Detecció de defectes en cel·les fotovoltaiques sobre imatges obtingudes via electroluminescència mitjançant xarxes neuronals convolucionals (CNN)
| Autor: | Campmany Garcia, Marc |
|---|---|
| Přispěvatelé: | Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica, Salaet Pereira, Juan Fernando |
| Jazyk: | Catalan; Valencian |
| Rok vydání: | 2021 |
| Předmět: |
IA
Xarxes neuronals Aprenentatge per transferència Enginyeria de la telecomunicació::Processament del senyal::Processament de la imatge i del senyal vídeo [Àrees temàtiques de la UPC] Conjunt de dades desequilibrat Imatges -- Processament Matriu de Confusió Neural networks (Computer science) Machine Learning Image processing Paradoxa de la precisió Aprenentatge automàtic Xarxes neuronals (Informàtica) CNN Aprenentatge profund Augment de dades |
| Zdroj: | UPCommons. Portal del coneixement obert de la UPC Universitat Politècnica de Catalunya (UPC) |
| Popis: | Aquest projecte consisteix en el tractament d’imatges de cel·les fotovoltaiques obtingudes via electroluminescència per a generar un model mitjançant Xarxes Neuronals Convolucionals capaç de classificar cada imatge segons el seu percentatge de defectuositat. L’objectiu principal és automatitzar el control de qualitat del procés de fabricació. El banc d’imatges amb el que s’ha treballat s’anomena “elpv-dataset-master”, és públic i consta de 2.624 imatges de 300x300 píxels en escala de grisos de cèl·lules solars funcionals i defectuoses amb un grau variable de degradacions, extretes de 44 mòduls solars diferents. Els defectes de les imatges anotades són de tipus intrínsec o extrínsec i se sap que redueixen l’eficiència energètica dels mòduls solars. Al llarg d’aquest projecte es tracta i analitza la base de dades original, es generen diferents xarxes neuronals per observar-ne el rendiment de referència (‘Benchmark”) i finalment s’enfoca l’estudi a la correcció del desequilibri entre classes del banc d’imatges utilitzant diferents tècniques com: “Data Augmentation”, “Transfer Learning” entre models, rebalanceig de pesos inicials del model i “Oversampling” (generació de més imatges per a les classes minoritàries). Este proyecto consiste en el tratamiento de imágenes de células fotovoltaicas obtenidas vía electroluminiscencia para generar un modelo mediante Redes Neuronales Convolucionales capaz de clasificar cada imagen según su porcentaje de defectuosidad. El objetivo principal es automatizar el control de calidad del proceso de fabricación. El banco de imágenes con el que se ha trabajado se denomina "elpv-dataset-master", es público y consta de 2.624 imágenes de 300x300 píxeles y en escala de grises de células solares funcionales y defectuosas con un grado variable de degradaciones, extraídas de 44 módulos solares diferentes. Los defectos de las imágenes anotadas son de tipo intrínseco o extrínseco y se sabe que reducen la eficiencia energética de los módulos solares. A lo largo de este proyecto se trata y analiza la base de datos original, se generan diferentes redes neuronales para observar el rendimiento de referencia ( “Benchmark ") y finalmente se enfoca el estudio a la corrección del desequilibrio entre clases del banco de imágenes utilizando diferentes técnicas como: "Data Augmentation", "Transfer Learning" entre modelos, rebalanceo de pesos iniciales del modelo y "oversampling" (generación de más imágenes para las clases minoritarias). This project consists on the treatment of images of photovoltaic cells obtained via electroluminescence to generate a Convolutional Neural Network model capable of classifying each image on its defect percentage. The main goal is to automatize the quality control of the manufacturing process. The dataset studied is called “elpv-dataset-master”, it is public and contains 2,624 samples of 300x300 pixels grayscale images of functional and defective solar cells with varying degree of degradations extracted from 44 different solar modules. The defects in the annotated images are either of intrinsic or extrinsic type and are known to reduce the power efficiency of solar modules. Throughout this project, the original database is explored and analysed, different neural networks are generated to observe its Benchmark performance and finally the study focuses on the correction of the imbalance between classes of the dataset using different techniques such as: “Data Augmentation”, “Transfer Learning” between models, rebalance of initial weights of the model and “Oversampling”. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|