[论文解读] Segmentation of Photovoltaic Module Cells in Electroluminescence Images.

Sergiu Deitsch, Claudia Buerhop‐Lutz+3 more|arXiv (Cornell University)|Jun 18, 2018

Industrial Vision Systems and Defect Detection参考文献 26被引用 30

一句话总结

本文提出了一种稳健的、多步骤的自动化方法，用于对光伏（PV）组件的红外电致发光（EL）图像中的单个太阳能电池进行分割。通过利用边缘特征并施加铅垂线约束以实现镜头校准，该方法实现了94.47%的中位加权Jaccard指数和97.54%的F1分数，从而实现了高精度、可扩展的光伏组件退化分析。

ABSTRACT

High resolution electroluminescence (EL) images captured in the infrared spectrum allow to visually and non-destructively inspect the quality of photovoltaic (PV) modules. Currently, however, such a visual inspection requires trained experts to discern different kinds of defects, which is time-consuming and expensive. Automated segmentation of cells is therefore a key step in automating the visual inspection workflow. In this work, we propose a robust automated segmentation method for extraction of individual solar cells from EL images of PV modules. This enables controlled studies on large amounts of data to understanding the effects of module degradation over time-a process not yet fully understood. The proposed method infers in several steps a high-level solar module representation from low-level edge features. An important step in the algorithm is to formulate the segmentation problem in terms of lens calibration by exploiting the plumbline constraint. We evaluate our method on a dataset of various solar modules types containing a total of 408 solar cells with various defects. Our method robustly solves this task with a median weighted Jaccard index of 94.47% and an $F_1$ score of 97.54%, both indicating a very high similarity between automatically segmented and ground truth solar cell masks.

研究动机与目标

• 自动化分割高分辨率光伏（PV）组件电致发光（EL）图像中的单个太阳能电池。
• 减少对耗时且昂贵的专家标注检查的依赖。
• 实现对光伏组件随时间退化的大规模、可控研究。
• 开发一种在多种组件类型和缺陷条件下均具有鲁棒性的方法。
• 提高非破坏性光伏质量评估中细胞级缺陷检测的准确性与可重复性。

提出的方法

• 该方法首先从光伏（PV）组件的红外电致发光（EL）图像中提取低层次边缘特征。
• 通过铅垂线约束建模镜头畸变，将分割任务形式化，以提高几何精度。
• 通过结合边缘检测与几何约束的分层处理流程，推断出高层级的光伏组件表示。
• 算法利用校准后的图像几何结构，基于结构模式对齐并分割单个电池。
• 该方法设计为对不同组件类型中电池尺寸、形状及缺陷类型的差异具有鲁棒性。
• 通过真实标注掩膜评估分割性能，指标包括加权Jaccard指数和F1分数。

实验结果

研究问题

• RQ1 完全自动化的方法是否能在多种光伏组件类型中实现对电致发光图像中太阳能电池的高精度分割？
• RQ2 铅垂线约束在通过考虑镜头畸变来提升分割精度方面有多有效？
• RQ3 该方法在不同缺陷类型和组件配置下的泛化能力如何？
• RQ4 与真实标注相比，该方法在IoU和F1分数方面能达到何种性能水平？
• RQ5 该方法是否能够支持大规模、数据驱动的长期光伏组件退化研究？

主要发现

• 所提出的方法在来自不同组件类型的408个太阳能电池上实现了94.47%的中位加权Jaccard指数。
• 该方法获得了97.54%的F1分数，表明预测掩膜与真实标注掩膜之间重叠度高。
• 分割性能在多种缺陷类型和组件配置下均表现出鲁棒性。
• 集成铅垂线约束显著提升了电池边界检测的几何精度。
• 该方法可实现可靠、自动的细胞级分析，适用于大规模退化研究。
• 结果表明，自动化分割可在无需人工干预的情况下实现接近专家水平的精度。