طريقة تكبير بيانات صور الإضاءة الكهربائية لخلايا الشمسية باستخدام cycleGAN
摘要
لمعالجة مشكلة نقص الصور التدريبية وجودة الصور المولدة في دراسة التعرف التلقائي على عيوب الإضاءة الكهربائية في وحدات الطاقة الشمسية، تم استخدام cycleGAN لتوليد صور عيوب EL لخلايا الشمسية، وتم إجراء مقارنة شاملة بينها وبين الصور التي تم توليدها بواسطة DCGAN. تم تصنيف صور EL الملتقطة وتكبير البيانات لتشكيل مجموعة تدريب. ثم تم استخدام مجموعة التدريب هذه لتدريب نماذج cycleGAN و DCGAN. أخيرًا، تمت مقارنة الصور المولدة من حيث الفعالية والتشابه والتنوع بين النموذجين. أظهرت النتائج أن نسبة الصور الفعالة المولدة بواسطة cycleGAN أعلى بشكل ملحوظ من DCGAN. مقارنةً بالصور الحقيقية الملتقطة، أظهرت صور cycleGAN تشابهًا بصريًا مرتفعًا يصعب تمييزه بالعين المجردة. مؤشر FID للصور المولدة بواسطة cycleGAN كان أقل بشكل ملحوظ من DCGAN. كان دقة نموذج التصنيف المدرب على صور cycleGAN المولدة على الصور الحقيقية 93.45%، وعندما تم إدخال كمية صغيرة من الصور الحقيقية في مجموعة التدريب، ارتفعت الدقة إلى 98.26%، متفوقة بشكل كبير على DCGAN. كان متوسط مؤشر MS-SSIM للصور المولدة بواسطة cycleGAN أقل بكثير من DCGAN. استخدام cycleGAN لتكبير بيانات صور EL لخلايا الشمسية هو طريقة فعالة، وتتفوق بشكل واضح على DCGAN من حيث الفعالية والتشابه والتنوع.
关键词
وحدات الطاقة الشمسية; خلايا شمسية; الإضاءة الكهربائية; cycleGAN; DCGAN
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website