IRPVSデータセット

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a benchmark for long-tail segmentation and few-shot learning in industrial PV soiling detection.

🏢実務担当者:Enables precise soiling ratio computation for predictive maintenance of rooftop PV systems, reducing downtime and cleaning costs.

🏛政策担当者:Highlights the importance of AI-enabled monitoring for renewable energy infrastructure, informing policies on solar asset management.

1. 研究背景とデータ生成の目的 太陽光発電（PV）モジュールの表面汚損は、出力損失と不可逆的な劣化の主要な原因である。工業団地では、汚染物質は多様な発生源に由来する—金属加工からの鉄粉塵、塗装工場からの霧状コーティング粒子、化学施設からの腐食性煤煙など。これらの産業汚染物質は、静電結合、油性マトリックス、または部分硬化によりガラス表面に強固に付着し、自然降雨によるセルフクリーニングを無効にする。既存の公開PV画像データセットのほとんどは、住宅地や商業地域における設置検出に焦点を当てており、汚損タイプは自然塵、鳥の糞、花粉、落ち葉に限定され、アノテーションは通常バウンディングボックスまたは画像レベルであり、プロセス固有の産業汚染物質に対するピクセルレベルのインスタンスセグメンテーションが欠如している。 このギャップを埋めるため、我々はIndustrial Rooftop PV Soiling (IRPVS)データセットを構築した—屋上産業環境におけるプロセス固有の産業汚損に対するピクセルレベルのインスタンスセグメンテーションマスクを提供する初の公開ベンチマークである。このデータセットはセマンティックセグメンテーションモデルのトレーニングと評価をサポートし、汚損率の精密なピクセル単位の計算を可能にし、さらに物理ベースのホットスポットリスクモデルと統合して産業用PVシステムの予知保全戦略を促進することができる。 2. データ取得方法 時間と場所: 全ての画像は2025年3月20日、現地時間10:00から14:00（UTC+8）の間に、中国安徽省蕪湖市三山区経済開発区春洲路2号の産業施設（北緯31.23度、東経118.27度）で取得された。このサイトには、化学処理、機械加工、塗装/塗料作業を含む製造工場の混合クラスターが存在し、屋上には系統連系型単結晶シリコンPVアレイが合計約35 MWp設置されている。 気象条件: 取得中は快晴で、外気温は8℃から21℃、西風は風力階級で約4（10m基準高さで約7.9 m s⁻¹）、飛行前72時間に降水はなく、汚損堆積物が自然に蓄積された乱されていない状態を保証した。 機器と飛行パラメータ: 4/3 CMOSセンサー（有効解像度: 2000万画素; 出力: 3840×2160ピクセル; レンズ焦点距離: 24 mm）とメカニカルシャッターを搭載したDJI Mavic 3 UAVが使用された。飛行は完全自律で、ダブルグリッド（クロスハッチ）パターンであった。主要パラメータ: 飛行高度30 m、地上サンプリング距離（GSD）≒0.55 cm/ピクセル、ジンバルピッチ30度、前方オーバーラップ80%、側方オーバーラップ75%、シャッタースピード1/1800秒、ISO 100、ホワイトバランスはミッション開始時に固定、JPEG形式。約8,012枚の生フレームが取得され、オルソモザイク処理後、3840×2160ピクセルの8,012枚の画像にタイル分割された。 3. アノテーション方法 汚染物質クラスの分類: 視覚的外観、産業由来、危険性に基づいて3つのクラスが定義された: ダスト（クラス1）: 視覚的には、緩やかなエッジ遷移を持つ拡散した低〜中コントラストの灰色のベールによって特徴付けられる。研削、破砕、材料取り扱い、および一般的な産業活動に由来する。その危険特性には、広帯域透過率の低下と、水分保持のための基質として機能することが含まれる。 レッドペイント（クラス2）: 視覚的には、シャープに輪郭が描かれた、高クロマのオレンジレッドのパッチと半光沢の表面テクスチャによって特徴付けられる。スプレー塗装、コーティング、および表面仕上げ作業に由来する。その危険特性には、高不透明度（完全な光子遮断）、強力な接着性、および反射防止コーティングとの潜在的な化学反応が含まれる。 スート（クラス3）: 視覚的には、白から明るい灰色の、中程度に吸収性のある、つや消しの堆積物と、中間のエッジ勾配（ダストよりシャープで、レッドペイントより緩やか）によって特徴付けられる。燃焼排気、炉煙道、および鋳造場の通気口に由来する。その危険特性には、高い比表面積による強い光散乱と、湿潤条件下でガラス表面の腐食を加速する酸性成分が含まれる。 アノテーションツールと形式: アノテーションは、ポリゴン描画用のオープンソースのグラフィカルツールであるLabelme（v5.1.1）を使用して作成された。出力形式はCOCO JSON（COCO 1.0仕様に準拠）である。各アノテーションエントリは、画像ファイル識別子、カテゴリID、およびピクセル単位の(x, y)ポリゴン頂点座標の順序付きリストを記録する。 