Wykrywanie obcych obiektów na panelach fotowoltaicznych oparte na DHLNet

Dlaczego utrzymanie paneli słonecznych w czystości naprawdę ma znaczenie

Panele słoneczne działają najlepiej, gdy każda ogniwo ma nieskrępowany dostęp do światła słonecznego. W rzeczywistości panele szybko pokrywają się odchodami ptaków, kurzem, liśćmi, śniegiem, a nawet drobnymi pęknięciami czy śladami przypaleń. Te niepożądane „goście” robią więcej niż tylko sprawiają, że panele wyglądają na brudne — blokują światło, powodują gorące punkty, przyspieszają zużycie sprzętu i cicho zmniejszają wydajność całych farm słonecznych. W niniejszym artykule przedstawiono nowy model widzenia komputerowego o nazwie DHLNet, który automatycznie wykrywa takie obce obiekty na panelach fotowoltaicznych (PV), nawet gdy są małe, słabo widoczne lub częściowo zasłonięte, pomagając utrzymać energetykę słoneczną bezpieczną, wydajną i przystępną cenowo.

Rosnące wyzwanie nadzoru farm fotowoltaicznych

W miarę jak energia słoneczna rozprzestrzenia się od systemów dachowych do rozległych elektrowni, ręczne kontrolowanie paneli staje się powolne, kosztowne i podatne na błędy. Tradycyjne metody często polegają na analizie sygnałów elektrycznych z ciągu paneli i wykrywaniu nietypowych wzorców. Choć podejścia te są proste i szybkie, mają trudności z precyzyjnym określeniem, gdzie na panelu występuje usterka lub co ją spowodowało. W ostatnich latach inżynierowie zwrócili się ku kamerom — czasem montowanym na dronach — aby robić zdjęcia lub obrazy termiczne paneli. Modele uczenia głębokiego można trenować do rozpoznawania wzorców powiązanych z uszkodzeniami. Jednak istniejące narzędzia nadal pomijają wiele drobnych lub niskokontrastowych defektów, zwłaszcza przy zmieniającym się nasłonecznieniu, cieniach i złożonym tle charakterystycznym dla terenów zewnętrznych.

Jak nowy model dostrzega więcej na tym samym obrazie

DHLNet opiera się na popularnej rodzinie detektorów obiektów działających w czasie rzeczywistym YOLO, ale przeprojektowuje kluczowe elementy, by lepiej wychwytywać subtelne wady na panelach słonecznych. Po pierwsze, autorzy przeprojektowali sposób przepływu informacji przez środkową „szyję” sieci. Ich Dual-Flow Feature Pyramid Network przesyła sygnały zarówno z grubszych, wysokopoziomowych warstw w dół do warstw bardziej szczegółowych, jak i z warstw szczegółowych w górę, jednocześnie dodając połączenia między różnymi skalami. Ten krzyżujący się ruch pozwala modelowi zachować ostre detale — na przykład kontur małej plamki — przy jednoczesnym zrozumieniu szerszej sceny, co jest istotne, gdy defekty są znacznie mniejsze niż płytki panelu, które je zawierają.

Bardziej wyostrzone „oczy” dla rozmytych krawędzi i trudnych tekstur

Wiele obcych obiektów na panelach trudno odróżnić od tła: kurz pojawia się jako łagodne rozmazania, odchody ptaków zlewają się z refleksami, a śnieg może zmiękczać krawędzie. Aby poradzić sobie z takimi przypadkami, DHLNet dodaje blok wzmocnienia wysokich częstotliwości, który dzieli cechy na dwa strumienie. Jeden skupia się na bardzo lokalnych krawędziach i teksturach, podczas gdy drugi analizuje wzorce wysokich częstotliwości na większym obszarze. Następnie są one ponownie łączone z połączeniem skrótowym zachowującym oryginalny kontekst sceny. Dodatkowo sieć zawiera specjalny moduł uwagi wykorzystujący duże, separowalne filtry do zbierania informacji z szerokiego pola widzenia jednocześnie. To pomaga modelowi zauważyć słabe lub nietypowo ukształtowane defekty rozciągające się przez kilka ogniw, takie jak pęknięcia czy nieregularne plamy, bez utraty śladowych detali.

Testowanie modelu w rzeczywistych warunkach

Naukowcy zebrali zróżnicowany zestaw obrazów z wielu elektrowni słonecznych i źródeł internetowych, obejmujący różne pory roku, warunki oświetleniowe i pogodowe. Każde zdjęcie zmieniono do standardowego formatu i starannie oznaczono dokładną lokalizacją oraz typem obcego obiektu lub defektu, w tym śniegiem, kurzem, odchodami ptaków, uszkodzeniami fizycznymi oraz nienaruszonymi panelami. Porównano DHLNet z szerokim zestawem nowoczesnych detektorów, od klasycznych modeli dwustopniowych, takich jak Faster R-CNN, po lekkie jednofazowe wersje YOLO i konstrukcje oparte na Transformatorach. DHLNet osiągnął wyższe wyniki zarówno w powszechnych miarach dokładności, jak i w trudniejszych testach premiujących precyzyjne obramowanie i poprawną klasyfikację przy wielu progach nakładania, pozostając jednocześnie niewielkim i szybkim, wystarczającym do pracy w czasie rzeczywistym na jednej wysokowydajnej GPU.

Co to oznacza dla przyszłej konserwacji energii słonecznej

Dla osoby niebędącej specjalistą kluczowy przekaz jest prosty: DHLNet pomaga operatorom farm słonecznych dostrzec więcej drobnych problemów, które po cichu obniżają wydajność, bez spowalniania inspekcji. Dzięki połączeniu lepszego wykrywania krawędzi, inteligentniejszej uwagi do kontekstu i lepszego mieszania informacji między skalami, model zwiększa niezawodność wykrywania obcych obiektów na panelach, zwłaszcza gdy są one małe, słabo widoczne lub częściowo zasłonięte. Ponieważ działa w czasie rzeczywistym i wymaga umiarkowanych zasobów obliczeniowych, może być używany z dronami lub stałymi kamerami do ciągłego monitoringu. W dłuższej perspektywie takie narzędzia mogą obniżyć koszty inspekcji, zmniejszyć ryzyko trwałego uszkodzenia paneli i utrzymać farmy słoneczne w produkcji jak największej ilości czystej energii.

Cytowanie: 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

Słowa kluczowe: inspekcja paneli słonecznych, widzenie komputerowe, wykrywanie obcych obiektów, uczenie głębokie, konserwacja fotowoltaiczna