اكتشاف الأجسام الغريبة على ألواح الطاقة الشمسية المعتمدة على DHLNet

لماذا الحفاظ على نظافة الألواح الشمسية أمر مهم حقًا

تعمل الألواح الشمسية بأفضل أداء عندما ترى كل خلية الشمس بوضوح. في الواقع، تُغطَّى الألواح بسرعة ببراز الطيور، والغبار، والأوراق، والثلج، وحتى الشقوق الصغيرة أو علامات الاحتراق. هذه العوامل غير المرغوب فيها لا تُشوه مظهر الألواح فحسب—بل تحجب الضوء، وتسبب بقعًا ساخنة، وتسرّع شيخوخة الأجهزة، وتخفض إنتاج الطاقة في مزارع الطاقة الشمسية بأكملها. تقدم هذه الورقة نموذجًا جديدًا للرؤية الحاسوبية يدعى DHLNet يستطيع تلقائيًا اكتشاف مثل هذه الأجسام الغريبة على الألواح الكهروضوئية، حتى عندما تكون صغيرة أو باهتة أو مخفية جزئيًا، مما يساعد في الحفاظ على أمان وكفاءة وتكلفة طاقة شمسية معقولة.

التحدي المتزايد في مراقبة مزارع الطاقة الشمسية

مع انتشار الطاقة الشمسية من أنظمة الأسطح إلى محطات واسعة النطاق، أصبحت عمليات التفتيش اليدوي بطيئة ومكلفة ومعرضة للخطأ. الطرق التقليدية غالبًا ما تعتمد على تحليل الإشارات الكهربائية من سلسلة الألواح والبحث عن أنماط غريبة. رغم أن هذه الأساليب بسيطة وسريعة، إلا أنها تكافح لتحديد مكان المشكلة داخل اللوح بدقة أو معرفة سببها. في السنوات الأخيرة، لجأ المهندسون إلى الكاميرات—أحيانًا المركبة على طائرات بدون طيار—لالتقاط صور أو صور حرارية للألواح. يمكن بعد ذلك تدريب نماذج التعلم العميق على التعرف إلى أنماط ترتبط بالأعطال. ومع ذلك، تفشل الأدوات الحالية في اكتشاف العديد من العيوب الصغيرة أو منخفضة التباين، خاصة تحت ضوء الشمس المتغير والظلال والخلفيات المتشابكة الشائعة في المواقع الخارجية.

كيف يرى نموذج الكشف الجديد المزيد في نفس الصورة

يبني DHLNet على عائلة YOLO الشهيرة لكاشفات الأجسام في الوقت الحقيقي لكنه يعيد توصيل أجزاء رئيسية ليتمكن من تمييز العيوب الدقيقة على الألواح بشكل أفضل. أولًا، أعاد المؤلفون تصميم كيفية تدفق المعلومات عبر "الرقبة" الوسطى للشبكة. يرسل شبكتهم ثنائية المسار لبنية الهرم الميزة Dual-Flow Feature Pyramid Network إشارات من الطبقات ذات المستوى العالي والخشن إلى الطبقات الأدنَى، ومن الطبقات الدقيقة صعودًا أيضًا، مع إضافة روابط متبادلة بين المقاييس المختلفة. يتيح هذا المرور المعقد للنموذج الاحتفاظ بتفاصيل حادة—مثل محيط بقعة صغيرة—مع الحفاظ على فهم المشهد الأوسع، وهو أمر أساسي عندما تكون العيوب أصغر بكثير من بلاطات اللوح التي تحتويها.

عيون أكثر حدة للحواف الضبابية والأنسجة المعقدة

العديد من الأجسام الغريبة على الألواح يصعب تمييزها عن الخلفية: يظهر الغبار كلطخات ناعمة، ويتداخل براز الطيور مع الانعكاسات، ويمكن للثلج أن يخفف الحواف. للتعامل مع هذه الحالات، يضيف DHLNet كتلة تعزيز الترددات العالية التي تقسم الميزات إلى مجريْن. يركز أحدهما على الحواف والأنسجة المحلية جدًا، بينما ينظر الآخر إلى أنماط التردد العالي على مساحة أكبر. تُعاد هذه التيارات بعد ذلك معًا عبر وصلة اختصار تحافظ على سياق المشهد الأصلي. علاوة على ذلك، تتضمن الشبكة وحدة انتباه خاصة تستخدم مرشحات قابلة للفصل كبيرة لجمع معلومات من مجال رؤية واسع دفعة واحدة. يساعد ذلك النموذج على ملاحظة العيوب الخافتة أو ذات الأشكال الغريبة التي تمتد عبر عدة خلايا، مثل الشقوق أو البقع غير المنتظمة، دون فقدان التفاصيل الدقيقة.

اختبار النموذج في ظروف حقيقية

جمع الباحثون مجموعة صور متنوعة من عدة محطات شمسية ومصادر على الإنترنت، تغطي فصولًا ومؤثرات إضاءة وطقسًا مختلفًا. أعيد تغيير حجم كل صورة إلى تنسيق موحد ووسمها بعناية لموقع ونوع كل جسم غريب أو عيب، بما في ذلك الثلج والغبار وبراز الطيور والأضرار المادية والألواح السليمة. قارنوا DHLNet مع مجموعة واسعة من الكاشفات الحديثة، من النماذج الكلاسيكية ذات المرحلتين مثل Faster R-CNN إلى نسخ YOLO أحادية المرحلة الخفيفة وتصاميم قائمة على المحولات. حقق DHLNet درجات أعلى في مقاييس الدقة الشائعة وفي اختبارات أصعب تكافئ الدقة العالية في الإحاطة والتصنيف الصحيح عبر عتبات تداخل متعددة، وذلك مع بقائه صغيرًا وسريعًا بما يكفي للاستخدام في الوقت الحقيقي على بطاقة GPU متقدمة واحدة.

ماذا يعني هذا لصيانة الطاقة الشمسية المستقبلية

لغير المختص، الرسالة الأساسية بسيطة: يساعد DHLNet مشغلي المحطات الشمسية على رؤية المزيد من المشكلات الصغيرة التي تضعف الأداء بهدوء، دون إبطاء عمليات التفتيش. من خلال الجمع بين حساسية أعلى للحواف، وانتباه أذكى للسياق، وخلط أفضل للمعلومات عبر المقاييس، يُحسّن النموذج موثوقية اكتشاف الأجسام الغريبة على الألواح، خصوصًا عندما تكون صغيرة أو باهتة أو مخفية جزئيًا. وبما أنه يعمل في الوقت الحقيقي ويستخدم موارد حوسبة متواضعة، فيمكن ربطه بطائرات بدون طيار أو كاميرات ثابتة للمراقبة المستمرة. على المدى الطويل، يمكن أن تقلل هذه الأدوات تكاليف التفتيش، وتخفض خطر حدوث تلف دائم للألواح، وتحافظ على إنتاج مزارع الطاقة الشمسية لأقصى قدر من الطاقة النظيفة الممكنة.

الاستشهاد: Jin, H., Li, M., Lv, X. et al. Foreign object detection on photovoltaic panels based on DHLNet. Sci Rep 16, 8145 (2026). https://doi.org/10.1038/s41598-026-39074-6

الكلمات المفتاحية: فحص الألواح الشمسية, الرؤية الحاسوبية, اكتشاف الأجسام الغريبة, التعلّم العميق, صيانة الخلايا الكهروضوئية