4. データファイル構造 データセットのルートディレクトリはdatasetsと名付けられ、以下のように構成されている: datasets/ ├── img/ # 生画像ファイル (JPEG) ├── json/ # 元のCOCO JSONアノテーションファイル └── seg/ # セグメンテーションタスク用のコアデータ ├── images/ # 画像ファイル │ ├── train/ # トレーニングセット (6,409枚の画像) │ ├── val/ # バリデーションセット (801枚の画像) │ └── test/ # テストセット (802枚の画像) └── labels/ # YOLO形式のポリゴンセグメンテーションラベル (TXT) ├── train/ # train/ の画像とペア ├── val/ # val/ の画像とペア └── test/ # test/ の画像とペア ファイル命名規則: 画像ファイル: [シーケンス].jpg (例: 000001.jpg) と命名され、シーケンスは000001から008012までの5桁の数字である。全ての画像はJPEG、3840×2160ピクセルである。 YOLOラベルファイル: それぞれ対応する画像と同じベース名を持つが、拡張子は.txt (例: 000001.txt) であり、seg/labels/ の下の対応するサブディレクトリに配置される。 COCO JSONアノテーションファイル: json/ ディレクトリに格納され、完全なインスタンスレベルのポリゴン情報を含む。 5. データセット統計 データセットは8,012枚の画像で構成され、合計39,212個の汚損インスタンスを含む。クラスごとの分布は以下の通り: ダスト: 37,811インスタンス、7,842枚の画像（全画像の96.4%）に出現。 レッドペイント: 738インスタンス、316枚の画像（全画像の1.9%）に出現。 スート: 663インスタンス、287枚の画像（全画像の1.7%）に出現。 この分布はサンプリングの人為的結果ではなく、実際の物理的現象を反映している: ダストは製造環境における遍在するバックグラウンドエアロゾルであり、レッドペイントとスートは一時的でプロセスに近接している。このロングテール分布は、遍在するバックグラウンドに対して稀だが影響の大きい汚染物質タイプを検出する必要がある、現実世界の検査課題を反映している。 データセットは、クラスの存在に基づく画像レベルの層化ランダムサンプリングにより、トレーニング（6,409枚、80.0%）、バリデーション（801枚、10.0%）、テスト（802枚、10.0%）に分割され、テールクラス（レッドペイント、スート）が全ての分割に含まれることを保証している。 6. データ形式とソフトウェア互換性 画像形式: JPEG (.jpg)、3840×2160ピクセル アノテーション形式: COCO JSON (.json) およびYOLO形式 (.txt) 互換性のあるフレームワーク: YOLO26-seg、Mask R-CNN、Detectron2、MMDetection、およびその他の主流のインスタンスセグメンテーションフレームワークで直接使用可能 推奨ツール: ポリゴンの表示/編集用にLabelme (v5.1.1以降); モデルトレーニング用にPyTorch、Ultralytics YOLOなど 7. データ品質検証 我々は、YOLO26-segインスタンスセグメンテーションアーキテクチャを使用してIRPVSデータセットをベンチマークした。実験は、Intel Core i9-14900K CPU、64 GB DDR5-5600 RAM、および単一のNVIDIA GeForce RTX 5090 GPU（32 GB GDDR7 VRAM）を搭載したワークステーションで、PyTorch 2.5.0を使用して実行された。モデルはCOCO事前学習済み重みで初期化され、入力サイズ640×640ピクセルで300エポックトレーニングされた。 テストセットでのセグメンテーション性能（IoU閾値 = 0.70）は以下の通り（全ての値はパーセント）: ダスト: Precision 87.95%、Recall 85.05%、IoU 76.17%、Dice 86.48%、mAP50 83.87%。 レッドペイント: Precision 96.11%、Recall 93.24%、IoU 89.85%、Dice 94.65%、mAP50 94.26%。 スート: Precision 95.64%、Recall 96.74%、IoU 92.65%、Dice 96.19%、mAP50 97.06%。 マクロ平均: Precision 93.23%、Recall 91.68%、IoU 86.22%、Dice 92.44%、mAP50 91.73%。 結果は、スートがその特徴的な特徴と比較的大きなインスタンス面積により最高の性能を達成することを示している; レッドペイントは、シャープな境界を持つものの、限られたトレーニングサンプル（738インスタンス）に悩まされている; ダストは、豊富なデータがあるにもかかわらず、その小さな面積とPVパネルのアルミフレームエッジとの低コントラストのため、最も困難である。 8. データの価値と再利用の可能性 IRPVSデータセットは、3つの領域で重要な価値を提供する: (i) 科学的貢献: 屋上産業環境におけるプロセス固有の産業汚損に対するピクセルレベルのインスタンスセグメンテーションマスクを提供する初の公開リソースであり、既存のPV画像データセットの重大なギャップを埋めるものである。 (ii) 技術的実現: ロングテールセマンティックセグメンテーション、少数ショット学習、ドメイン適応、および物理情報に基づく予知保全モデリングのための標準化されたベンチマークとして機能する。特に、小さな面積と低コントラストを特徴とするダストカテゴリは、少数ショットおよびハードサンプルマイニング手法のための挑戦的なテストベッドを提供する。 (iii) 実用的適用性: セグメンテーションモデルによって出力されるピクセル単位の汚損マスクは、任意の

