[논문 리뷰] BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell Defect Detection

Binyi Su, Haiyong Chen외 1명|arXiv (Cornell University)|2020. 12. 19.

Industrial Vision Systems and Defect Detection참고 문헌 37인용 수 10

한 줄 요약

이 논문은 전자발광(EL) 영상에서 다중 척도 태양전지 셀 결함 검출을 위한 효율적인 CNN 기반 객체 검출기인 BAF-Detector를 제안한다. 새로운 이중방향 주의 특징 피라미드 네트워크(BAFPN)와 코사인 비국소 주의를 통합함으로써 스케일 간 특징 융합을 향상시키고 배경 잡음을 억제하며, 3,629장의 이미지로 구성된 대규모 EL 데이터셋에서 98.70% F-측정치, 88.07% mAP, 73.29% IoU를 달성한다.

ABSTRACT

The multi-scale defect detection for photovoltaic (PV) cell electroluminescence (EL) images is a challenging task, due to the feature vanishing as network deepens. To address this problem, an attention-based top-down and bottom-up architecture is developed to accomplish multi-scale feature fusion. This architecture, called Bidirectional Attention Feature Pyramid Network (BAFPN), can make all layers of the pyramid share similar semantic features. In BAFPN, cosine similarity is employed to measure the importance of each pixel in the fused features. Furthermore, a novel object detector is proposed, called BAF-Detector, which embeds BAFPN into Region Proposal Network (RPN) in Faster RCNN+FPN. BAFPN improves the robustness of the network to scales, thus the proposed detector achieves a good performance in multi-scale defects detection task. Finally, the experimental results on a large-scale EL dataset including 3629 images, 2129 of which are defective, show that the proposed method achieves 98.70% (F-measure), 88.07% (mAP), and 73.29% (IoU) in terms of multi-scale defects classification and detection results in raw PV cell EL images.

연구 동기 및 목표

• 심층 CNN에서 다중 척도 태양전지 셀 전자발광(EL) 영상 결함 검출 시 발생하는 특징 흐림 문제를 해결하기 위해.
• 특히 미세 균열 및 팔다리 끊어짐과 같은 작은 결함에 대해 스케일 간 특징 표현과 융합을 향상시키기 위해.
• 이석 및 버스바와 같은 결함과 유사한 복잡한 배경 간섭에 대한 강건성을 향상시키기 위해.
• 산업적 태양전지 셀 품질 검사에 적합한 효율적이고 정확하며 실용적인 검출기 개발을 위해.
• 다중 척도 결함 검출 작업에서 기존 검출기보다 정확도와 일반화 능력을 뛰어나게 하기 위해.

제안 방법

• 코사인 거리로 특징 간 유사도를 계산하는 다중 헤드 코사인 비국소 주의 모듈을 제안하여 결함 관련 픽셀을 강조하고 배경 잡음을 억제한다.
• 상향식 및 하향식 경로에서의 특징 융합을 통해 다중 척도 특징 표현을 향상시키는 이중방향 주의 특징 피라미드 네트워크(BAFPN)를 도입한다.
• Faster R-CNN의 FPN 기반 RPN에 BAFPN을 통합하여 BAF-Detector를 구현함으로써 영역 제안 품질을 향상시킨다.
• 주의 가중치 측정에 코사인 유사도를 사용하여 기존의 도트곱 주의보다 더 정밀한 특징 융합을 가능하게 한다.
• 모든 피라미드 수준에서 고해상도 및 의미 정보가 풍부한 특징을 모두 유지하는 대칭적이고 이중방향 특징 융합 전략을 채택한다.
• 데이터 증강 및 전이 학습을 활용하여 3,629장의 이미지로 구성된 대규모 EL 영상 데이터셋에서 모델을 엔드 투 엔드로 훈련시킨다. 이 데이터셋에는 2,129개의 결함 샘플이 포함되어 있다.

실험 결과

연구 질문

• RQ1 표준 FPN에 비해 이중방향 주의 기반 특징 피라미드 네트워크는 태양전지 셀 EL 영상에서 다중 척도 결함 검출 성능을 향상시킬 수 있는가?
• RQ2 코사인 비국소 주의는 도트곱 비국소 주의에 비해 EL 영상에서 결함을 강조하고 배경을 억제하는 데 더 우수한가?
• RQ3 BAF-PN이 Faster R-CNN의 RPN에 통합되었을 때, 소형 및 복잡한 결함 검출 정확도와 강건성에 어떤 영향을 미치는가?
• RQ4 제안된 BAF-Detector에서 검출 정확도와 추론 속도 사이의 상충 관계는 어떠한가?
• RQ5 제안된 방법은 복잡한 배경 간섭이 있는 실제 산업 현장 환경에 잘 일반화되는가?

주요 결과

• BAF-Detector는 다중 척도 결함 분류 및 검출에서 높은 정밀도와 재현율을 보이며 98.70% F-측정치를 달성한다.
• 모델은 테스트 세트에서 모든 결함 유형에 대해 강력한 성능을 보이며 평균 평균 정확도(mAP)가 88.07%에 이른다.
• IoU 점수는 73.29%에 도달하여 복잡한 배경에도 불구하고 결함 경계의 정확한 국소화를 보여준다.
• 코사인 비국소 주의는 도트곱 유사도에 비해 주의 맵 품질에서 뛰어나며, 더 명확한 결함 국소화와 더 나은 배경 억제를 제공한다.
• BAF-Detector는 GPU 워크스테이션에서 7.75 FPS의 속도를 기록하여 고정밀도와 산업 현장 적용에 적합한 수준의 수용 가능한 추론 속도를 확보한다.
• 제거 실험을 통해 이중방향 특징 융합 및 주의 모듈이 성능 향상에 크게 기여하며, BAFPN은 단방향 FPN 대비 최대 0.93% 향상된 mAP 성능을 보였다.