Photovoltaic Panel Failure Detection Using Class-Conditioned Generative Adversarial Networks

Sintesi Tecnica: Rilevamento dei Guasti ai Pannelli Fotovoltaici mediante Reti Generative Avversarie Condizionate per Classe

Definizione del Problema
L'ispezione automatizzata dei sistemi fotovoltaici (PV) si affida pesantemente alla termografia a infrarossi (IR) per rilevare difetti come punti caldi (hot spot), crepe nelle celle e guasti ai diodi di bypass. Sebbene i modelli di deep learning abbiano mostrato potenziale nell'automazione di questo processo, la loro efficacia è severamente limitata dal forte squilibrio delle classi inerente ai dataset del mondo reale. Nelle centrali solari operative, la stragrande maggioranza dei moduli è sana, mentre le modalità di guasto critiche (ad esempio, guasti ai diodi, hot spot multi-cella) sono rare. Questa scarsità di campioni appartenenti alle classi minoritarie porta a modelli di apprendimento supervisionato che sono distorti verso la classe dominante "normale", con conseguente scarsa capacità di richiamo (recall) per i guasti critici. Inoltre, i modelli addestrati su dati così sbilanciati soffrono spesso di una scarsa calibrazione probabilistica, produendo classificazioni eccessivamente sicure che sono pericolose nelle operazioni autonome a criticità di sicurezza. La raccolta di ulteriori dati reali per i guasti rari è operativamente complessa e costosa, poiché richiede condizioni ambientali specifiche e spesso l'induzione di guasti distruttivi.

Metodologia
Per affrontare queste sfide, gli autori propongono un framework AC-GAN (Auxiliary Classifier Generative Adversarial Network) progettato specificamente per la sintesi condizionata per classe di immagini termiche ad alta fedeltà dei difetti PV.

• Architettura:
  • Generatore: Il generatore accetta un vettore di rumore latente ($z$) e un'etichetta di classe discreta ($c$). L'etichetta viene incorporata in una rappresentazione continua e concatenata con il rumore. La rete impiega una struttura di upsampling progressivo con due blocoli, ciascuno contenente batch normalization, upsampling bilineare, convoluzione e attivazione LeakyReLU. Fondamentalmente, un meccanismo di auto-attenzione (self-attention) è integrato tra i blocchi di upsampling per catturare le dipendenze spaziali a lungo raggio caratteristiche delle anomalie termiche attraverso il modulo. L'output finale è un'immagine termica in scala di grigi a singolo canale vincolata nell'intervallo $[-1, 1]$ tramite un'attivazione $tanh$.
  • Discriminatore: Il discriminatore svolge un doppio compito: distinguere le immagini reali dalle finte (compito avversario) e classificare l'immagine nella corretta categoria di anomalia (compito ausiliario). Utilizza quattro blocchi convoluzionali con normalizzazione spettrale per vincolare la costante di Lipschitz e garantire la stabilità dell'addestramento. L'output è diviso in un capo avversario (probabilità reale/finta) e un capo di classificazione ausiliario (probabilità di classe).
• Strategia di Addestramento:
  • Il modello è addestrato utilizzando una funzione di perdita composita che combina la perdita avversaria e la perdita di classificazione ausiliaria.
  • Per garantire la stabilità, gli autori impiegano lo smoothing delle etichette (target 0.9 per le reali, 0.1 per le finte), l'iniezione di rumore gaussiano nelle immagini reali e il clipping del gradiente.
  • L'ottimizzazione è eseguita utilizzando l'ottimizzatore Adam con tassi di apprendimento distinti per il generatore e il discriminatore.
• Valutazione Downstream:
  • Le immagini sintetiche generate dall'AC-GAN vengono utilizzate per bilanciare il dataset di addestramento.
  • Un classificatore MobileNetV3-Large viene addestrato sui dati aumentati utilizzando una strategia di fine-tuning in tre fasi (backbone congelato, fine-tuning parziale e fine-tuning completo) per adattarsi al compito di anomalia fotovoltaica.
  • Le prestazioni sono valutate rispetto a baseline che includono la perdita pesata per classe, l'oversampling e l'aumento geometrico convenzionale. Le metriche includono l'accuratezza top-1, la perdita di validazione e l'Errore di Calibrazione Attesa (ECE).

