Photovoltaic Panel Failure Detection Using Class-Conditioned Generative Adversarial Networks

Resumo Técnico: Detecção de Falhas em Painéis Fotovoltaicos Utilizando Redes Adversárias Generativas Condicionadas por Classe

Definição do Problema
A inspeção automatizada de sistemas fotovoltaicos (PV) solares depende fortemente da termografia infravermelha (IR) para detectar defeitos como pontos quentes (hot spots), rachaduras em células e falhas de diodo de bypass. Embora modelos de aprendizagem profunda tenham mostrado potencial para automatizar este processo, sua eficácia é severamente limitada pelo desequilíbrio de classes inerente aos conjuntos de dados do mundo real. Em parques solares operacionais, a vasta maioria dos módulos está saudável, enquanto modos de falha críticos (por exemplo, falhas de diodo, pontos quentes de múltiplas células) são raros. Esta escassez de amostras de classes minoritárias leva a modelos de aprendizagem supervisionada que são enviesados para a classe dominante "normal", resultando em um baixo recall para falhas críticas. Além disso, modelos treinados em dados tão desequilibrados frequentemente sofrem de uma calibração probabilística deficiente, produzindo classificações errôneas excessivamente confiantes, o que é perigoso em operações autônomas de segurança crítica. Coletar mais dados do mundo real para falhas raras é operacionalmente complexo e dispendioso, pois exige condições ambientais específicas e, muitas vezes, indução de falhas destrutivas.

Metodologia
Para enfrentar esses desafios, os autores propõem um framework de Rede Adversária Generativa com Classificador Auxiliar (AC-GAN) projetado especificamente para a síntese condicionada por classe de imagens térmicas de alta fidelidade de defeitos em PV.

• Arquitetura:
  • Gerador: O gerador aceita um vetor de ruído latente ($z$) e um rótulo de classe discreto ($c$). O rótulo é incorporado em uma representação contínua e concatenado ao ruído. A rede emprega uma estrutura de upsampling progressivo com dois blocos, cada um contendo normalização de lote (batch normalization), upsampling bilinear, convolução e ativação LeakyReLU. Crucialmente, um mecanismo de autoatenção (self-attention) é integrado entre os blocos de upsampling para capturar dependências espaciais de longo alcance, características das anomalias térmicas através do módulo. O resultado final é uma imagem térmica em tons de cinza de canal único, restrita ao intervalo $[-1, 1]$ via uma ativação $tanh$.
  • Discriminador: O discriminador realiza uma tarefa dupla: distinguir imagens reais de falsas (tarefa adversária) e classificar a imagem na categoria de anomalia correta (tarefa auxiliar). Ele utiliza quatro blocos convolucionais com normalização espectral para restringir a constante de Lipschitz e garantir a estabilidade do treinamento. A saída é dividida em uma cabeça adversária (probabilidade real/falsa) e uma cabeça de classificação auxiliar (probabilidades de classe).
• Estratégia de Treinamento:
  • O modelo é treinado usando uma função de perda composta que combina perda adversária e perda de classificação auxiliar.
  • Para garantir a estabilidade, os autores empregam suavização de rótulos (label smoothing: alvos de 0,9 para reais, 0,1 para falsos), injeção de ruído Gaussiano em imagens reais e corte de gradiente (gradient clipping).
  • A otimização é realizada utilizando o otimizador Adam com taxas de aprendizado distintas para o gerador e o discriminador.
• Avaliação de Downstream:
  • As imagens sintéticas geradas pelo AC-GAN são utilizadas para equilibrar o conjunto de dados de treinamento.
  • Um classificador MobileNetV3-Large é treinado nos dados aumentados utilizando uma estratégia de ajuste fino (fine-tuning) de três fases (backbone congelado, ajuste fino parcial e ajuste fino total) para se adaptar à tarefa de anomalia fotovoltaica.
  • O desempenho é avaliado contra baselines que incluem perda ponderada por classe, sobreamostragem (oversampling) e aumento geomético convencional. Métricas incluem acurácia top-1, perda de validação e Erro de Calibração Esperado (ECE).

Principais Contribuições

1. Síntese Condicionada por Falha: O artigo introduz um AC-GAN especializado para imagens infravermelhas de PV que permite a geração controlada de assinaturas de falhas raras sem indução de falhas destrutivas, abordando diretamente o severo desequilíbrio de dados.
2. Avaliação Comparativa Rigorosa: O estudo compara sistematicamente o aumento generativo contra métodos convencionais (sobreamostragem, ponderação de classe e aumento geométrico), quantificando seu impacto tanto no desempenho de classificação quanto na estimativa de incerteza.
3. Foco em Calibração: O trabalho demonstra que, embora os dados sintéticos possam apresentar uma acurácia top-1 marginalmente inferior em comparação com o aumento simples em algumas configurações, eles melhoram significativamente a calibração probabilística. O framework proposto atinge um ECE de 1,5%, indicando que os escores de confiança do modelo alinham-se muito mais proximamente com a correção real, um fator crítico para diagnósticos sensíveis à segurança.

Resultados

• Qualidade Generativa: O AC-GAN proposto alcançou uma Distância de Incepção de Fréchet (FID) de 35,4, superando versões abladas sem autoatenção (FID 52,3) ou sem normalização espectral (FID 68,7). Isso indica alta fidelidade nas assinaturas térmicas geradas.
• Desempenho de Classificação:
  • A abordagem baseada em AC-GAN alcançou uma acurácia de classificação de 80,45% com uma perda de validação de 0,6987.
  • Isso superou significativamente o baseline de peso de classe (67,97% de acurácia, 2,1747 de perda) e o baseline de sobreamostragem (70,50% de acurácia, 1,0260 de perda).
  • Embora o aumento geométrico convencional tenha alcançado uma acurácia ligeiramente superior (82,12%), ele resultou em uma perda de validação mais alta (0,9064) e uma calibração inferior.
• Calibração e Confiabilidade: O modelo AC-GAN demonstrou consciência de incerteza superior. Diagramas de confiabilidade mostraram um forte alinhamento entre a confiança prevista e a correção empírica. O modelo exibiu um ECE de 1,5%, comparado a 2,56% para o modelo baseado em aumento. O modelo baseado em GAN foi significativamente mais confiante quando correto e apropriadamente menos confiante quando incorreto, enquanto o modelo baseado em aumento mostrou maior sobreposição e excesso de confiança.

Significância e Alegações
Os autores alegam que esta metodologia oferece uma solução escalável para aumentar a confiabilidade das operações e manutenção (O&M) solares autônomas. A principal significância reside no equilíbrio entre acurácia bruta e confiabilidade: o artigo argumenta que, para aplicações de segurança crítica como inspeções aéreas autônomas, um modelo com calibração probabilística superior (baixo ECE) é fundamentalmente mais confiável do que um modelo com acurácia marginalmente maior, mas má calibração. Ao gerar amostras sintéticas funcionalmente informativas e de alta qualidade, o framework AC-GAN garante que os modelos de diagnóstico permaneçam robustos mesmo quando dados adquiridos em campo para modos de falha raros não estão disponíveis, reduzindo assim o risco de falhas críticas não detectadas e classificações errôneas excessivamente confiantes. O estudo reconhece limitações quanto à generalização entre diferentes resoluções de câmera e condições climáticas, e observa que modelos de difusão não foram explorados devido a restrições computacionais, sugerindo estes como áreas para trabalhos futuros.