Un drone IA prototype détecte les anomalies des panneaux

À 18 m à 30 m au-dessus d'une installation photovoltaïque (PV), un hexacoptère conçu sur mesure suivait des trajectoires de vol autonomes tandis que deux caméras scrutaient les panneaux en dessous. L'équipe de recherche polono-espagnole l'a testé au-dessus d'un petit site résidentiel et d'un grand site industriel ; les chercheurs ont classé les modules en cinq catégories : points chauds, poussière, sable, fientes d'oiseaux et modules propres. L'appareil et sa charge utile de capteurs utilisaient des alimentations dédiées, ce qui leur conférait environ 25 minutes d'autonomie en vol.

La méthode ne traite pas la caméra thermique comme un simple thermomètre. Les chercheurs utilisent les images thermiques pour repérer des motifs visuels relatifs, puis vérifient qu'une anomalie reste cohérente sur plusieurs images prises depuis différents angles de vue. La charge utile combinait une caméra thermique radiométrique FLIR Boson 640 avec une MicaSense Altum, qui capture simultanément des images RGB, thermiques et multispectrales.

L'équipe a constitué son ensemble de données à partir de 1 950 images de vol propriétaires, de 190 images issues du dépôt public Kaggle « Solar Panel Images » et de 260 images de laboratoire montrant une contamination contrôlée. Après avoir filtré les images floues, surexposées ou bruitées, les chercheurs ont segmenté les modules individuels et comparé quatre architectures de réseaux neuronaux convolutifs (CNN). EfficientNet-B0 a obtenu les meilleurs résultats, avec une précision de 0,903, un rappel de 0,907, un score F1 macro de 0,904 et un score F1 pondéré de 0,927. Le score F1 mesure l'équilibre entre la précision et le rappel.

Les résultats variaient selon le type d'anomalie. Les points chauds et les modules propres ont chacun obtenu des scores de précision, de rappel et de F1 de 1,000. Le sable a atteint un score F1 de 0,907, les fientes d'oiseaux 0,889, tandis que la poussière était la plus difficile à identifier, avec une précision de 0,711, un rappel de 0,751 et un score F1 de 0,732. Les campagnes ont eu lieu de jour, à des températures ambiantes de 12 C à 22 C, principalement sous un ciel dégagé ou partiellement nuageux, avec des vitesses de vent inférieures à 12 m/s. Les chiffres rapportés décrivent donc cet ensemble de données et ces conditions de test, et non toutes les installations solaires.

Concrètement, le prototype pourrait fournir aux exploitants d'installations PV résidentielles et industrielles un moyen automatisé de signaler les modules suspects afin de les inspecter plus attentivement, si de futurs tests confirment ces performances en dehors des campagnes des chercheurs. L'équipe indique également que sa conception modulaire pourrait être étendue à l'exploitation coordonnée de plusieurs UAV et à la fusion de capteurs supplémentaires. Pour l'instant, ce travail est un cadre de recherche publié dans Measurement, développé par des scientifiques de l'Université de technologie de Rzeszów et de l'Université polytechnique de Valence, et non un service d'inspection déployé.