Photovoltaic Panel Failure Detection Using Class-Conditioned Generative Adversarial Networks

Resumen Técnico: Detección de Fallos en Paneles Fotovoltaicos mediante Redes Generativas Antagónicas Condicionadas por Clase

Planteamiento del Problema
La inspección automatizada de sistemas fotovoltaicos (FV) depende en gran medida de la termografía infrarroja (IR) para detectar defectos como puntos calientes (hot spots), grietas en las celdas y fallos en los diodos de derivación. Aunque los modelos de aprendizaje profundo han mostrado potencial para automatizar este proceso, su eficacia se ve severamente limitada por el desequilibrio de clases inherente a los conjuntos de datos del mundo real. En las plantas solares operativas, la gran mayoría de los módulos están sanos, mientras que los modos de fallo críticos (por ejemplo, fallos de diodo, puntos calientes de múltiples celdas) son poco frecuentes. Esta escasez de muestras de la clase minoritaria conduce a modelos de aprendizaje supervisado que están sesgados hacia la clase dominante "normal", lo que resulta en una baja recuperación (recall) de fallos críticos. Además, los modelos entrenados con tales datos sesgados suelen sufrir de una mala calibración probabilística, produciendo clasificaciones erróneas excesivamente confiadas que son peligrosas en operaciones autónomas de seguridad crítica. La recopilación de más datos del mundo real para fallos poco comunes es operativamente compleja y costosa, ya que requiere condiciones ambientales específicas y, a menudo, la inducción de fallos destructivos.

Metodología
Para abordar estos desafíos, los autores proponen un marco de Redes Generativas Antagónicas con Clasificador Auxiliar (AC-GAN) diseñado específicamente para la síntesis condicionada por clase de imágenes térmicas de alta fidelidad de defectos fotovoltaicos.

• Arquitectura:
  • Generador: El generador acepta un vector de ruido latente ($z$) y una etiqueta de clase discreta ($c$). La etiqueta se integra en una representación continua y se concatena con el ruido. La red emplea una estructura de sobremuestreo progresivo con dos bloques, cada uno de los cuales contiene normalización por lotes (batch normalization), sobremuestreo bilineal, convolución y activación LeakyReLU. Crucialmente, se integra un m mecanismo de autoatención entre los bloques de sobremuestreo para capturar dependencias espaciales de largo alcance características de las anomalías térmicas a través del módulo. La salida final es una imagen térmica en escala de grises de un solo canal restringida al intervalo $[-1, 1]$ mediante una activación $tanh$.
  • Discriminador: El discriminador realiza una tarea dual: distinguir entre imágenes reales y falsas (tarea antagónica) y clasificar la imagen en la categoría de anomalía correcta (tarea auxiliar). Utiliza cuatro bloques convolucionales con normalización espectral para restringir la constante de Lipschitz y asegurar la estabilidad del entrenamiento. La salida se divide en una cabeza antagónica (probabilidad de real/falso) y una cabeza de clasificación auxiliar (probabilidades de clase).
• Estrategia de Entrenamiento:
  • El modelo se entrena utilizando una función de pérdida compuesta que combina la pérdida antagónica y la pérdida de clasificación auxiliar.
  • Para garantizar la estabilidad, los autores emplean suavizado de etiquetas (label smoothing; objetivos de 0.9 para reales, 0.1 para falsos), inyección de ruido gaussiano en imágenes reales y recorte de gradientes (gradient clipping).
  • La optimización se realiza mediante el optimizador Adam con tasas de aprendizaje distintas para el generador y el discriminador.
• Evaluación de Etapas Posteriores (Downstream):
  • Las imágenes sintéticas generadas por la AC-GAN se utilizan para equilibrar el conjunto de datos de entrenamiento.
  • Un clasificador MobileNetV3-Large se entrena con los datos aumentados utilizando una estrategia de ajuste fino (fine-tuning) de tres fases (núcleo congelado, ajuste fino parcial y ajuste fino completo) para adaptarse a la tarea de anomalías fotovoltaicas.
  • El rendimiento se evalúa frente a líneas base que incluyen pérdida ponderada por clase, sobremuestreo (oversampling) y aumento geomético convencional. Las métricas incluyen precisión top-1, pérdida de validación y Error de Calibración Esperado (ECE).

