите только один раз”, который требует только одного прямого прохождения через нейронную сеть для составления прогнозов,

Объекты, обнаруженные с помощью алгоритма YOLO

Исследователи из Китая разработали новую модель глубокого обучения для выявления дефектов в фотоэлектрических панелях.

Этот метод использует изображения в видимом спектре с высоким разрешением для выявления дефектов с помощью алгоритма, основанного на системе глубокого обучения You Only Look Once (YOLO), которая делает прогнозы всего за один проход через нейронную сеть.

Новый метод также включает в себя гибридный преобразователь внимания в межэтапном частичном узком месте в сочетании с двумя свёрточными базовыми моделями.

«Опираясь на YOLOv8, мы представляем новый модуль нейронной сети HAT-C2f и перепроектируем базовый компонент, — объяснили исследователи. — В шейп-секции обычный модуль C2f заменён на архитектуру RepNCSPELAN4 — эффективную конструкцию слоёв с заданными размерами каналов, повторениями и свёртками, — а перед блоком обнаружения добавлен механизм SKAttention».

Модуль HAT-C2f повышает способность базовой модели извлекать мелкие детали изображения, а интеграция RepNCSPELAN4 в шейп-модель улучшает агрегацию признаков, позволяя системе обнаруживать объекты разных размеров. Добавление SKAttention в блок обнаружения позволяет модели адаптироваться к разным масштабам.

Модель под названием YOLO-HRS была протестирована на 6500 размеченных изображениях в видимом спектре, взятых с платформы для соревнований по науке о данных и из онлайн-сообщества Kaggle. Изображения были разделены на четыре категории: чистые, с пылью, с трещинами и с птичьим помётом. Около 80 % изображений использовались для обучения, а остальные 20 % — для проверки. Модель YOLO-HRS была протестирована в сравнении с более ранними моделями YOLO и современными алгоритмами обнаружения объектов. Также были проведены абляционные исследования, в ходе которых отдельные компоненты модели оценивались независимо друг от друга.

Анализ показал, что YOLO-HRS обеспечивает точность 86,87 %, полноту 84,6 %, среднюю точность (mAP) при соотношении пересечения и объединения (IoU) 0,5, равную 88,98 %, и mAP@0,5:0,95, равную 77,08 %.

Исследования методом исключения показали значительное повышение производительности при обнаружении объектов, а сравнение с другими моделями продемонстрировало превосходство YOLO-HRS над ними. Например, при mAP@0,5 только YOLOX приблизился к его показателям с результатом 85,59 %, в то время как RT-DETR, Faster-RCNN, NanoDet и RetinaNet набрали 79,34 %, 66,29 %, 64,16 % и 69,54 % соответственно.

По сравнению с базовой моделью YOLOv8, YOLO-HRS показала улучшение на 3 % в mAP@0,5.

«Таким образом, модель была экспериментально протестирована с использованием изображений фотоэлектрических панелей в видимом спектре, что подтвердило её высокую надёжность и точность, — заключила команда. — YOLO-HRS обеспечивает точное обнаружение дефектов в фотоэлектрических панелях, работающих в видимом спектре, и является более надёжным решением для практического применения».

В перспективе исследователи планируют дальнейшую оптимизацию и расширение возможностей YOLO-HRS.

«Во-первых, мы усовершенствуем архитектуру модели и протестируем её на различных наборах данных, включая инфракрасные и электролюминесцентные изображения, чтобы оценить её применимость в разных сценариях. Во-вторых, мы стремимся разработать облегчённые структуры, в том числе новые методы понижающей дискретизации и извлечения признаков, чтобы улучшить баланс между точностью и размером модели. Наконец, изучение междоменных приложений и методов обучения без учителя может снизить зависимость от больших наборов аннотированных данных», — заявили они.

Новый метод был представлен в статье «Новая модель глубокого обучения для обнаружения дефектов в фотоэлектрических панелях с использованием визуализации в видимом свете», опубликованной в Инженерных приложениях искусственного интеллекта. Исследование было проведено учёными из Чжэцзянского университета финансов и экономики и Ханчжоуского университета Дяньцзы.