Upptäckt av främmande föremål på solcellspaneler baserat på DHLNet

Varför det verkligen spelar roll att hålla solpaneler rena

Solpaneler fungerar bäst när varje cell kan se solen klart. I verkligheten täcks paneler dock snabbt av fågelspillning, damm, löv, snö och till och med små sprickor eller brännmärken. Dessa oönskade gäster gör mer än att bara få paneler att se smutsiga ut — de blockerar ljus, skapar heta punkter, åldrar hårdvaran snabbare och minskar tyst effekten från hela solparker. Den här artikeln presenterar en ny datorseendemodell kallad DHLNet som automatiskt kan upptäcka sådana främmande föremål på fotovoltaiska (PV) paneler, även när de är små, svaga eller delvis dolda, vilket hjälper till att hålla solenergin säker, effektiv och prisvärd.

Den växande utmaningen med övervakning av solparker

När solenergi sprider sig från taksystem till stora anläggningar har manuell kontroll av paneler blivit långsam, kostsam och lätt att göra fel. Traditionella metoder lyssnar ofta på elektriska signaler från en panelsträng och letar efter avvikande mönster. Även om dessa angreppssätt är enkla och snabba har de svårt att ange exakt var ett problem sitter på en panel eller vad som orsakade det. Under senare år har ingenjörer vänt sig till kameror — ibland monterade på drönare — för att ta bilder eller termiska avbildningar av paneler. Djupinlärningsmodeller kan då tränas att känna igen mönster kopplade till fel. Ändå missar befintliga verktyg fortfarande många små eller lågkontrastdefekter, särskilt under varierande solbelastning, skuggor och röriga bakgrunder som är vanliga utomhus.

Hur den nya detektionsmodellen ser mer i samma bild

DHLNet bygger på den populära YOLO-familjen av realtidsobjektdetektorer men omkonstruerar viktiga delar så att den bättre kan urskilja subtila fel på solpaneler. Först redesignar författarna hur information flyter genom nätverkets mittparti, eller "neck". Deras Dual-Flow Feature Pyramid Network skickar signaler både från grova, högre nivåer ned till finare nivåer och från fina nivåer uppåt, samtidigt som korslänkar mellan olika skalor läggs till. Denna korsande trafik gör att modellen kan behålla skarpa detaljer — som konturen av en liten fläck — samtidigt som den förstår den bredare scenen, vilket är avgörande när defekter är mycket mindre än de panelrutor som rymmer dem.

Skarpare ögon för suddiga kanter och komplicerade texturer

Många främmande föremål på paneler är svåra att skilja från bakgrunden: damm syns som mjuka fläckar, fågelspillning smälter in i reflektioner och snö kan mjuka upp kanter. För att hantera dessa fall lägger DHLNet till ett block för förstärkning av högfrekventa detaljer som delar upp funktioner i två flöden. Ett fokuserar på mycket lokala kanter och texturer, medan det andra ser på högfrekventa mönster över ett större område. Dessa återkombineras sedan med en genvägskoppling som bevarar ursprunglig kontext i scenen. Utöver det inkluderar nätverket en specialiserad uppmärksamhetsmodul som använder stora, separabla filter för att samla information från ett vidsträckt synfält på en gång. Detta hjälper modellen att upptäcka svaga eller märkligt formade defekter som sträcker sig över flera celler, såsom sprickor eller oregelbundna fläckar, utan att förlora de fina detaljerna.

Att testa modellen i verkliga förhållanden

Forskarna sammanställde en mångsidig bilddatabas från flera solparker och onlinekällor som täcker olika årstider, ljusförhållanden och väder. Varje bild ändrades till ett standardformat och märktes noggrant med exakt plats och typ av främmande föremål eller defekt, inklusive snö, damm, fågelspillning, fysisk skada och intakta paneler. De jämförde DHLNet med ett brett urval moderna detektorer, från klassiska tvåstegsmodeller som Faster R-CNN till lätta ettstegsvarianter av YOLO och design baserade på transformatorer. DHLNet uppnådde högre poäng både i vanliga noggrannhetsmått och i tuffare tester som premierar precis avgränsning och korrekt klassificering över många överlappningströsklar, samtidigt som den förblev liten och snabb nog för realtidsanvändning på ett enskilt högpresterande GPU-kort.

Vad detta betyder för framtida underhåll av solkraft

För en icke-specialist är huvudbudskapet enkelt: DHLNet hjälper soloperatörer att upptäcka fler små problem som tyst urholkar prestanda, utan att inspektionerna blir långsammare. Genom att kombinera skarpare kantkänslighet, smartare uppmärksamhet på kontext och bättre blandning av information över skalor förbättrar modellen hur pålitligt främmande föremål upptäcks på paneler, särskilt när de är små, svaga eller delvis dolda. Eftersom den körs i realtid och använder måttliga beräkningsresurser kan den paras med drönare eller fasta kameror för kontinuerlig övervakning. På sikt kan sådana verktyg sänka inspektionskostnader, minska risken för bestående panelsskador och hålla solparkerna produktiva så att de levererar så mycket ren energi som möjligt.

Citering: 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

Nyckelord: inspektion av solpaneler, datorseende, upptäckt av främmande föremål, djupinlärning, underhåll av fotovoltaik