《Engineering Applications of Artificial Intelligence》：Vision-enhanced classification and interpretability for solar panel defect renewable energy using modified visual geometry group 19
编辑推荐：
提高太阳能板缺陷检测效率及模型可解释性研究，采用改进VGG19模型结合Grad-CAM可视化技术，在885张图像数据集上实现5类缺陷高特异性分类，准确率提升8.47%，模型解释性增强辅助技术验证。
Indri Windriasari|Alam Rahmatulloh
印度尼西亚塔西克马拉亚市西里旺吉大学工程学院信息学系
摘要
对太阳能电池板进行高效检测和维护对于确保可再生能源系统的最佳性能至关重要。本研究提出了一种改进的Visual Geometry Group 19（VGG19）深度学习模型，用于检测太阳能电池板的故障，同时强调分类能力和模型的可解释性。改进措施包括添加二维全局平均池化（2D）层和dropout层，以提高在885张太阳能电池板图像数据集中识别五种类型损伤的泛化能力，并通过实现梯度加权类激活映射（Grad-CAM）来增强模型的可解释性，从而可视化影响分类决策的重要图像区域。改进后的VGG19模型表现出强大的性能，在所有类别上的特异性均高于96%，表明其具有出色的泛化能力。与标准VGG19相比，该改进模型在准确性上提高了8.47%，损失从0.81降低到0.45。Grad-CAM可视化结果有助于突出与每种缺陷相关的关键区域，为现场技术人员验证分类结果提供了更多清晰度。本研究不仅提供了具体的分类解决方案，还实现了视觉解释，从而增强了对更可靠的太阳能电池板检测应用的信心。
引言
天然气、石油、煤炭和核能仍然是全球市场上最主要的能源来源。尽管这些能源存在局限性和缺点，但能源需求仍在持续增长（Li等人，2022年）。预计到2050年，能源消耗量将从125亿吨石油当量增加到160亿吨石油当量，这主要是由于全球人口增长至70亿至90亿人（Bahar等人，2020年）。这种对能源的无情需求是一个严重问题，尤其是因为传统能源是不可再生的，其储量容易耗尽，导致能源成本上升（Yoro等人，2020年）。此外，化石燃料发电厂会产生温室气体排放（CO2、SO2、NO2），对环境造成危害，导致臭氧层破坏、酸雨和全球变暖。因此，寻找更清洁、更可持续的替代能源解决方案变得更加紧迫。
近年来，特别是来自太阳的可再生能源作为一种环保且可持续的发电方式得到了发展。根据国际可再生能源机构（IRENA）的报告，太阳能装机容量持续增加，2022年约占可再生能源总装机容量的27%。然而，太阳能系统的有效性和寿命经常受到潜在退化、环境条件以及材料老化（如灰尘堆积、变色和分层）等因素的影响，从而导致性能和效率下降（Kazem等人，2024年；Rahman等人，2023年）。诸如微裂纹、划痕、黑点和断开连接等缺陷会降低发电能力并缩短电池板的整体寿命（Ameerdin等人，2024年）。不同类型缺陷之间的高度相似性常常干扰检测方法，使得有效识别和分类变得困难（Li等人，2023年）。定期检测和维护太阳能电池板对于保持最佳性能和确保可再生能源系统的最大投资回报至关重要。
在现场进行手动检测既耗时又昂贵，且依赖于可能具有主观性和有限的技术人员技能（Ameerdin等人，2024年），尤其是在工厂面积较大、地理位置分散且包含难以到达的位置时。这些因素增加了物流挑战、旅行时间和协调工作，进一步限制了检测的频率和彻底性。所开发的替代方法是使用图像处理技术和机器学习及人工神经网络（尤其是卷积神经网络（CNN）的自动化检测方法。这种方法的一些应用包括通过使用依赖高斯函数一阶导数的图像处理算法来表征光伏模块中的缺陷，如蜗牛痕迹和灰尘阴影，借助无人机和热传感器可以大规模高效监控太阳能电池板缺陷，从而加快大面积区域的检测速度（Li等人，2017年）。其他用于检测光伏面板中微裂纹和热异常的方法包括电致发光（EL）和红外（IR），每种方法在检测某些类型的缺陷（如裂纹和热点）方面具有优势（Nakagawa等人，2023年）。结合机器学习和热成像可以提高太阳能电池板的缺陷检测能力，准确率可达97%，例如基于无人机的热成像（Al Risi等人，2023年）。Rahman的进一步研究表明，像VGG19这样的CNN模型可以为各种缺陷数据类型提供解决方案（Rahman等人，2021年），迁移学习技术允许将预训练模型应用于较小的数据集，从而加快训练过程，同时不牺牲准确性并减少计算需求（Kaligambe和Fujita，2023年）。
