项目概述
【免费下载链接】PVEL-AD Photovoltaic cell defect detection 
项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD
PVEL-AD（Photovoltaic Electroluminescence Anomaly Detection）是一个专门用于光伏电池缺陷检测的大规模开放世界数据集。该数据集包含36,543张近红外图像，涵盖多种内部缺陷和异质背景，是光伏制造领域重要的目标检测基准数据集。
数据集特点
缺陷类别
PVEL-AD数据集包含1类无异常图像和12种不同类别的异常图像：
- finger：电极指断裂
- crack：裂纹
- black_core：黑心缺陷
- thick_line：粗线缺陷
- horizontal_dislocation：水平位移
- short_circuit：短路
- vertical_dislocation：垂直位移
- star_crack：星形裂纹
- printing_error：印刷错误
- corner：角部缺陷
- fragment：碎片
- scratch：划痕
数据统计
| 类别 | 训练验证集 | 测试集 |
|---|---|---|
| finger | 2,958 | 22,638 |
| crack | 1,260 | 2,797 |
| black_core | 1,028 | 3,877 |
| thick_line | 981 | 1,585 |
| horizontal_dislocation | 798 | 1,582 |
| short_circuit | 492 | 1,215 |
| vertical_dislocation | 137 | 271 |
| star_crack | 135 | 83 |
| printing_error | 32 | 48 |
| corner | 9 | 12 |
| fragment | 7 | 5 |
| scratch | 5 | 3 |
总计提供40,358个真实边界框标注，这是一个典型的长尾目标检测任务。
项目文件结构
PVEL-AD项目包含以下核心文件：
AP50-5-95.py # 目标检测评估脚本，计算mAP指标
get_gt_txt.py # 将XML标注转换为TXT格式
horizontal_flipping.py # 数据增强：水平翻转
README.md # 项目说明文档
LICENSE # Apache 2.0许可证
EL2021.png # 数据集示例图像
pvel.jpg # 项目标识图片
Industrial_Data_Access_Form.docx # 数据申请表格
使用方法
1. 数据集申请
要获取PVEL-AD数据集，需要按照以下步骤申请：
- 下载并填写 Industrial_Data_Access_Form.docx 表格
- 使用机构邮箱（不接受商业邮箱）
- 手写签名并注明日期
- 将签名表格发送至指定邮箱
2. 数据预处理
标注格式转换
使用 get_gt_txt.py 将XML格式的标注转换为TXT格式：
python get_gt_txt.py
该脚本会在 input/ground-truth/ 目录下生成对应的TXT标注文件。
数据增强
使用 horizontal_flipping.py 进行水平翻转数据增强：
python horizontal_flipping.py
注意：需要根据实际情况修改脚本中的文件路径配置。
3. 模型评估
使用 AP50-5-95.py 计算目标检测模型的性能指标：
python AP50-5-95.py
该脚本支持计算不同IoU阈值下的mAP，默认从0.50到0.95，步长为0.05。
技术特点
长尾分布挑战
PVEL-AD数据集呈现典型的长尾分布特征，finger类样本数量最多（22,638个），而scratch类样本最少（仅3个），这为算法设计带来了挑战。
工业级应用
数据集来源于真实的工业生产线，包含复杂的背景和多种缺陷类型，具有很高的工业应用价值。
多类别检测
支持12种不同类型缺陷的同时检测，涵盖了光伏电池制造过程中的主要质量问题。
学术引用
如果您在研究中使用了PVEL-AD数据集，请引用以下论文：
[1] Binyi Su, Zhong Zhou, Haiyong Chen, "PVEL-AD: A Large-Scale Open-World Dataset for Photovoltaic Cell Anomaly Detection," IEEE Trans. Ind. Inform., 2022.
[2] B. Su, H. Chen, Y. Zhu, W. Liu and K. Liu, "Classification of Manufacturing Defects in Multicrystalline Solar Cells With Novel Feature Descriptor," IEEE Trans. Instrum. Meas., 2019.
[3] B. Su, H. Chen, and P. Chen, "Deep Learning-Based Solar-Cell Manufacturing Defect Detection With Complementary Attention Network," IEEE Trans. Ind. Inform., 2021.
[4] B. Su, H. Chen, and Z. Zhou, "BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell Defect Detection," IEEE Trans. Ind. Electron., 2022.
许可证
本项目采用Apache 2.0开源许可证，详情请查看LICENSE文件。
注意事项
- 测试集标注不公开，评估需要在Kaggle竞赛平台上进行
- 数据集申请需要2周内回复处理
- 请使用机构邮箱进行申请，商业邮箱不予受理
- 数据集由相关高校和科研机构联合发布
PVEL-AD数据集为光伏制造业的智能化质量检测提供了重要的数据基础，推动了计算机视觉在工业检测领域的应用发展。
【免费下载链接】PVEL-AD Photovoltaic cell defect detection 项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
