HybridSolarNet：一种轻量且可解释的EfficientNet-CBAM架构，用于实时太阳能板故障检测
计算机视觉与模式识别
2026-01-07 v1
摘要
太阳能板系统的手动巡检工作繁琐、昂贵且容易出错，因此基于无人机（UAV）的监控显得尤为重要。尽管深度学习模型在故障检测方面表现优异，但几乎所有方法要么过大笨重，难以在边缘计算设备上部署，要么因无效的学习技术导致准确率估计偏差。我们提出了一种新的太阳能板故障检测模型，称为HybridSolarNet。它将EfficientNet-B0与卷积块注意力模块（CBAM）集成在一起。我们在Kaggle太阳能板图像比赛数据集上实现了该模型，采用严格的分割-增强协议，避免了准确率估计中的数据泄漏问题。我们引入了焦点损失和余弦退火。消融分析验证，CBAM带来的准确率提升为+1.53%，而焦点损失通过识别不平衡样本类的特征也取得了显著效果。总体而言，在给定比赛数据集上进行的5折分层交叉验证实验中，该模型的最高平均准确率达到92.37%±0.41，F1分数为0.9226±0.39，相较于VGG19等基线模型具有显著优势，仅需16.3 MB存储空间，体积缩小了32倍。其在GPU支持下的推理速度达到54.9 FPS，成功成为实时UAV实现的理想候选。此外，Grad-CAM可视化结果表明，HybridSolarNet关注实际位置，而非无关区域。
引用
@article{arxiv.2601.02928,
title = {HybridSolarNet: A Lightweight and Explainable EfficientNet-CBAM Architecture for Real-Time Solar Panel Fault Detection},
author = {Md. Asif Hossain and G M Mota-Tahrin Tayef and Nabil Subhan},
journal= {arXiv preprint arXiv:2601.02928},
year = {2026}
}
备注
5 page , 6 figures