[논문 리뷰] HybridSolarNet: A Lightweight and Explainable EfficientNet-CBAM Architecture for Real-Time Solar Panel Fault Detection

Md. Asif Hossain, G M Mota-Tahrin Tayef외 1명|arXiv (Cornell University)|2026. 01. 06.

Photovoltaic System Optimization Techniques인용 수 0

한 줄 요약

HybridSolarNet은 EfficientNet-B0과 CBAM을 결합하여 UAV에서 실시간 태양광 패널 결함 탐지를 위한 경량의 설명 가능한 모델을 만들고, 낮은 메모리 사용으로도 강력한 정확도를 달성합니다.

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.

연구 동기 및 목표

• 에지 디바이스와 UAV에서 태양광 패널 결함 탐지의 정확성 필요성에 대응합니다.
• 실시간 점검에 적합한 경량의 주의집중 강화 아키텍처를 개발합니다.
• 데이터 누출 방지를 위해 split-before-augmentation을 사용한 견고한 평가를 보장합니다.

제안 방법

• 백본: 이미지넷으로 사전학습된 EfficientNet-B0로 정확도와 효율성의 균형을 맞춥니다.
• 주의집중: 백본 뒤에 CBAM을 삽입하여 채널 및 공간 주의로 특징 맵을 정제합니다.
• 분류기 헤드: 전역 평균 풀링, 드롭아웃(p=0.4), 그리고 여섯 가지 결함 클래스로의 선형 계층.
• 학습 전략: 클래스 불균형을 다루기 위한 Focal 손실과 25에포크 동안의 코사인 어닐링 스케줄러.
• 데이터 처리: 70/15/15의 train/val/test 비율의 split-before-augmentation, 380x380으로 전처리 및 ImageNet 표준 정규화.

실험 결과

연구 질문

• RQ1 가벼운 백본과 주의 메커니즘이 에지 디바이스에서 태양광 패널 결함 탐지에 경쟁력 있는 정확도를 달성할 수 있을까요?
• RQ2 CBAM이 EfficientNet-B0 단독 대비 결함의 위치화와 전반적인 분류 지표를 향상시킬까요?
• RQ3 Focal 손실과 코사인 어닐링이 불균형한 태양광 결함 클래스에서 더 나은 성능에 기여할까요?
• RQ4 속도와 메모리 사용량 측면에서 모델이 실시간 UAV 배치에 적합할까요?

주요 결과

• HybridSolarNet은 보유된 테스트 세트에서 92.37%의 정확도 및 0.9226의 F1-점수를 달성합니다.
• CBAM은 EfficientNet-B0에 비해 정확도 1.53% 증가와 F1 점수 1.54% 향상을 제공합니다.
• Focal 손실은 소수 클래스의 성능과 전반적인 F1 점수를 향상시킵니다.
• 코사인 어닐링은 고정 학습률에 비해 수렴 안정성을 향상시킵니다.
• HybridSolarNet은 VGG19보다 32배 작으며(16.3 MB vs. 532.6 MB) GPU에서 54.9 FPS로 실행됩니다.
• 교차 검증은 평균 정확도 92.37% ± 0.41 및 평균 F1 0.9226 ± 0.39를 보입니다.
• Grad-CAM 시각화는 모델이 인공물보다 실제 결함에 초점을 맞추고 있음을 나타냅니다.