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

1. Research Background and Purpose of Data GenerationSurface soiling of photovoltaic (PV) modules is a major cause of power output loss and irreversible degradation. In industrial parks, contaminants originate from diverse sources—ferrous dust from metal fabrication, atomised coating particles from paint shops, and corrosive soot from chemical facilities. These industrial pollutants adhere strongly to glass surfaces due to electrostatic bonding, oily matrices, or partial curing, making natural rainfall ineffective for self‑cleaning. Most existing public PV imagery datasets focus on installation detection in residential or commercial areas, with soiling types limited to natural dust, bird droppings, pollen, and leaves; annotations are typically at the bounding‑box or image‑level, lacking pixel‑level instance segmentation for process‑specific industrial contaminants.To bridge this gap, we constructed the Industrial Rooftop PV Soiling (IRPVS) dataset—the first publicly available benchmark that provides pixel‑level instance segmentation masks for process‑specific industrial soiling in a rooftop industrial setting. This dataset supports the training and evaluation of semantic segmentation models, enabling precise pixel‑wise computation of the soiling ratio, which can be further integrated with physics‑based hot‑spot risk models to facilitate predictive maintenance strategies for industrial PV systems.2. Data Acquisition MethodsTime and location: All imagery was acquired on 20 March 2025, between 10:00 and 14:00 local time (UTC+8), over an industrial facility at No. 2 Chunzhou Road, Sanshan District Economic Development Zone, Wuhu, Anhui Province, China (31.23°N, 118.27°E). The site hosts a mixed cluster of manufacturing plants—including chemical processing, mechanical fabrication, and coating/painting operations—with rooftop grid‑connected monocrystalline silicon PV arrays totalling approximately 35 MWp.Meteorological conditions: Clear‑sky conditions prevailed during acquisition, with ambient temperatures ranging from 8 °C to 21 °C, a westerly wind of about force 4 on the Beaufort scale (~7.9 m s⁻¹ at 10 m reference height), and no precipitation in the 72 hours prior to the flight, ensuring that soiling deposits remained in their naturally accumulated, undisturbed state.Equipment and flight parameters: A DJI Mavic 3 UAV, equipped with a 4/3 CMOS sensor (effective resolution: 20 megapixels; output: 3840 × 2160 pixels; lens focal length: 24 mm) and a mechanical shutter, was used. The flight was fully autonomous with a double‑grid (cross‑hatch) pattern. Key parameters: flight altitude 30 m, ground sampling distance (GSD) ≈0.55 cm/pixel, gimbal pitch 30°, forward overlap 80%, side overlap 75%, shutter speed 1/1800 s, ISO 100, white balance locked at mission start, and JPEG format. Approximately 8,012 raw frames were acquired, and after ortho‑mosaicking, they were tiled into 8,012 images of 3840 × 2160 pixels.3. Annotation MethodsTaxonomy of contaminant classes: Three classes were defined based on visual appearance, industrial provenance, and hazard potential:Dust (Class 1): Visually characterised by a diffuse, low‑to‑moderate contrast grey veil with gradual edge transitions. It originates from grinding, crushing, material handling, and general industrial activity. Its hazard features include reduced broadband transmittance and acting as a substrate for moisture retention.Redpaint (Class 2): Visually characterised by sharply delineated, high‑chroma orange‑red patches with a semi‑gloss surface texture. It originates from spray painting, coating, and surface‑finishing operations. Its hazard features include high opacity (complete photon blockage), strong adhesion, and potential chemical reactions with anti‑reflective coatings.Soot (Class 3): Visually characterised by white‑to‑light‑grey, moderately absorbing, matte deposits with intermediate edge gradients (sharper than Dust, more gradual than Redpaint). It originates from combustion exhaust, furnace flues, and foundry vents. Its hazard features include strong light scattering due to high specific surface area, and acidic components that accelerate glass surface corrosion under humid conditions.Annotation tool and format: Annotations were produced using Labelme (v5.1.1), an open‑source graphical tool for polygon delineation. The output format is COCO JSON (compliant with COCO 1.0 specification). Each annotation entry records the image file identifier, category ID, and an ordered list of (x, y) polygon vertex coordinates in pixel units.4. Data File StructureThe dataset root directory is named datasets and is organised as follows:datasets/├── img/             # Raw image files (JPEG)├── json/             # Original COCO JSON annotation files└── seg/             # Core data for segmentation tasks  ├── images/          # Image files  │  ├── train/        # Training set (6,409 images)  │  ├── val/         # Validation set (801 images)  │  └── test/         # Test set (802 images)  └── labels/          # YOLO‑format polygon segmentation labels (TXT)    ├── train/        # Paired with train/ images    ├── val/         # Paired with val/ images    └── test/         # Paired with test/ imagesFile naming conventions:Image files: Named as [sequence].jpg (e.g., 000001.jpg), where the sequence is a five‑digit number from 000001 to 008012. All images are JPEG, 3840 × 2160 pixels.YOLO label files: Each has the same base name as its corresponding image but with the .txt extension (e.g., 000001.txt), and is placed in the corresponding subdirectory under seg/labels/.COCO JSON annotation files: Stored in the json/ directory, containing complete instance‑level polygon information.5. Dataset StatisticsThe dataset comprises 8,012 images with a total of 39,212 soiling instances. The distribution per class is as follows:Dust: 37,811 instances, appearing in 7,842 images (96.4% of all images).Redpaint: 738 instances, appearing in 316 images (1.9% of all images).Soot: 663 instances, appearing in 287 images (1.7% of all images).This distribution is not a sampling artefact but reflects the real physical phenomenology: Dust is a pervasive background aerosol in manufacturing environments, while Redpaint and Soot are episodic and process‑proximate. This long‑tailed distribution mirrors real‑world inspection challenges, where rare but high‑consequence contaminant types must be detected against a ubiquitous background.The dataset is split into training (6,409 images, 80.0%), validation (801 images, 10.0%), and test (802 images, 10.0%) via stratified random sampling at the image level based on class presence, ensuring that tail classes (Redpaint, Soot) are represented in all splits.6. Data Formats and Software CompatibilityImage format: JPEG (.jpg), 3840 × 2160 pixelsAnnotation formats: COCO JSON (.json) and YOLO‑format (.txt)Compatible frameworks: Directly usable with YOLO26‑seg, Mask R‑CNN, Detectron2, MMDetection, and other mainstream instance segmentation frameworksRecommended tools: Labelme (v5.1.1 or later) for viewing/editing polygons; PyTorch, Ultralytics YOLO, etc., for model training7. Data Quality ValidationWe benchmarked the IRPVS dataset using the YOLO26‑seg instance segmentation architecture. Experiments were performed on a workstation with an Intel Core i9‑14900K CPU, 64 GB DDR5‑5600 RAM, and a single NVIDIA GeForce RTX 5090 GPU (32 GB GDDR7 VRAM), using PyTorch 2.5.0. The model was initialised with COCO‑pretrained weights and trained for 300 epochs at an input size of 640 × 640 pixels.Segmentation performance on the test set (IoU threshold = 0.70) is as follows (all values in percentage):Dust: Precision 87.95%, Recall 85.05%, IoU 76.17%, Dice 86.48%, mAP50 83.87%.Redpaint: Precision 96.11%, Recall 93.24%, IoU 89.85%, Dice 94.65%, mAP50 94.26%.Soot: Precision 95.64%, Recall 96.74%, IoU 92.65%, Dice 96.19%, mAP50 97.06%.Macro‑average: Precision 93.23%, Recall 91.68%, IoU 86.22%, Dice 92.44%, mAP50 91.73%.The results show that Soot achieves the highest performance due to its distinctive features and relatively large instance areas; Redpaint, though sharply bounded, suffers from limited training samples (738 instances); Dust, despite abundant data, is the most challenging because of its small area and low contrast with the aluminium frame edges of PV panels.8. Data Value and Reuse PotentialThe IRPVS dataset offers significant value in three domains:(i) Scientific contribution: It is the first public resource providing pixel‑level instance segmentation masks for process‑specific industrial soiling in a rooftop industrial environment, filling a critical gap in existing PV imagery datasets.(ii) Technical enablement: It serves as a standardised benchmark for long‑tail semantic segmentation, few‑shot learning, domain adaptation, and physics‑informed predictive maintenance modelling. In particular, the Dust category—characterised by small areas and low contrast—presents a challenging testbed for few‑shot and hard‑example mining methods.(iii) Practical applicability: The pixel‑wise soiling masks output by segmentation models enable precise computation of the soiling ratio (SR = contaminated area / total module area) for arb

• scidb https://doi.org/10.57760/sciencedb.44796first seen 2026-08-04 06:00:36 · last seen 2026-09-02 06:04:13