[論文レビュー] HybridSolarNet: A Lightweight and Explainable EfficientNet-CBAM Architecture for Real-Time Solar Panel Fault Detection

Md. Asif Hossain, G M Mota-Tahrin Tayef+1 more|arXiv (Cornell University)|Jan 6, 2026

Photovoltaic System Optimization Techniques被引用数 0

ひとこと要約

HybridSolarNet は EfficientNet-B0 と CBAM を組み合わせ、 UAV 上のリアルタイム太陽光パネル故障検出のための軽量で説明可能なモデルを実現し、低メモリ使用で高い精度を達成します。

ABSTRACT

Manual inspections for solar panel systems are a tedious, costly, and error-prone task, making it desirable for Unmanned Aerial Vehicle (UAV) based monitoring. Though deep learning models have excellent fault detection capabilities, almost all methods either are too large and heavy for edge computing devices or involve biased estimation of accuracy due to ineffective learning techniques. We propose a new solar panel fault detection model called HybridSolarNet. It integrates EfficientNet-B0 with Convolutional Block Attention Module (CBAM). We implemented it on the Kaggle Solar Panel Images competition dataset with a tight split-before-augmentation protocol. It avoids leakage in accuracy estimation. We introduced focal loss and cosine annealing. Ablation analysis validates that accuracy boosts due to added benefits from CBAM (+1.53%) and that there are benefits from recognition of classes with imbalanced samples via focal loss. Overall average accuracy on 5-fold stratified cross-validation experiments on the given competition dataset topped 92.37% +/- 0.41 and an F1-score of 0.9226 +/- 0.39 compared to baselines like VGG19, requiring merely 16.3 MB storage, i.e., 32 times less. Its inference speed measured at 54.9 FPS with GPU support makes it a successful candidate for real-time UAV implementation. Moreover, visualization obtained from Grad-CAM illustrates that HybridSolarNet focuses on actual locations instead of irrelevant ones.

研究の動機と目的

• エッジデバイスと UAV における太陽光パネル故障検出の正確性のニーズに対処する。
• リアルタイム検査に適した軽量で注意機構を備えたアーキテクチャを開発する。
• データ漏洩を防ぐ split-before-augmentation による堅牢な評価を保証する。

提案手法

• バックボーン: ImageNet で事前学習済みの EfficientNet-B0 を用い、精度と効率のバランスをとる。
• 注意機構: バックボーンの後に CBAM を挿入して、チャネルと空間の注意を通じて特徴マップを精錬する。
• 分類ヘッド: グローバル平均プーリング、ドロップアウト (p=0.4)、6 クラスの故障を分類する線形層。
• 学習戦略: クラス不均衡に対処するための focal loss と、25 エポックのコサインアニーリング学習率スケジューラ。
• データ処理: split-before-augmentation により train/val/test を 70/15/15、前処理を 380x380、ImageNet 正規化。

実験結果

リサーチクエスチョン

• RQ1 軽量なバックボーンと注意機構のみで、エッジデバイス上の太陽光パネル故障検出で競争力のある精度を達成できるか。
• RQ2 CBAM は EfficientNet-B0 単独と比べて欠陥の位置特定と全体の分類指標を改善するか。
• RQ3 focal loss とコサインアニーリングは、不均衡な太陽光故障クラスでより良いパフォーマンスに寄与するか。
• RQ4 速度とメモリ使用量の点で、モデルはリアルタイ UAV 展開に適しているか。

主な発見

Model	Acc.	F1-Score	FPS	Size (MB)
Hybrid (Ours)	92.37%	0.9226	54.9	16.3
EfficientNet-B0	90.84%	0.9072	57.8	15.5
VGG19	87.79%	0.8780	39.9	532.6
MobileNetV3	86.26%	0.8593	59.0	16.2
ResNet50	83.97%	0.8391	43.6	89.9
Custom CNN	78.63%	0.7853	56.5	5.0

• HybridSolarNet は保持アウトのテストセットで 92.37% の精度と 0.9226 の F1 スコアを達成。
• CBAM は EfficientNet-B0 より 1.53% の精度向上と 1.54% の F1 向上を提供。
• focal loss はマイノリティクラスの性能と全体の F1 スコアを改善。
• コサインアニーリングは固定学習率より収束の安定性を向上。
• HybridSolarNet は VGG19 の 32 倍小さく（16.3 MB vs. 532.6 MB）GPU 上で 54.9 FPS で動作。
• 交差検証により平均精度 92.37% ± 0.41 および平均 F1 0.9226 ± 0.39。
• Grad-CAM の視覚化は、モデルがアーティファクトではなく実際の欠陥に焦点を当てていることを示す。