About   |   Features   |   Technologies   |   Requirements   |   Starting   |   License   |   Author

Este archivo README proporciona una descripción general de la estructura y el contenido de tu proyecto.

Estructura de Carpetas:

• checkpoints (Puestos de Control): Esta carpeta almacena modelos entrenados en diferentes etapas.
• EjemplosPV-vision (Ejemplos PV-Vision): Contiene archivos de ejemplo para probar los tutoriales de Jupyter Notebook relacionados con la visión artificial para paneles solares (PV-Vision).
  • module_imgs (Imágenes de Módulo): Contiene imágenes originales de electroluminiscencia (EL) de módulos solares provenientes de campo y laboratorio.
  • raw_img_gray (Imágenes Crudas en Escala de Grises): (Aclaración necesaria) Se desconoce el contenido exacto de esta carpeta debido a un Acuerdo de No Divulgación (NDA).
• ImagenesXcap (Imágenes Xcap): Almacena un conjunto de imágenes EL tomadas con una cámara SWIR editadas con XCAP.
  • 070A_8v: Probablemente, un identificador específico para este conjunto de imágenes.
• Test_crack (Pruebas de Grietas): Contiene 10 imágenes del conjunto de datos que presentan grietas y fracturas en paneles solares.
• Test_ImageJ (Pruebas de ImageJ): Contiene imágenes EL editadas con el software ImageJ.
  • stack_070_edited: Probablemente, un nombre específico para esta imagen editada.
• TestsPV-vision (Pruebas PV-Vision): Contiene cuadernos Jupyter Notebook para seguir los tutoriales de la librería PV-Vision para el análisis de imágenes de paneles solares.
  • checkpoints (Puestos de Control): Almacena modelos entrenados en diferentes épocas (por ejemplo, epoch_10).
  • examples (Ejemplos): Contiene ejemplos para utilizar las funcionalidades de la librería PV-Vision.
    • cell_classification (Clasificación de Celdas): Contiene imágenes de celdas solares individuales recortadas de módulos completos. Estas celdas se clasifican según las etiquetas manuales proporcionadas en la carpeta ../object_detection/yolo_manual_ann.
    • crack_segmentation (Segmentación de Grietas):
      • img_for_crack_analysis (Imágenes para Análisis de Grietas): (Aclaración necesaria) Se desconoce el propósito exacto de esta subcarpeta.
      • img_for_prediction (Imágenes para Predicción): (Aclaración necesaria) Se desconoce el propósito exacto de esta subcarpeta.
      • img_label_for_training (Imágenes con Etiquetas para Entrenamiento): Contiene imágenes segmentadas que sirven para entrenar modelos de detección de grietas.
        • testset (Conjunto de Prueba):
          • ann (Anotaciones): Contiene información sobre las grietas presentes en las imágenes de prueba.
          • img (Imágenes): Contiene las imágenes del conjunto de prueba.
        • train (Conjunto de Entrenamiento):
          • ann (Anotaciones): Contiene información sobre las grietas presentes en las imágenes de entrenamiento.
          • img (Imágenes): Contiene las imágenes del conjunto de entrenamiento.
        • val (Conjunto de Validación):
          • ann (Anotaciones): Contiene información sobre las grietas presentes en las imágenes de validación.
          • img (Imágenes): Contiene las imágenes del conjunto de validación.
    • object_detection (Detección de Objetos): Contiene imágenes de módulos solares transformadas en perspectiva para facilitar la detección de celdas defectuosas. Además, la subcarpeta yolo_manual_ann almacena anotaciones manuales que indican la posición de dichas celdas.
    • transform_seg (Segmentación con Transformación):
      • field_pipeline (Flujo de Campo): Contiene imágenes EL originales de campo en formato RGB o escala de grises. Las anotaciones para la transformación de perspectiva se encuentran en la subcarpeta unet_ann. El mapa de colores para transformar imágenes RGB a escala de grises no se incluye debido al NDA.
      • module_imgs (Imágenes de Módulo): Contiene imágenes EL originales provenientes de campo y laboratorio.

Recomendación:

Se recomienda utilizar la carpeta module_imgs para practicar con las herramientas de transformación de módulos y segmentación de celdas. Los datos de field_pipeline se utilizan en tutoriales que manejan un gran número de imágenes de campo.

✔️ Feature 1;
✔️ Feature 2;
✔️ Feature 3;

The following tools were used in this project:

• Expo
• Node.js
• React
• React Native
• TypeScript

Before starting 🏁, you need to have Git and Node installed.

# Clone this project
$ git clone https://github.com/{{YOUR_GITHUB_USERNAME}}/pvdefectdetect

# Access
$ cd pvdefectdetect

# Install dependencies
$ yarn

# Run the project
$ yarn start

# The server will initialize in the <http://localhost:3000>

This project is under license from MIT. For more details, see the LICENSE file.

Made with ❤️ by {{YOUR_NAME}}

Back to top