این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۲، شماره ۲، صفحات ۳۷-۴۹
عنوان فارسی بهبود شناسایی عیوب در تصاویر EL سلول‌های خورشیدی با رویکرد مبتنی بر تمایز بین وجهی تصویر و فیلتر فوریه بالا گذر تنظیم‌شده
چکیده فارسی مقاله انرژی خورشیدی به عنوان یک جایگزین تجدیدپذیر برای سوخت‌های فسیلی، اهمیت بالایی در صنعت و زندگی روزمره دارد. با این حال، نقص‌های ساختاری در سلول‌های خورشیدی، توان تولیدی آن‌ها را به شکل چشمگیری کاهش می‌دهد. از این رو، شناسایی این عیوب با استفاده از روش‌های یادگیری عمیق در سال‌های اخیر مورد توجه ویژه‌ای قرار گرفته است. یکی از روش‌های اصلی ارزیابی، استفاده از تصاویر الکترولومینسانس (EL) سلول‌ها است. این تصاویر با وجود اطلاعات غنی از عیوب، دارای نویز ذاتی بالایی هستند که می‌تواند بر عملکرد مدل‌های یادگیری عمیق تأثیر بگذارد. در این مقاله، ما مدل FDFNet، یک معماری دو وجهی مبتنی بر ResNet، را برای شناسایی عیوب در تصاویر EL ارائه کرده‌ایم. این مدل به صورت همزمان تصویر اصلی و نسخه پیش‌پالایش‌شده آن توسط یک فیلتر فوریه تنظیم‌شده را به عنوان ورودی دریافت می‌کند. این فیلتر به صورت هدفمند، ضمن حذف نویز، فرکانس‌های بالای مرتبط با عیوب را برجسته می‌سازد. همچنین، برای ادغام بهینه ویژگی‌های استخراج‌شده از هر وجه، ماژول ادغام توجه مبتنی بر تمایز (DAF) معرفی شده است. ارزیابی رویکرد پیشنهادی بر روی مجموعه داده ELPV نشان داد که مدل ما به دقت F1-Score وزن‌دار 89.17٪ دست یافته که بیانگر بهبود قابل توجهی نسبت به روش‌های مشابه است. کد پیاده‌سازی مدل پیشنهادی به آدرس https://github.com/EmadMousavian/FDFNet در دسترس است.
کلیدواژه‌های فارسی مقاله سلول‌های خورشیدی،شناسایی عیوب،فیلتر فوریه،شبکه‌های کانولوشنی،رویکرد مبتنی بر توجه،
عنوان انگلیسی Improving Defect Detection in EL Images of Solar Cells with an Approach based on Cross-Modal Discrimination and Tuned Fourier High-Pass Filter
چکیده انگلیسی مقاله Solar energy, as a renewable alternative to fossil fuels, holds significant importance in both industry and daily life. However, structural defects in solar cells can substantially reduce their power generation capacity. Consequently, the identification of these defects using deep learning methods has garnered considerable attention in recent years. One of the primary evaluation techniques involves the use of Electroluminescence (EL) images. Despite containing rich information about defects, these images suffer from high inherent noise, which can adversely affect the performance of deep learning models. In this paper, we introduce FDFNet, a dual-branch architecture based on ResNet, for identifying defects in EL images. This model simultaneously takes the original image and its pre-processed version, generated by a tuned Fourier filter, as parallel inputs. This filter is designed to purposefully highlight high frequencies associated with defects while suppressing noise. Furthermore, a Discriminative Attention Fusion (DAF) module is introduced for the optimal fusion of features extracted from each branch. Evaluation of the proposed approach on the ELPV dataset demonstrates that our model achieves a weighted F1-Score of 89.17%, indicating a significant improvement over similar methods. The implementation code for the proposed model is available at: https://github.com/EmadMousavian/FDFNet.
کلیدواژه‌های انگلیسی مقاله سلول‌های خورشیدی,شناسایی عیوب,فیلتر فوریه,شبکه‌های کانولوشنی,رویکرد مبتنی بر توجه
نویسندگان مقاله سیدعماد موسویان |
دانشکده مهندسی برق، دانشگاه علم و صنعت، تهران، ایران

شهریار برادران شکوهی |
گروه مهندسی برق، دانشکده مهندسی برق، دانشگاه علم و صنعت، تهران، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_229854_d6f387408b572b7d76c0054d640dd9c2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات