זיהוי גופים זרים על פנלים פוטו-וולטאיים המבוסס על DHLNet

מדוע חשוב לשמור על פנלים סולאריים נקיים

פנלים סולאריים פועלים בצורה מיטבית כאשר כל תא יכול לראות את השמש בבירור. במציאות, עם זאת, פנלים נצברים במהירות על ידי צואת עופות, אבק, עלים, שלג, ואפילו סדקים או סימני שריפה קטנים. מבקרים לא רצויים אלה עושים יותר מאשר רק מלכלכים את הפנלים — הם חוסמים אור, יוצרים נקודות חמות, מזדקנים את הציוד מהר יותר ומנמיכים שקטה את תפוקת החשמל בכל חוות השמש. מאמר זה מציג מודל ראייה ממוחשבת חדש שנקרא DHLNet היכול לאתר אוטומטית גופים זרים כאלה על פנלים פוטו-וולטאיים, גם כשהם זעירים, חלשים או חלקית מכוסים, וכך לסייע לשמירה על אנרגיה סולארית בטוחה, יעילה ומשתלמת.

האתגר הגובר של ניטור חוות סולאריות

עם התפשטות האנרגיה הסולארית ממערכות גגות לשדות בסדר גודל שימושי, בדיקות ידניות של פנלים הפכו לאיטיות, יקרות ופתוחות לשגיאות. שיטות מסורתיות לעתים מקשיבות לאותות חשמליים מרשת פאנלים ומחפשות דפוסים חריגים. בעוד גישות אלו פשוטות ומהירות, הן מתקשות לתת מיקום מדויק של הבעיה על הפנל או לזהות את הגורם לה. בשנים האחרונות מהנדסים פנו למצלמות — לעתים ממקמיות על רחפנים — לצילום תמונות או תמונות תרמיות של הפנלים. ניתן לאמן מודלים של למידה עמוקה לזיהוי דפוסים המקושרים לתקלות. עם זאת, כלים קיימים עדיין מפספסים הרבה פגמים קטנים או בעלי ניגוד נמוך, במיוחד בתנאי שמש משתנה, צללים ורקעים עמוסים הנפוצים במקומות חיצוניים.

כיצד המודל החדש רואה יותר באותה תמונה

DHLNet מבוסס על משפחת YOLO הפופולרית של גלאי עצמים בזמן אמת אך משנה רכיבים מרכזיים כדי שיוכל להבחין טוב יותר בפגמים עדינים על פנלים סולאריים. ראשית, המחברים מעצבים מחדש את אופן זרימת המידע דרך ה"צוואר" האמצעי של הרשת. רשת פירמידת התכונות בעלת זרימה כפולה (Dual-Flow Feature Pyramid Network) שלהם שולחת אותות גם משכבות גסות ורחבות כלפי שכבות עדינות יותר וגם משכבות עדינות חזרה מעלה, תוך הוספת קישורים צולבים בין סקאלות שונות. תנועה זו של מידע מאפשרת למודל לשמור על פרטים חדים — כמו קווי המתאר של כתם קטן — ובו־זמנית להבין את הסצנה הרחבה, מה שקריטי כאשר פגמים הרבה יותר קטנים מריבועי הפנל שמכילים אותם.

עיניים חדות יותר לקצוות מטושטשים ומרקמים מסורבלים

רבים מהגופים הזרים על פנלים קשים להבחנה מהרקע: אבק מופיע ככתמים רכים, צואת עופות נשדרת בהשתקפויות והשלג מרכך קצוות. כדי להתמודד עם מקרים אלו, DHLNet מוסיף בלוק שיפור תדרים גבוהים שמחלק תכונות לשתי זרימות. אחת מתמקדת בקצוות ומרקמים מקומיים מאוד, בעוד השנייה בוחנת דפוסי תדר גבוה על אזור גדול יותר. אלו מאוחדות מחדש עם חיבור קיצור (shortcut) ששומר על ההקשר המקורי של הסצנה. בנוסף, הרשת כוללת מודול תשומת לב מיוחד המשתמש במסננים נפרדים וגדולים כדי לאסוף מידע משדה ראייה רחב בבת אחת. זה מסייע למודל להבחין בפגמים חלשים או בעלי צורה מוזרה השרועים על פני כמה תאים, כגון סדקים או כתמים לא סדירים, מבלי לאבד את הפרטים העדינים.

בדיקת המודל בתנאים אמיתיים

החוקרים הרכבו מאגר תמונות מגוון ממספר תחנות סולאריות ומקורות מקוונים, המכסה עונות שונות, תנאי תאורה ומזג אוויר משתנים. כל תמונה שונתה לגודל סטנדרטי וסומנה בקפידה עם המיקום והסוג המדויקים של הגוף הזר או הפגם, כולל שלג, אבק, צואת עופות, נזקים פיזיים ופנלים שלמים. הם השוו את DHLNet עם מערך רחב של גלאים מודרניים, מדגמים קלאסיים דו-שלביים כמו Faster R-CNN ועד גרסאות קלות של YOLO ועיצובים מבוססי Transformer. DHLNet השיג ציונים גבוהים יותר באמצעים מקובלים של דיוק ובמבחנים קשים יותר שמעניקים פרס על חישובי גבולות מדויקים וסיווג נכון על פני רמות חפיפה שונות, וכל זאת בזמן שנותר קומפקטי ומהיר מספיק לשימוש בזמן אמת על GPU בודד מתקדם.

מה משמעות הדבר עבור תחזוקת אנרגיה סולארית בעתיד

ללא מומחיות מיוחדת, המסר המרכזי פשוט: DHLNet עוזר למפעילי סוללות לראות יותר מהבעיות הקטנות שמחלישות ביצועים בשקט, בלי להאט את הבדיקות. על ידי שילוב חישה חדה יותר של קצוות, תשומת לב חכמה להקשר ותערובת טובה יותר של מידע בין סקאלות, המודל משפר את האמינות של זיהוי גופים זרים על פנלים, במיוחד כשהם זעירים, חלשים או חלקית מוסתרים. מכיוון שהוא פועל בזמן אמת ומשתמש במשאבי חישוב צנועים, ניתן לשלבו עם רחפנים או מצלמות קבועות לניטור רציף. בטווח הארוך כלים כאלה יכולים לקצר עלויות בדיקה, להפחית סיכון לנזק קבוע לפנלים ולשמור על חוות סולאריות מפיקות כמה שיותר אנרגיה נקייה.

ציטוט: 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

מילות מפתח: בדיקה של פאנלים סולאריים, ראייה ממוחשבת, זיהוי גופים זרים, למידה עמוקה, תחזוקה פוטו-וולטאית