Machine learning approaches for automatic defect detection in photovoltaic systems

要約

太陽光発電 (PV) モジュールは、製造、設置、運用中に損傷しやすく、電力変換効率が低下します。
これにより、ライフサイクル全体にわたって環境へのプラスの影響が減少します。
欠陥のあるパネルを迅速に交換または修理して高い電力変換効率を維持するには、無人航空機による動作中の PV モジュールの継続的な監視が不可欠です。
コンピューター ビジョンは、大規模な PV プラントの欠陥を監視するための、非破壊でコスト効率の高い自動ツールを提供します。
太陽電池モジュールの欠陥の検出に使用されるディープラーニングベースのコンピュータービジョン技術の現状を概説します。
私たちは、使用される画像の種類、データ収集と処理方法、使用される深層学習アーキテクチャ、モデルの解釈可能性など、さまざまなレベルで既存のアプローチを比較および評価します。
ほとんどのアプローチは、畳み込みニューラル ネットワークをデータ拡張または敵対的生成ネットワーク ベースの技術と組み合わせて使用​​します。
分類タスクに対して解釈可能性分析を実行することで、深層学習のアプローチを評価します。
この分析により、モデルが画像の暗い領域に焦点を当てて分類を実行していることがわかります。
私たちは既存のアプローチに明らかなギャップがあることを発見すると同時に、新しいモデルを構築する際にこれらの課題を軽減するための基礎を整えます。
最後に、対処する必要がある関連する研究のギャップと、この分野の進歩に向けたアプローチについて説明します。幾何学的な深層学習と、より堅牢で信頼性の高いモデルを構築するための既存のアプローチを統合し、物理法則の専門知識を組み合わせて構築する物理ベースのニューラル ネットワークを活用します。
よりドメインを意識した深層学習モデルと、信頼できるモデルを構築するための要素として解釈可能性を組み込みます。
このレビューは、このテクノロジーを商業的に関連性のあるものにするための明確なロードマップを示しています。

要約(オリジナル)

Solar photovoltaic (PV) modules are prone to damage during manufacturing, installation and operation which reduces their power conversion efficiency. This diminishes their positive environmental impact over the lifecycle. Continuous monitoring of PV modules during operation via unmanned aerial vehicles is essential to ensure that defective panels are promptly replaced or repaired to maintain high power conversion efficiencies. Computer vision provides an automatic, non-destructive and cost-effective tool for monitoring defects in large-scale PV plants. We review the current landscape of deep learning-based computer vision techniques used for detecting defects in solar modules. We compare and evaluate the existing approaches at different levels, namely the type of images used, data collection and processing method, deep learning architectures employed, and model interpretability. Most approaches use convolutional neural networks together with data augmentation or generative adversarial network-based techniques. We evaluate the deep learning approaches by performing interpretability analysis on classification tasks. This analysis reveals that the model focuses on the darker regions of the image to perform the classification. We find clear gaps in the existing approaches while also laying out the groundwork for mitigating these challenges when building new models. We conclude with the relevant research gaps that need to be addressed and approaches for progress in this field: integrating geometric deep learning with existing approaches for building more robust and reliable models, leveraging physics-based neural networks that combine domain expertise of physical laws to build more domain-aware deep learning models, and incorporating interpretability as a factor for building models that can be trusted. The review points towards a clear roadmap for making this technology commercially relevant.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google