SEiPV-Net : Un cadre d'apprentissage profond efficace pour la segmentation autonome de multiples défauts dans les images d'électroluminescence des modules solaires photovoltaïques.

Un cadre de segmentation robuste et efficace est essentiel pour détecter et classifier avec précision divers défauts dans les images d'électroluminescence des modules solaires PV. Avec l'accent croissant à l'échelle mondiale sur les ressources d'énergie renouvelable, les systèmes d'énergie solaire PV attirent une attention significative. L'inspection des modules PV tout au long de leur phase de fabrication et de leur durée de vie nécessite un cadre automatique et fiable pour identifier plusieurs micro-défauts qui sont imperceptibles à l'œil humain. Ce manuscrit présente une architecture de réseau basée sur un encodeur-décodeur avec la capacité de segmenter de manière autonome 24 défauts et caractéristiques dans les images d'électroluminescence des modules photovoltaïques solaires. Certains micro-défauts occupent un nombre trivial de pixels d'image, conduisant ainsi à des classes déséquilibrées. Pour résoudre ce problème, deux types de stratégies d'attribution de poids de classe sont adoptées, à savoir des attributions de poids de classe personnalisées et égales. L'utilisation de poids de classe personnalisés entraîne une augmentation des gains de performance par rapport à des poids de classe égaux. De plus, le cadre proposé est évalué en utilisant trois fonctions de perte différentes, à savoir la croix-entropie pondérée, la perte de Dice au carré pondérée et la perte de Tanimoto pondérée. De plus, une analyse comparative basée sur les paramètres du modèle est réalisée avec des modèles existants pour démontrer la légèreté de la nature du cadre proposé. Une étude d'ablation est adoptée afin de démontrer l'efficacité de chaque bloc individuel du cadre en réalisant sept expériences différentes dans l'étude. En outre, SEiPV-Net est comparé à trois techniques à la pointe de la technologie, à savoir DeepLabv3+, PSP-Net et U-Net, en termes de plusieurs métriques d'évaluation, à savoir l'intersection moyenne sur l'union (IoU), le score F1, la précision, le rappel, IoU et le coefficient de Dice. L'évaluation comparative et visuelle utilisant des techniques SOTA démontre la performance supérieure du cadre proposé.