Группа исследователей из Марокко разработала новую технологию геомаркировки солнечных модулей в крупных солнечных парках. Разработка существенно ускоряет процесс инспекции солнечных электростанций, автоматизируя их диагностику.
В современных солнечных парках могут быть задействованы тысячи панелей, каждая из которых требует регулярной проверки — для оценки ее работоспособности, энергоэффективности и выявления возможных повреждений или загрязнений. На практике это обычно сводится либо к ручному осмотру, либо к трудоёмкому анализу снимков с дронов, который выполняют специалисты. Оба подхода занимают много времени и не исключают вероятность ошибок, связанных с человеческим фактором.
Исследователи из Института агрономии и ветеринарии имени Хасана II в Рабате предложили новый метод обработки снимков с дронов. Был разработан алгоритм, использующий данные GPS, параметры камеры и наклон дрона, чтобы рассчитать масштаб изображения. А далее применен метод, который автоматически находил подходящие пороговые значения для выделения панелей на снимке. После этого границы объектов уточнялись, лишние участки отбрасывались, а найденные панели сравнивались с их реальными размерами. Итоговые координаты сохранялись в формате, подходящем для обучения нейросетей.
Разработку протестировали на двух установках в Марокко. Первая — наземный полигон Green Energy Park с монокристаллическими модулями мощностью 22 кВт и углом наклона 31°. Вторая — установка на крыше центра обработки данных с мощностью 1 МВт. Для съемки использовался дрон DJI Mavic 2 Enterprise Advanced (M2EA), оснащенный тепловизором с разрешением 640×512 пикселей и камерой высокого разрешения 8000×6000 пикселей.
На этапе автоматической геомаркировки система достигла 91% полноты и существенно сократила количество ложных срабатываний благодаря геометрическим фильтрам и кластеризации. Автоматически размеченные изображения были разделены на обучающую, проверочную и тестовую выборки и использовались для обучения различных моделей глубокого обучения. В эксперименте были задействованы модели SSD ResNet50 V1, SSD MobileNet v2, Faster RCNN ResNet 50 V1, Faster EfficientDet d1, CenterNet hg104 и YOLOv7. Все модели обучались в течение 500 эпох с размером батча 8 изображений.
Наилучшие характеристики показала модель YOLOv7: средняя точность составила 98,33%, а время обработки одного изображения — всего 15 миллисекунд. Геолокационная точность составила 2,51 метра, чего достаточно для точной идентификации панелей на местности.
Разработка марокканских ученых позволяет значительно сократить время на инспекцию и повысить качество мониторинга солнечных электростанций, что особенно важно для надёжной и эффективной эксплуатации солнечных парков, число которых неуклонно растёт по всему миру.
