Deep neural network e abordagem de extração de características para detecção e classificação de anomalias em imagens infravermelhas de sistemas

Abstract

RESUMO: A crescente demanda por energia posiciona a fonte fotovoltaica como protagonista na transição energética, ao mesmo tempo em que destaca o desafio de assegurar um fornecimento contínuo e confiável dessa energia. Nesse contexto, a adoção de técnicas que automatizem e padronizem a inspeção de usinas fotovoltaicas emerge como uma necessidade crítica. Diversos estudos têm explorado o uso de ferramentas de aprendizado de máquina com esse propósito. Este trabalho propõe a aplicação de uma Rede Neural Convolucional (CNN) para identificação e classificação de falhas em módulos fotovoltaicos com base em imagens termográficas. Além disso, o estudo apresenta a extração de características geradas pela CNN para utilização como entrada em classificadores tradicionais, como K-Nearest Neighbors (KNN), Random Forest (RF) e Multilayer Perceptron (MLP), com o objetivo de comparar o desempenho dessas abordagens. Os resultados obtidos evidenciam ganhos significativos na capacidade de detecção de falhas em módulos fotovoltaicos em relação a outros trabalhos disponíveis na literatura, além de apresentarem resultados expressivos na comparação entre os quatro classificadores analisados.

ABSTRACT: The growing demand for energy positions photovoltaic power as a key player in the energy transition, while also highlighting the challenge of ensuring a continuous and reliable energy supply. In this context, the adoption of techniques that automate and standardize the inspection of photovoltaic plants becomes a critical necessity. Several studies have explored the use of machine learning tools for this purpose. This study proposes the application of a Convolutional Neural Network (CNN) for the detection and classification of faults in photovoltaic modules based on thermographic images. Additionally, the study introduces the extraction of features generated by the CNN to be used as input for traditional classifiers, such as K-Nearest Neighbors (KNN), Random Forest (RF), and Multilayer Perceptron (MLP), with the objective of comparing the performance of these approaches. The results demonstrate significant improvements in the ability to detect faults in photovoltaic modules compared to other studies in the literature, as well as noteworthy outcomes in the comparison among the four classifiers analyzed.