NAS Базовая модель для обнаружения дефектов солнечных панелей

Описание модели

NAS Базовая модель — это настраиваемая сверточная нейронная сеть на основе PyTorch, автоматически найденная с использованием Optuna (нейронный архитектурный поиск). Она служит высокоэффективным, легковесным экстрактором признаков (строго ограниченным до 300 000 параметров), специально оптимизированным для выявления поверхностных аномалий, таких как царапины и поломки на фотоэлектрических (PV) солнечных панелях.

Эта модель предназначена для легкой интеграции в более крупные конвейеры обнаружения. Независимо от того, выступает ли она в качестве основного бэкбона для Faster R-CNN или гибридной FPN, или работает автономно для классификации изображений, она использует передовые строительные блоки свертки, включая , , и , для оптимизации пространственного анализа признаков при сохранении невероятно низкого уровня вычислительных затрат.

Как была обучена модель

Модель была обучена с использованием подхода нейронного архитектурного поиска (NAS) с помощью библиотеки Optuna. Этот метод позволяет автоматически находить оптимальную архитектуру нейронной сети, которая наилучшим образом решает поставленную задачу, в данном случае — обнаружение дефектов на солнечных панелях. NAS позволяет динамически масштабировать глубину и размерности каналов на основе структурного словаря , что делает модель крайне адаптивной и эффективной.

Применение модели

Модель может быть использована как отдельный экстрактор признаков, так и в составе более сложных систем обнаружения объектов. Вот два основных сценария использования:

NAS Базовый экстрактор признаков: Чистый экстрактор признаков, обнаруженный в ходе исследования гиперпараметров Optuna. Он динамически масштабирует свою глубину и размерности каналов на основе структурного словаря .

Пример использования:

Гибридная Faster R-CNN с FPN: Полный двухэтапный конвейер обнаружения объектов. Этот экземпляр одновременно обрабатывает изображение через жестко закодированный ShuffleNetV2 и динамическую NAS Базовую модель, объединяя их карты признаков через пользовательскую сеть FPN с масштабированием 1x1 сверток. Он также применяет 50% разреженность параметров непосредственно к линейным слоям обнаружения.

Пример использования:

Ссылки

carunmanikandan/nas-model-p-vbroken-scartch на Kaggle