Обнаружение посторонних объектов на фотоэлектрических панелях на основе DHLNet

Почему важно держать солнечные панели в чистоте

Солнечные панели работают эффективнее всего, когда каждая ячейка свободно «видит» солнце. В реальной жизни панели быстро покрываются птичьим пометом, пылью, листьями, снегом, а также мелкими трещинами или ожоговыми пятнами. Эти нежелательные «гости» не только портят вид — они блокируют свет, вызывают горячие точки, ускоряют износ оборудования и незаметно снижают выработку энергии на целых солнечных фермах. В этой статье представлен новый модель компьютерного зрения под названием DHLNet, которая автоматически обнаруживает такие посторонние объекты на фотоэлектрических (PV) панелях, даже если они крошечные, бледные или частично скрыты, помогая сохранить безопасность, эффективность и доступность солнечной энергии.

Растущая задача наблюдения за солнечными фермами

По мере того как солнечная энергетика распространяется от крыш до крупных коммунальных парков, ручные осмотры становятся медленными, дорогими и подверженными ошибкам. Традиционные методы часто анализируют электрические сигналы от строки панелей и ищут аномальные шаблоны. Хотя такие подходы просты и быстры, им трудно точно указать, где на панели локализована проблема или что ее вызвало. В последние годы инженеры стали использовать камеры — иногда установленные на дронах — для съемки панелей в видимом и тепловом диапазонах. Модели глубокого обучения обучают распознавать паттерны, связанные с дефектами. Однако существующие инструменты по-прежнему пропускают многие мелкие или слабо выраженные повреждения, особенно при переменном освещении, тенях и загроможденном фоне, характерных для открытых площадок.

Как новая модель видит больше в той же картинке

DHLNet базируется на популярном семействе детекторов в реальном времени YOLO, но перерабатывает ключевые части, чтобы лучше выявлять тонкие дефекты на панелях. Во-первых, авторы переосмысляют, как информация проходит через «шею» сети. Их Dual-Flow Feature Pyramid Network передает сигналы как от грубых, высокоуровневых слоев к более детализированным, так и обратно — от тонких слоев вверх, при этом добавляя перекрестные связи между различными масштабами. Такое пересекающееся движение позволяет модели сохранять четкие детали — например контур маленького пятна — одновременно понимая более широкую сцену, что критично, когда дефекты значительно меньше плиток панели, в которых они находятся.

Более острый взгляд на размытые края и сложные текстуры

Многие посторонние объекты на панелях трудно отличимы от фона: пыль выглядит как мягкие мазки, птичий помет сливается с отражениями, а снег сглаживает границы. Чтобы справиться с такими случаями, DHLNet добавляет блок усиления высоких частот, который разделяет признаки на два потока. Один поток фокусируется на локальных краях и текстурах, другой — на высокочастотных паттернах в более широкой области. Затем их заново объединяют с обходным соединением, сохраняющим контекст исходной сцены. Кроме того, в сети есть специальный модуль внимания, использующий крупные сепарабельные фильтры для сбора информации из широкого поля зрения одновременно. Это помогает модели замечать бледные или причудливо расположенные дефекты, охватывающие несколько ячеек — например трещины или неправильные пятна — не теряя при этом мелких деталей.

Проверка модели в реальных условиях

Исследователи собрали разнообразный набор изображений с нескольких солнечных станций и из открытых источников, охватывающий разные сезоны, условия освещения и погоду. Каждое изображение было приведено к стандартному формату и тщательно размечено с точной локализацией и типом постороннего объекта или дефекта, включая снег, пыль, птичий помет, физические повреждения и целые панели. Они сравнили DHLNet с широким набором современных детекторов — от классических двухэтапных моделей вроде Faster R-CNN до облегченных одноэтапных версий YOLO и архитектур на базе Transformer. DHLNet показал лучшие результаты как по общим метрикам точности, так и в более строгих тестах, которые учитывают точность ограничивающих рамок и корректную классификацию при разных порогах пересечения, при этом оставаясь компактным и быстрым для работы в реальном времени на одной высокопроизводительной GPU.

Что это значит для будущего обслуживания солнечных установок

Для неспециалиста главное сообщение простое: DHLNet помогает операторам солнечных систем обнаруживать больше мелких проблем, которые незаметно снижают производительность, не замедляя при этом осмотры. Благодаря сочетанию более точного обнаружения краев, более умного учета контекста и лучшего объединения информации между масштабами, модель повышает надежность обнаружения посторонних объектов на панелях, особенно когда они крошечные, слабо выраженные или частично скрыты. Поскольку она работает в реальном времени и требует умеренных вычислительных ресурсов, DHLNet можно использовать совместно с дронами или стационарными камерами для непрерывного мониторинга. В долгосрочной перспективе такие инструменты могут снизить затраты на инспекции, уменьшить риск необратимого повреждения панелей и помочь солнечным фермам вырабатывать как можно больше чистой энергии.

Цитирование: 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

Ключевые слова: инспектирование солнечных панелей, компьютерное зрение, обнаружение посторонних объектов, глубокое обучение, техническое обслуживание фотоэлектрических систем