[論文レビュー] Identification of Surface Defects on Solar PV Panels and Wind Turbine Blades using Attention based Deep Learning Model

Divyanshi Dwivedi, K. Victor Sam Moses Babu+3 more|arXiv (Cornell University)|Nov 23, 2022

Photovoltaic System Optimization Techniques被引用数 7

ひとこと要約

本論文は、ドローンが撮影した高解像度画像を用いて、太陽光パネルおよび風力タービンブレードの表面欠陥を自動検出するためのビジョントランスフォーマー（ViT）ベースのディーブラーニングモデルを提案する。ViTモデルは太陽光パネルで98.66%、風力タービンブレードで97.33%の正確性を達成し、すべての評価指標および学習時間において、MobileNet、VGG16、Xception、EfficientNetB7、ResNet50を上回った。

ABSTRACT

The global generation of renewable energy has rapidly increased, primarily due to the installation of large-scale renewable energy power plants. However, monitoring renewable energy assets in these large plants remains challenging due to environmental factors that could result in reduced power generation, malfunctioning, and degradation of asset life. Therefore, the detection of surface defects on renewable energy assets is crucial for maintaining the performance and efficiency of these plants. This paper proposes an innovative detection framework to achieve an economical surface monitoring system for renewable energy assets. High-resolution images of the assets are captured regularly and inspected to identify surface or structural damages on solar panels and wind turbine blades. {Vision transformer (ViT), one of the latest attention-based deep learning (DL) models in computer vision, is proposed in this work to classify surface defects.} The ViT model outperforms other DL models, including MobileNet, VGG16, Xception, EfficientNetB7, and ResNet50, achieving high accuracy scores above 97\% for both wind and solar plant assets. From the results, our proposed model demonstrates its potential for monitoring and detecting damages in renewable energy assets for efficient and reliable operation of renewable power plants.

研究の動機と目的

• 効率性と寿命の低下を引き起こす表面欠陥を監視する大規模な再生可能エネルギー資産の課題に対処する。
• ドローンベースの画像点検を用いて、自動的でコスト効率が良く、信頼性の高い欠陊検出システムを開発する。
• 微細または初期段階の構造的損傷を検出する際の、人的点検および従来のCNNモデルの限界を克服する。
• 特にビジョントランスフォーマー（ViT）を含む注目メカニズムに基づくディーブラーニングモデルの性能を、確立されたCNNアーキテクチャと比較して評価する。
• 再生可能エネルギー発電所におけるスケーラブルで知的な監視フレームワークを通じて、初期段階の故障を早期に検出可能にする。

提案手法

• 太陽光パネルおよび風力タービンブレードの高解像度ドローン撮影画像を用いて欠陊分析を実施する。
• 画像パッチをシーケンスとして処理するための自己注意メカニズムを活用するビジョントランスフォーマー（ViT）モデルを実装する。
• 亀裂、変色、摩耗などの多クラス欠陊分類タスクに対して、ViTモデルを微調整する。
• MobileNet、VGG16、Xception、EfficientNetB7、ResNet50といったベンチマークCNNと比較して、ViTモデルを学習および評価する。
• 標準的なディーブラーニング評価指標（正確性、適合率、再現率、F1スコア、CohenのKappa、およびマーシャル相関係数（MCC））を採用する。
• 100エポックにおける推論時間の測定を通じて、学習効率を最適化し、ViTの計算上の優位性を示す。

実験結果

リサーチクエスチョン

• RQ1 ビジョントランスフォーマーベースのモデルは、太陽光パネルおよび風力タービンブレードの表面欠陊を分類する際、従来の畳み込みニューラルネットワーク（CNN）を上回ることができるか？
• RQ2 MobileNet、VGG16、Xception、EfficientNetB7、ResNet50と比較して、ViTモデルは欠陊検出における正確性、適合率、再現率、F1スコアの観点でどのように差をつけるか？
• RQ3 他のディーブラーニングモデルと比較して、ViTモデルの学習時間における計算効率はいかがなっているか？
• RQ4 十分な欠陊固有データで学習された場合、ViTモデルは低マグニチュードのシグネチャを示す初期故障を検出できるか？
• RQ5 ViTにおける注目メカニズムは、複雑で現実世界の再生可能エネルギー資産点検において、一般化能力および耐性をどのように向上させるか？

主な発見

• ViTモデルは太陽光パネルの表面欠陊分類において98.66%の正確性を達成し、ResNet50（96.58%）、EfficientNetB7（94.55%）など他のモデルを顕著に上回った。
• 風力タービンブレードでは、ViTモデルが97.33%の正確性を達成し、ResNet50（94.08%）およびXception（90.20%）を上回り、マーシャル相関係数（MCC）は0.9635を記録した。
• ViTモデルは太陽光パネルデータで最高のF1スコア（0.9950）、風力タービンブレードデータで0.9791を記録し、適合率と再現率のバランスが優れていた。
• ViTモデルは100エポックの学習にたった22分で完了し、他のモデルと比較して優れた計算効率を示した。
• ViTモデルは太陽光パネルで最高のMCCスコア（0.9828）、風力タービンブレードで0.9635を記録し、予測ラベルと実際のラベルの相関が極めて良好であることを示した。
• 特にデータが限られる風力タービンブレードにおいて、ViTモデルは限界に近い性能を示し、他のモデルが94%の正確性に達しない中で、優れた耐性を示した。