Academic Journal
Automated fault classification of photovoltaic modules from thermal images using autoencoder-compressed CNN features.
| Τίτλος: | Automated fault classification of photovoltaic modules from thermal images using autoencoder-compressed CNN features. |
|---|---|
| Alternate Title: | Automatyczna klasyfikacja błędów modułów fotowoltaicznych na podstawie obrazów termicznych z wykorzystaniem funkcji CNN skompresowanych autoenkoderem. (Polish) |
| Συγγραφείς: | PHUNGKET, Chutinun, NANGTIN, Prasit |
| Πηγή: | Przegląd Elektrotechniczny; 2026, Issue 5, p172-177, 6p |
| Θεματικοί όροι: | Fault diagnosis, Convolutional neural networks, Thermography, Deep learning, Autoencoders, Support vector machines, Drone aircraft, Photovoltaic power generation |
| Abstract (English): | This paper presents a compact pipeline for automated thermal photovoltaic module fault classification combining CNN feature extraction, autoencoder-based compression, and multi-class SVM inference. Using ResNet-101 fixed features, dimensionality is reduced from 2048 to 256 while achieving 96.67% accuracy on a benchmark test set. Leakage-safe protocols ensure valid model selection. External validation on 1,800 UAV-acquired field images yields 89.33% accuracy, evidencing domain-shift degradation yet supporting deployment for three-class thermal PV fault detection (No-Anomaly, Cracking, and Soiling) in resource-constrained inspection systems. [ABSTRACT FROM AUTHOR] |
| Abstract (Polish): | W niniejszym artykule przedstawiono zwartą metodę automatycznej klasyfikacji usterek termicznych modułów fotowoltaicznych, łączącą ekstrakcję cech CNN, kompresję opartą na autoenkoderze oraz wieloklasowe wnioskowanie SVM. Dzięki zastosowaniu stałych cech ResNet-101, wymiarowość została zredukowana z 2048 do 256, osiągając jednocześnie 96,67% dokładności w zestawie testowym. Protokoły bezpieczeństwa przed wyciekiem zapewniają prawidłowy wybór modelu. Zewnętrzna walidacja na 1800 obrazach terenowych uzyskanych z bezzałogowych statków powietrznych (UAV) daje dokładność na poziomie 89,33%, co potwierdza degradację przesunięcia domeny, a jednocześnie umożliwia wdrożenie wykrywania usterek termicznych PV w trzech klasach (brak anomalii, pęknięć i zabrudzeń) w systemach inspekcji o ograniczonych zasobach. [ABSTRACT FROM AUTHOR] |
| Copyright of Przegląd Elektrotechniczny is the property of Wydawnictwo SIGMA-NOT and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Βάση Δεδομένων: | Complementary Index |
| FullText | Text: Availability: 0 |
|---|---|
| Header | DbId: edb DbLabel: Complementary Index An: 194237847 RelevancyScore: 1061 AccessLevel: 6 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 1060.76245117188 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Automated fault classification of photovoltaic modules from thermal images using autoencoder-compressed CNN features. – Name: TitleAlt Label: Alternate Title Group: TiAlt Data: Automatyczna klasyfikacja błędów modułów fotowoltaicznych na podstawie obrazów termicznych z wykorzystaniem funkcji CNN skompresowanych autoenkoderem. (Polish) – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22PHUNGKET%2C+Chutinun%22">PHUNGKET, Chutinun</searchLink><br /><searchLink fieldCode="AR" term="%22NANGTIN%2C+Prasit%22">NANGTIN, Prasit</searchLink> – Name: TitleSource Label: Source Group: Src Data: Przegląd Elektrotechniczny; 2026, Issue 5, p172-177, 6p – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Fault+diagnosis%22">Fault diagnosis</searchLink><br /><searchLink fieldCode="DE" term="%22Convolutional+neural+networks%22">Convolutional neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22Thermography%22">Thermography</searchLink><br /><searchLink fieldCode="DE" term="%22Deep+learning%22">Deep learning</searchLink><br /><searchLink fieldCode="DE" term="%22Autoencoders%22">Autoencoders</searchLink><br /><searchLink fieldCode="DE" term="%22Support+vector+machines%22">Support vector machines</searchLink><br /><searchLink fieldCode="DE" term="%22Drone+aircraft%22">Drone aircraft</searchLink><br /><searchLink fieldCode="DE" term="%22Photovoltaic+power+generation%22">Photovoltaic power generation</searchLink> – Name: AbstractNonEng Label: Abstract (English) Group: Ab Data: This paper presents a compact pipeline for automated thermal photovoltaic module fault classification combining CNN feature extraction, autoencoder-based compression, and multi-class SVM inference. Using ResNet-101 fixed features, dimensionality is reduced from 2048 to 256 while achieving 96.67% accuracy on a benchmark test set. Leakage-safe protocols ensure valid model selection. External validation on 1,800 UAV-acquired field images yields 89.33% accuracy, evidencing domain-shift degradation yet supporting deployment for three-class thermal PV fault detection (No-Anomaly, Cracking, and Soiling) in resource-constrained inspection systems. [ABSTRACT FROM AUTHOR] – Name: AbstractNonEng Label: Abstract (Polish) Group: Ab Data: W niniejszym artykule przedstawiono zwartą metodę automatycznej klasyfikacji usterek termicznych modułów fotowoltaicznych, łączącą ekstrakcję cech CNN, kompresję opartą na autoenkoderze oraz wieloklasowe wnioskowanie SVM. Dzięki zastosowaniu stałych cech ResNet-101, wymiarowość została zredukowana z 2048 do 256, osiągając jednocześnie 96,67% dokładności w zestawie testowym. Protokoły bezpieczeństwa przed wyciekiem zapewniają prawidłowy wybór modelu. Zewnętrzna walidacja na 1800 obrazach terenowych uzyskanych z bezzałogowych statków powietrznych (UAV) daje dokładność na poziomie 89,33%, co potwierdza degradację przesunięcia domeny, a jednocześnie umożliwia wdrożenie wykrywania usterek termicznych PV w trzech klasach (brak anomalii, pęknięć i zabrudzeń) w systemach inspekcji o ograniczonych zasobach. [ABSTRACT FROM AUTHOR] – Name: Abstract Label: Group: Ab Data: <i>Copyright of Przegląd Elektrotechniczny is the property of Wydawnictwo SIGMA-NOT and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.) |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edb&AN=194237847 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.15199/48.2026.05.22 Languages: – Code: eng Text: English PhysicalDescription: Pagination: PageCount: 6 StartPage: 172 Subjects: – SubjectFull: Fault diagnosis Type: general – SubjectFull: Convolutional neural networks Type: general – SubjectFull: Thermography Type: general – SubjectFull: Deep learning Type: general – SubjectFull: Autoencoders Type: general – SubjectFull: Support vector machines Type: general – SubjectFull: Drone aircraft Type: general – SubjectFull: Photovoltaic power generation Type: general Titles: – TitleFull: Automated fault classification of photovoltaic modules from thermal images using autoencoder-compressed CNN features. Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: PHUNGKET, Chutinun – PersonEntity: Name: NameFull: NANGTIN, Prasit IsPartOfRelationships: – BibEntity: Dates: – D: 01 M: 05 Text: 2026 Type: published Y: 2026 Identifiers: – Type: issn-print Value: 00332097 Numbering: – Type: issue Value: 5 Titles: – TitleFull: Przegląd Elektrotechniczny Type: main |
| ResultId | 1 |