論文の概要: Benchmarking Vision Transformers and CNNs for Thermal Photovoltaic Fault Detection with Explainable AI Validation

• arxiv url: http://arxiv.org/abs/2509.07039v1
• Date: Mon, 08 Sep 2025 08:38:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.046606
• Title: Benchmarking Vision Transformers and CNNs for Thermal Photovoltaic Fault Detection with Explainable AI Validation
• Title（参考訳）: 説明可能なAI検証による熱太陽光発電故障検出のためのベンチマークビジョン変換器とCNN
• Authors: Serra Aksoy,
• Abstract要約: 本研究では,熱PV故障検出のための畳み込みニューラルネットワーク(ResNet-18,EfficientNet-B0)と視覚変換器(ViT-Tiny,Swin-Tiny)を系統的に比較した。 正常な動作にまたがる2万枚の赤外線画像と11の断層カテゴリの評価により,Swin Transformerが最も高い性能を示した。 XRAI分析では、細胞欠陥の局所化ホットスポット、ダイオード故障の線形熱経路、植生陰影の熱境界など、物理的に意味のある特徴を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence deployment for automated photovoltaic (PV) monitoring faces interpretability barriers that limit adoption in energy infrastructure applications. While deep learning achieves high accuracy in thermal fault detection, validation that model decisions align with thermal physics principles remains lacking, creating deployment hesitancy where understanding model reasoning is critical. This study provides a systematic comparison of convolutional neural networks (ResNet-18, EfficientNet-B0) and vision transformers (ViT-Tiny, Swin-Tiny) for thermal PV fault detection, using XRAI saliency analysis to assess alignment with thermal physics principles. This represents the first systematic comparison of CNNs and vision transformers for thermal PV fault detection with physics-validated interpretability. Evaluation on 20,000 infrared images spanning normal operation and 11 fault categories shows that Swin Transformer achieves the highest performance (94% binary accuracy; 73% multiclass accuracy) compared to CNN approaches. XRAI analysis reveals that models learn physically meaningful features, such as localized hotspots for cell defects, linear thermal paths for diode failures, and thermal boundaries for vegetation shading, consistent with expected thermal signatures. However, performance varies significantly across fault types: electrical faults achieve strong detection (F1-scores >0.90) while environmental factors like soiling remain challenging (F1-scores 0.20-0.33), indicating limitations imposed by thermal imaging resolution. The thermal physics-guided interpretability approach provides methodology for validating AI decision-making in energy monitoring applications, addressing deployment barriers in renewable energy infrastructure.
• Abstract（参考訳）: 自動太陽光発電(PV)監視のための人工知能デプロイメントは、エネルギーインフラアプリケーションの採用を制限する解釈可能性障壁に直面します。 深層学習は熱断層検出において高い精度を達成するが、モデル決定が熱物理学の原理と一致していることの検証は依然として欠如しており、モデル推論を理解することは重要である。 本研究では,熱物理原理の整合性を評価するためにXRAIサリエンシ解析を用いて,畳み込みニューラルネットワーク(ResNet-18,EfficientNet-B0)と熱PV故障検出のためのビジョントランスフォーマー(ViT-Tiny,Swin-Tiny)の系統的比較を行った。 これはCNNとビジョントランスフォーマーの物理検証可能性による熱PV故障検出のための最初の体系的な比較である。 正常な動作と11の障害カテゴリにまたがる2万枚の赤外線画像の評価により、Swin TransformerはCNNアプローチと比較して最高性能(バイナリ精度94%、マルチクラス精度73%)を達成した。 XRAI分析では、細胞欠陥の局所化ホットスポット、ダイオード故障の線形熱経路、植生シェーディングの熱境界といった物理的に意味のある特徴を学習する。 しかし、電気断層は強い検出(F1-scores >0.90)を達成し、土壌処理のような環境要因は依然として困難であり(F1-scores 0.20-0.33)、熱画像分解による限界を示す。 熱物理誘導型解釈可能性アプローチは、エネルギー監視アプリケーションにおけるAI決定の検証方法を提供し、再生可能エネルギーインフラにおけるデプロイメント障壁に対処する。

関連論文リスト

• HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections [0.685316573653194]
  HotSPOT-YOLOは、効率的な畳み込みニューラルネットワークバックボーンとアテンションメカニズムを統合して、オブジェクト検出を改善する軽量人工知能(AI)モデルである。 この研究は、再生可能エネルギーシステムにおける自動故障検出に革命をもたらす、高度なAI技術と実用的なエンジニアリングアプリケーションとの統合を強調している。
  論文  参考訳（メタデータ） (2025-08-26T10:35:24Z)
• Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation [1.9997803560872798]
  電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。 本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T18:37:14Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• Residual-based Attention Physics-informed Neural Networks for Spatio-Temporal Ageing Assessment of Transformers Operated in Renewable Power Plants [0.6223528900192875]
  本稿では,変圧器の巻線温度と経年変化に関する時間モデルを紹介する。 物理ベースの偏微分方程式とデータ駆動ニューラルネットワークを用いる。 フローティング太陽光発電プラントで動作する配電変圧器を用いて, 実験結果を検証した。
  論文  参考訳（メタデータ） (2024-05-10T12:48:57Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。