CNN架构VGG19在广泛的图像分类任务中表现出色，其缺陷检测性能可以通过工程迁移学习得到增强。VGG19在昆虫分类方面的准确率可达97.07%，高于VGG16的96.28%（Djarot等人，2023年）。进一步分析表明，VGG19能够处理比VGG16更复杂的特征，从而在复杂数据集上实现更准确的分类（Ratnakar，2024年）。VGG19从原始数据中学习特征的能力使其成为各种图像分类任务的优秀选择（Deepa和Sheetal，2023年），包括检测可疑活动，在这方面VGG19的表现优于VGG16和ResNet-101等模型（Madhur Jain等人，2023年）。在带钢缺陷检测应用中，VGG19的准确率可达97.5%（Wan等人，2020年）。与InceptionV3和EfficientNetB7相比，VGG19架构相对更简单（Li等人，2024年）。技术迁移学习进一步支持了VGG19模型的性能，因为它允许模型在广泛的图像分类应用中高效适应。迁移学习使这些模型能够利用在大型数据集上训练的权重应用于需要较小数据集的具体任务，从而加快处理速度并提高性能，而无需从头开始训练。例如，在遥感应用中，带有迁移学习的VGG19模型在自然景观分类方面的准确率达到99.18%（Chen等人，2024年）。基于VGG19的模型在肺癌检测方面的训练准确率达到99.68%，证明了其在医学成像中的有效性（Das等人，2023年）。在农业领域，VGG19模型在番茄叶病害分类方面的准确率为99.72%，显示出其在早期疾病检测中的实用性（Nguyen等人，2022年）。通过迁移学习，模型训练时间显著缩短，性能得到提升，例如在苹果叶病害分类方面的准确率达到98.71%（Kumar等人，2024年），以及在植物物种分类方面的准确率达到99.70%（Siddharth等人，2022年）。
尽管已经开发了多种检测太阳能电池板缺陷的方法，但现有方法仍面临复杂的计算问题，尤其是在使用无人机大规模扫描大面积区域时。另一方面，像VGG19这样的预训练模型架构通过迁移学习可以加快训练过程，因为它可以利用在其他大型数据集上训练的权重，从而在不降低准确性的情况下加快训练速度。微调允许CNN模型适应特定的太阳能电池板数据集，提高在专业图像数据上的性能。尽管CNN非常有效，但它们经常因缺乏透明度而受到批评，因为它们通常作为“黑箱”运行，预测结果时不揭示哪些图像特征影响了这些结果。在需要高度信任和可解释性的领域（如能源基础设施中的太阳能电池板维护）中，这种不透明度成为一个问题。梯度加权类激活映射（Grad-CAM）可以用来增强模型的可解释性。Grad-CAM可视化了图像中对模型决策贡献最大的区域，提供了对其推理过程的洞察。这种方法可以在不改变模型架构的情况下实现，使其与VGG19和ResNet等网络兼容（Selvaraju等人，2020年）。Grad-CAM和可解释性技术可以用来改进对模型决策的理解，例如在计算资源有限的设备上（Zhou等人，2023年）。
因此，本研究提出了一种新颖的太阳能电池板缺陷检测方法，通过迁移学习和微调改进了基于VGG19的模型，以适应特定的太阳能电池板数据集。迁移学习利用预训练的权重加快了模型训练过程，而微调则使模型能够在更具体的数据上达到最佳性能。Grad-CAM被用于可视化分类中的相关图像区域，帮助现场技术人员直观验证检测结果，因为大多数深度学习模型作为“黑箱”提供结果，而不清楚哪些图像部分影响了模型的决策。Grad-CAM可以为CNN模型生成视觉激活图，突出显示对模型决策最具影响力的图像部分，从而更好地理解分类决策的原因。通过本研究开发的方法有望提高太阳能系统维护和优化的效率，支持更高效、准确和透明的可再生能源基础设施管理。
研究方法
本研究采用定量研究设计，开发并评估基于深度学习的太阳能电池板缺陷检测系统。研究框架结合了使用VGG19架构的迁移学习技术和Grad-CAM以提高模型的可解释性。本研究采用的方法遵循图1所示的流程，并进行了相应调整。
结果与分析
本研究旨在评估和开发改进的VGG19架构，以有效分类太阳能电池板缺陷并通过实现Grad-CAM来增强模型的可解释性。以下部分展示了实验和分析的结果。
讨论
本研究提出的改进型VGG19模型通过提高分类性能和模型透明度，推动了光伏（PV）系统中故障分类的发展。该模型在所有故障类别上的特异性均高于96%，表明其能够有效区分不同类型的损伤，而不会将它们混淆。这在实际应用中非常重要，因为错误的诊断可能导致不必要的维护或未检测到的损伤。
结论
本研究提出了一种基于改进的VGG19的深度学习方法，用于太阳能电池板故障分类，同时强调分类准确性和模型的可解释性。该模型在所有损伤类型上的高特异性表明其在实际太阳能电池板检测中具有重要的实用价值。Grad-CAM的集成通过提供直观的视觉解释增强了模型的透明度，支持现场决策。
作者贡献声明
Indri Windriasari：撰写 – 审稿与编辑、概念化、初稿撰写、正式分析。Alam Rahmatulloh：撰写 – 审稿与编辑、方法论、验证、调查。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