Contribuciones Clave

1. Síntesis Condicionada por Fallos: El artículo introduce una AC-GAN especializada para imágenes térmicas de FV que permite la generación controlada de firmas de fallos poco comunes sin necesidad de inducción de fallos destructivos, abordando directamente el severo desequilibrio de datos.
2. Evaluación Comparativa Rigurosa: El estudio compara sistemáticamente el aumento generativo frente a métodos convencionales (sobremuestreo, ponderación de clase y aumento geométrico), cuantificando su impacto tanto en el rendimiento de la clasificación como en la estimación de la incertidumbre.
3. Enfoque en la Calibración: El trabajo demuestra que, si bien los datos sintéticos pueden producir una precisión top-1 marginalmente inferior comparada con el aumento simple en algunas configuraciones, mejoran significativamente la calibración probabilística. El marco propuesto logra un ECE del 1.5%, lo que indica que las puntuaciones de confianza del modelo se alinean mucho más estrechamente con la corrección real, un factor crítico para diagnósticos sensibles a la seguridad.

Resultados

• Calidad Generativa: La AC-GAN propuesta logró una Distancia de Inception de Fréchet (FID) de 35.4, superando a las versiones abladas que carecen de autoatención (FID 52.3) o normalización espectral (FID 68.7). Esto indica una alta fidelidad en las firmas térmicas generadas.
• Rendimiento de Clasificación:
  • El enfoque basado en AC-GAN logró una precisión de clasificación del 80.45% con una pérdida de validación de 0.6987.
  • Esto superó significativamente a la línea base de pérdida ponderada por clase (67.97% de precisión, 2.1747 de pérdida) y a la línea base de sobremuestreo (70.50% de precisión, 1.0260 de pérdida).
  • Aunque el aumento geométrico convencional logró una precisión ligeramente superior (82.12%), resultó en una pérdida de validación más alta (0.9064) y una peor calibración.
• Calibración y Fiabilidad: El modelo AC-GAN demostró una conciencia de la incertidumbre superior. Los diagramas de fiabilidad mostraron una fuerte alineación entre la confianza predicha y la corrección empírica. El modelo exhibió un ECE del 1.5%, comparado con el 2.56% del modelo basado en aumento. El modelo basado en GAN fue significativamente más confiado cuando acertaba y apropiadamente menos confiado cuando fallaba, mientras que el modelo basado en aumento mostró un mayor solapamiento y exceso de confianza.

Significación y Reivindicaciones
Los autores afirman que esta metodología ofrece una solución escalable para mejorar la fiabilidad de las operaciones y el mantenimiento (O&M) solares autónomos. La principal significación reside en el equilibrio entre la precisión bruta y la fiabilidad: el artículo argumenta que, para aplicaciones de seguridad crítica como las inspecciones aéreas autónomas, un modelo con una calibración probabilística superior (bajo ECE) es fundamentalmente más fiable que uno con una precisión marginalmente mayor pero con mala calibración. Al generar muestras sintéticas funcionalmente informativas y de alta calidad, el marco AC-GAN garantiza que los modelos de diagnóstico permanezcan robustos incluso cuando no hay disponibles datos de campo para modos de fallo poco comunes, reduciendo así el riesgo de fallos críticos no detectados y clasificaciones erróneas excesivamente confiadas. El estudio reconoce limitaciones respecto a la generalizabilidad a través de diferentes resoluciones de cámara y condiciones climáticas, y señala que no se exploraron los modelos de difusión debido a restricciones computacionales, sugiriendo estas como áreas para trabajos futuros.