Prototipo de dron con IA detecta anomalías en paneles solares

A 18 m a 30 m sobre una instalación fotovoltaica (PV), un hexacóptero personalizado recorrió rutas de vuelo autónomas mientras dos cámaras examinaban los paneles situados debajo. El equipo de investigación polaco-español lo probó sobre una pequeña instalación residencial y una gran planta de escala industrial; los investigadores clasificaron los módulos como puntos calientes, polvo, arena, excrementos de aves o limpios. La aeronave y la carga de sensores utilizaban fuentes de alimentación específicas, lo que permitía aproximadamente 25 minutos de autonomía de vuelo.

El método no trata la cámara térmica como un simple termómetro. Los investigadores utilizan las imágenes térmicas para detectar patrones visuales relativos y después comprueban si una anomalía mantiene su coherencia en varios fotogramas captados desde distintos ángulos de observación. La carga combinaba una cámara térmica radiométrica FLIR Boson 640 con una MicaSense Altum, que captura simultáneamente imágenes RGB, térmicas y multiespectrales.

El equipo construyó su conjunto de datos a partir de 1.950 imágenes propias de vuelos, 190 imágenes del repositorio público de Kaggle «Solar Panel Images» y 260 imágenes de laboratorio que mostraban contaminación controlada. Tras filtrar los fotogramas borrosos, sobreexpuestos y con ruido, los investigadores segmentaron los módulos individuales y compararon cuatro arquitecturas de redes neuronales convolucionales (CNN). EfficientNet-B0 obtuvo el mejor resultado, con una precisión de 0,903, una exhaustividad de 0,907, una puntuación F1 macro de 0,904 y una puntuación F1 ponderada de 0,927. F1 mide el equilibrio entre precisión y exhaustividad.

Los resultados variaron según el tipo de anomalía. Tanto los puntos calientes como los módulos limpios obtuvieron puntuaciones de precisión, exhaustividad y F1 de 1,000. La arena alcanzó una puntuación F1 de 0,907 y los excrementos de aves, 0,889, mientras que el polvo fue el más difícil de identificar, con una precisión de 0,711, una exhaustividad de 0,751 y una puntuación F1 de 0,732. Las campañas se realizaron durante el día, con temperaturas ambiente de entre 12 C y 22 C, principalmente bajo cielos despejados o parcialmente nublados y con velocidades del viento inferiores a 12 m/s. Por tanto, las cifras comunicadas describen este conjunto de datos y estas condiciones de prueba, no todas las instalaciones solares.

En la práctica, el prototipo podría ofrecer a los operadores de instalaciones PV residenciales e industriales una forma automatizada de señalar módulos sospechosos para una inspección más exhaustiva, si futuras pruebas confirman su rendimiento fuera de las campañas de los investigadores. Según el equipo, su diseño modular también podría ampliarse para permitir operaciones coordinadas con varios UAV y añadir una mayor fusión de sensores. Por ahora, el trabajo es un marco de investigación publicado en Measurement, desarrollado por científicos de la Universidad Tecnológica de Rzeszów y la Universidad Politécnica de Valencia, no un servicio de inspección desplegado.