Contributi Chiave

1. Sintesi Condizionata per Guasto: Il documento introduce un AC-GAN specializzato per l'imaging termico PV che consente la generazione controllata di firme di guasto rare senza induzione di guasti distruttivi, affrontando direttamente il grave squilibrio dei dataset.
2. Valutazione Comparativa Rigorosa: Lo studio confronta sistematicamente l'aumento generativo con i metodi convenzionali (oversampling, pesatura delle classi e aumento geometrico), quantificando il loro impatto sia sulle prestazioni di classificazione che sulla stima dell'incertezza.
3. Focus sulla Calibrazione: Il lavoro dimostra che, sebbene i dati sintetici possano produrre un'accuratezza top-1 marginalmente inferiore rispetto alla semplice aumentazione in alcune configurazioni, essi migliorano significativamente la calibrazione probabilistica. Il framework proposto raggiunge un ECE dell'1,5%, indicando che i punteggi di confidenza del modello sono molto più vicini alla correttezza effettiva, un fattimento critico per le diagnosi sensibili alla sicurezza.

Risultati

• Qualità Generativa: L'AC-GAN proposto ha raggiunto una distanza di Fréchet Inception (FID) di 35,4, superando le versioni ablate prive di auto-attenzione (FID 52,3) o di normalizzazione spettrale (FID 68,7). Ciò indica un'alta fedeltà nelle firme termiche generate.
• Prestazioni di Classificazione:
  • L'approccio basato su AC-GAN ha raggiunto un'accuratezza di classificazione dell'80,45% con una perdita di validazione di 0,6987.
  • Questo ha superato significativamente la baseline con perdita pesata (accuratezza 67,97%, perdita 2,1747) e la baseline di oversampling (accuratezza 70,50%, perdita 1,0260).
  • Sebbene l'aumentazione geometrica convenzionale abbia ottenuto un'accuratezza leggermente superiore (82,12%), ha prodotto una perdita di validazione più elevata (0,9064) e una peggiore calibrazione.
• Calibrazione e Affidabilità: Il modello AC-GAN ha dimostrato una superiore consapevolezza dell'incertezza. I diagrammi di affidabilità hanno mostrato un forte allineamento tra la confidenza prevista e la correttezza empirica. Il modello ha mostrato un ECE dell'1,5%, rispetto al 2,56% del modello basato sull'aumentazione. Il modello basato su GAN era significativamente più sicuro quando corretto e appropriatamente meno sicuro quando errato, mentre il modello basato sull'aumentazione mostrava una maggiore sovrapposizione e un eccesso di fiducia (overconfidence).

Significatività e Rivendicazioni
Gli autori affermano che questa metodologia offre una soluzione scalabile per migliorare l'affidabilità delle operazioni di manutenzione e gestione (O&M) solari autonome. La principale significatività risiede nel compromesso tra accuratezza grezza e affidabilità: il documento sostiene che per applicazioni critiche per la sicurezza, come le ispezioni aeree autonome, un modello con una superiore calibrazione probabilistica (basso ECE) è fondamentalmente più affidabile di un modello con un'accuratezza marginalmente superiore ma scarsamente calibrato. Generando campioni sintetici di alta qualità e funzionalmente informativi, il framework AC-GAN assicura che i modelli diagnostici rimangano robusti anche quando i dati acquisiti sul campo per i modi di guasto rari non sono disponibili, riducendo così il rischio di guasti critici non rilevati e classificazioni errate con eccessiva sicurezza. Lo studio riconosce i limiti riguardanti la generalizzabilità tra diverse risoluzioni di telecamera e condizioni climatiche, e nota che i modelli di diffusione non sono stati esplorati a causa dei vincoli computazionali, suggerendo questi come aree per il lavoro futuro.