태양광 PV 패널 결함 분류를 위한 조인트-임베딩 예측 아키텍처
Joint-Embedding Predictive Architecture for Solar PV Panel Fault Classification
태양광 발전(PV) 시스템의 급속한 확장으로 인해 신뢰할 수 있고 확장 가능한 결함 분류의 필요성이 증가하고 있으며, 대규모 수동 점검은 현실적으로 어렵다. 열적외선(IR) 영상은 PV 결함을 식별하기 위한 비접촉 솔루션을 제공하지만, 클래스 불균형, 제한된 텍스처 정보, 미묘한 열 차이로 인해 정확한 분류는 여전히 어려운 과제로 남아 있다. 본 연구에서는 열적외선 PV 결함 분류에 대한 조인트-임베딩 예측 아키텍처(JEPA)의 적용 가능성을 다양한 시나리오에서 조사하고, JEPA 기반 자기지도(self-supervised) 표현 학습과 EfficientNetV2-S 기반 지도(supervised) 합성곱 특징 추출을 결합한 다중 브랜치 아키텍처인 JEFFNet(JEPA-EFFicientNet)을 제안한다. JEFFNet은 JEPA 사전학습된 Vision 트랜스포머의 의미론적 표현과 EfficientNetV2-S의 합성곱 특징을 융합하여 상호 보완적인 특징 학습을 가능하게 한다. JEFFNet은 두 개의 공개 열적외선 데이터셋인 PVF-10과 InfraredSolarModules(ISM)에서 다중 클래스 및 파생 이진(정상/결함) 분류 모두에 대해 평가된다. PVF-10에서 JEFFNet은 10-클래스 과제에서 F1-score 93.21, 정확도 94.33을 달성하였고, 파생 2-클래스 과제에서는 F1-score 97.53, 정확도 96.41을 달성하였다. ISM에서 JEFFNet은 12-클래스 과제에서 F1-score 72.60, 정확도 83.88을 달성하였고, 파생 2-클래스 과제에서는 F1-score 94.69, 정확도 94.78을 달성하였다. 또한 JEFFNet은 GEPFNet의 205.91M에 비해 108.6M의 매개변수만을 사용하여 47.2%의 매개변수 절감을 이룬다. 이러한 결과는 자기지도 의미론적 특징과 지도 합성곱 특징의 결합이 열적외선 PV 결함 분류를 위한 효과적이고 매개변수 효율적인 솔루션을 제공함을 보여준다. 소스 코드는 https://github.com/Azimi2kht/JEFFNet 에서 공개적으로 제공된다.