Détection d’objets étrangers sur panneaux photovoltaïques basée sur DHLNet

Pourquoi il est crucial de garder les panneaux solaires propres

Les panneaux solaires fonctionnent au mieux lorsque chaque cellule peut voir le soleil clairement. Dans la réalité, toutefois, les panneaux se couvrent rapidement de fientes d’oiseaux, de poussière, de feuilles, de neige, et même de petites fissures ou traces de brûlure. Ces intrus ne se contentent pas de rendre les panneaux sales : ils bloquent la lumière, créent des points chauds, accélèrent le vieillissement du matériel et réduisent silencieusement la production d’énergie des centrales solaires. Cet article présente un nouveau modèle de vision par ordinateur appelé DHLNet, capable de repérer automatiquement ces objets étrangers sur des panneaux photovoltaïques, même lorsqu’ils sont minuscules, peu contrastés ou partiellement cachés, aidant ainsi à maintenir la sécurité, l’efficacité et l’accessibilité de l’énergie solaire.

Le défi croissant de la surveillance des centrales solaires

À mesure que l’énergie solaire se déploie des toitures aux vastes centrales au sol, l’inspection manuelle des panneaux devient lente, coûteuse et sujette aux erreurs. Les méthodes traditionnelles analysent souvent les signaux électriques d’une chaîne de panneaux à la recherche d’anomalies. Si ces approches sont simples et rapides, elles peinent à localiser précisément un problème sur un panneau ou à en identifier la cause. Ces dernières années, les ingénieurs ont recours à des caméras — parfois embarquées sur des drones — pour capturer des images visibles ou thermiques des panneaux. Des modèles d’apprentissage profond peuvent alors être entraînés à reconnaître des motifs associés à des défauts. Pourtant, les outils existants manquent encore de nombreux défauts petits ou à faible contraste, surtout sous un ensoleillement variable, avec des ombres et des arrière-plans encombrés fréquents en extérieur.

Comment le nouveau modèle voit davantage dans la même image

DHLNet s’appuie sur la famille populaire de détecteurs en temps réel YOLO, mais reconfigure des éléments clés pour mieux repérer les défauts subtils sur les panneaux. D’abord, les auteurs repensent la circulation de l’information au niveau du « cou » du réseau. Leur Dual-Flow Feature Pyramid Network envoie des signaux à la fois des couches haut niveau, plus grossières, vers les couches fines, et des couches fines vers le haut, tout en ajoutant des liaisons croisées entre différentes échelles. Cet échange croisé permet au modèle de conserver des détails nets — comme le contour d’une petite tache — tout en comprenant la scène globale, ce qui est crucial quand les défauts sont bien plus petits que les carreaux du panneau qui les contiennent.

Une meilleure sensibilité pour des bords flous et des textures délicates

Beaucoup d’objets étrangers sur les panneaux sont difficiles à distinguer du fond : la poussière apparaît comme de légères tâches, les fientes d’oiseaux se fondent dans les reflets, et la neige adoucit les contours. Pour gérer ces cas, DHLNet ajoute un bloc d’amélioration des hautes fréquences qui divise les caractéristiques en deux flux. L’un se concentre sur les bords et textures très locaux, tandis que l’autre capte des motifs à haute fréquence sur une zone plus étendue. Ceux-ci sont ensuite recombinés avec une connexion directe qui préserve le contexte original de la scène. En complément, le réseau intègre un module d’attention spécial qui utilise de grands filtres séparables pour rassembler l’information d’un large champ de vision en une seule fois. Cela aide le modèle à détecter des défauts faiblement marqués ou de forme irrégulière qui s’étendent sur plusieurs cellules, comme des fissures ou des taches irrégulières, sans perdre les détails fins.

Soumettre le modèle à l’épreuve des conditions réelles

Les chercheurs ont constitué un jeu d’images diversifié à partir de plusieurs centrales solaires et de sources en ligne, couvrant différentes saisons, conditions d’éclairage et météos. Chaque image a été redimensionnée à un format standard et annotée avec soin pour indiquer l’emplacement exact et le type d’objet étranger ou de défaut, incluant neige, poussière, fientes d’oiseaux, dommages physiques et panneaux intacts. Ils ont comparé DHLNet à un large éventail de détecteurs modernes, des modèles classiques à deux étapes comme Faster R-CNN aux versions légères en une étape de YOLO et aux architectures basées sur Transformers. DHLNet a obtenu de meilleurs scores dans les mesures d’exactitude habituelles et dans des tests plus exigeants qui récompensent la précision des cadres englobants et la classification correcte sur de nombreux seuils de recouvrement, tout en restant suffisamment compact et rapide pour un usage en temps réel sur un seul GPU haut de gamme.

Ce que cela implique pour la maintenance future des installations solaires

Pour un non-spécialiste, le message clé est simple : DHLNet aide les exploitants solaires à repérer davantage de petits problèmes qui érodent silencieusement les performances, sans ralentir les inspections. En combinant une meilleure détection des bords, une attention contextuelle plus intelligente et un meilleur mélange de l’information entre les échelles, le modèle améliore la fiabilité de la détection des objets étrangers sur les panneaux, en particulier lorsqu’ils sont minuscules, peu visibles ou partiellement cachés. Comme il fonctionne en temps réel et utilise des ressources de calcul modestes, il peut être associé à des drones ou à des caméras fixes pour une surveillance continue. À long terme, de tels outils peuvent réduire les coûts d’inspection, diminuer le risque d’endommagement permanent des panneaux et maintenir les centrales solaires à un niveau maximal de production d’énergie propre.

Citation: 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

Mots-clés: inspection de panneaux solaires, vision par ordinateur, détection d’objets étrangers, apprentissage profond, maintenance photovoltaïque