Rilevamento di oggetti estranei sui pannelli fotovoltaici basato su DHLNet

Perché mantenere i pannelli solari puliti è davvero importante

I pannelli solari funzionano al meglio quando ogni cella può vedere il sole chiaramente. Nel mondo reale, però, i pannelli si coprono rapidamente di escrementi di uccelli, polvere, foglie, neve e persino piccole crepe o segni di bruciatura. Questi ospiti indesiderati non si limitano a rendere i pannelli sporchi: bloccano la luce, causano punti caldi, invecchiano più rapidamente l’hardware e sottraggono silenziosamente energia a intere centrali solari. Questo articolo presenta un nuovo modello di visione artificiale chiamato DHLNet che può individuare automaticamente tali oggetti estranei sui pannelli fotovoltaici (PV), anche quando sono minuti, poco contrastati o parzialmente nascosti, contribuendo a mantenere l’energia solare sicura, efficiente e conveniente.

La sfida crescente di sorvegliare le centrali solari

Con la diffusione dell’energia solare dai sistemi sui tetti alle vaste centrali su scala di servizio, il controllo manuale dei pannelli è diventato lento, costoso e soggetto a errori. I metodi tradizionali spesso monitorano i segnali elettrici di una stringa di pannelli e cercano pattern anomali. Pur essendo semplici e rapidi, questi approcci faticano a localizzare con precisione il punto del problema sul pannello o a identificarne la causa. Negli ultimi anni gli ingegneri si sono rivolti alle telecamere — talvolta montate su droni — per scattare immagini o acquisire termografie dei pannelli. Modelli di deep learning possono quindi essere addestrati a riconoscere i pattern associati ai guasti. Tuttavia, gli strumenti esistenti continuano a perdere molti difetti piccoli o a basso contrasto, specialmente con variazioni di luce, ombre e sfondi affollati tipici dei siti esterni.

Come il nuovo modello vede di più nella stessa immagine

DHLNet si basa sulla popolare famiglia di rivelatori in tempo reale YOLO, ma riorganizza parti chiave per riuscire a evidenziare meglio i difetti sottili sui pannelli. In primo luogo, gli autori riprogettano il flusso informativo attraverso il cosiddetto “collo” della rete. La loro Dual-Flow Feature Pyramid Network invia segnali sia dagli strati grossolani e ad alto livello verso quelli più fini, sia dagli strati fini verso l’alto, aggiungendo anche collegamenti incrociati tra scale diverse. Questo traffico a intreccio permette al modello di conservare dettagli netti — come il contorno di una piccola macchia — pur mantenendo la comprensione della scena più ampia, fondamentale quando i difetti sono molto più piccoli rispetto alle piastrelle del pannello che li contengono.

Occhi più acuti per bordi sfumati e texture complicate

Molti oggetti estranei sui pannelli sono difficili da distinguere dal fondo: la polvere appare come leggere sbavature, gli escrementi di uccelli si confondono con i riflessi e la neve può ammorbidire i contorni. Per gestire questi casi, DHLNet aggiunge un blocco di potenziamento delle alte frequenze che divide le feature in due flussi. Uno si concentra su bordi e texture molto locali, l’altro osserva pattern ad alta frequenza su aree più estese. Questi vengono poi ricombinati con una connessione di shortcut che preserva il contesto originario della scena. Inoltre, la rete include un modulo di attenzione speciale che utilizza grandi filtri separabili per raccogliere informazioni da un ampio campo visivo in una sola volta. Questo aiuta il modello a notare difetti deboli o di forma irregolare che si estendono su più celle, come crepe o macchie irregolari, senza perdere i dettagli fini.

Mettere il modello alla prova in condizioni reali

I ricercatori hanno raccolto un dataset di immagini vario proveniente da più centrali solari e risorse online, coprendo diverse stagioni, condizioni di illuminazione e meteo. Ogni immagine è stata ridimensionata a un formato standard e annotata con cura indicando la posizione esatta e il tipo di oggetto estraneo o difetto, inclusi neve, polvere, escrementi di uccelli, danni fisici e pannelli integri. Hanno confrontato DHLNet con un ampio insieme di rivelatori moderni, dai classici modelli a due stadi come Faster R-CNN a versioni leggere one-stage di YOLO e architetture basate su Transformer. DHLNet ha raggiunto punteggi più alti sia nelle misure di accuratezza comuni sia nei test più severi che premiano il posizionamento preciso delle bounding box e la classificazione corretta su molte soglie di sovrapposizione, rimanendo al contempo abbastanza piccolo e veloce da poter essere eseguito in tempo reale su una singola GPU di fascia alta.

Cosa significa per la manutenzione futura dell’energia solare

Per un non specialista, il messaggio chiave è semplice: DHLNet aiuta gli operatori solari a rilevare più problemi piccoli che erodono silenziosamente le prestazioni, senza rallentare le ispezioni. Combinando una percezione più nitida dei bordi, un’attenzione più intelligente al contesto e un migliore mescolamento delle informazioni tra le scale, il modello migliora l’affidabilità nel rilevamento di oggetti estranei sui pannelli, specialmente quando sono minuti, poco visibili o parzialmente nascosti. Poiché funziona in tempo reale e richiede risorse di calcolo modeste, può essere abbinato a droni o telecamere fisse per un monitoraggio continuo. A lungo termine, strumenti di questo tipo possono ridurre i costi di ispezione, diminuire il rischio di danni permanenti ai pannelli e mantenere le centrali solari produttive il più possibile per la generazione di energia pulita.

Citazione: 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

Parole chiave: ispezione pannelli solari, visione artificiale, rilevamento oggetti estranei, apprendimento profondo, manutenzione fotovoltaica