Drone AI prototipo rileva anomalie nei pannelli solari

A 18 m a 30 m sopra un impianto fotovoltaico (PV), un esacottero personalizzato seguiva traiettorie di volo autonome mentre due fotocamere esaminavano i pannelli sottostanti. Il team di ricerca polacco-spagnolo lo ha testato su un piccolo impianto residenziale e su una grande struttura industriale; i ricercatori hanno classificato i moduli come hotspot, polvere, sabbia, escrementi di uccelli o puliti. Il velivolo e il carico di sensori utilizzavano alimentatori dedicati, garantendo circa 25 minuti di volo.

Il metodo non tratta la fotocamera termica come un semplice termometro. I ricercatori utilizzano le immagini termiche per individuare schemi visivi relativi, quindi verificano se un'anomalia rimane coerente in diversi fotogrammi acquisiti da angolazioni differenti. Il carico combinava una fotocamera termica radiometrica FLIR Boson 640 con una MicaSense Altum, che acquisisce simultaneamente immagini RGB, termiche e multispettrali.

Il team ha costruito il proprio dataset a partire da 1.950 immagini proprietarie ottenute in volo, 190 immagini dal repository pubblico Kaggle «Solar Panel Images» e 260 immagini di laboratorio che mostravano una contaminazione controllata. Dopo aver filtrato i fotogrammi sfocati, sovraesposti e rumorosi, i ricercatori hanno segmentato i singoli moduli e confrontato quattro architetture di reti neurali convoluzionali (CNN). EfficientNet-B0 ha ottenuto le prestazioni migliori, con una precisione di 0,903, un richiamo di 0,907, un punteggio F1 macro di 0,904 e un punteggio F1 pesato di 0,927. L'F1 misura l'equilibrio tra precisione e richiamo.

I risultati variavano a seconda del tipo di anomalia. Gli hotspot e i moduli puliti hanno ottenuto ciascuno punteggi di precisione, richiamo e F1 pari a 1,000. La sabbia ha raggiunto un punteggio F1 di 0,907, gli escrementi di uccelli 0,889, mentre la polvere è risultata la più difficile da identificare, con una precisione di 0,711, un richiamo di 0,751 e un punteggio F1 di 0,732. Le campagne si sono svolte durante il giorno, con temperature ambientali comprese tra 12 C e 22 C, per lo più con cielo sereno o parzialmente nuvoloso e velocità del vento inferiori a 12 m/s. Le cifre riportate descrivono quindi questo dataset e queste condizioni di test, non ogni impianto solare.

In concreto, il prototipo potrebbe offrire agli operatori di impianti fotovoltaici residenziali e industriali un metodo automatizzato per segnalare i moduli sospetti da sottoporre a un'ispezione più approfondita, se i test successivi confermeranno le prestazioni al di fuori delle campagne dei ricercatori. Secondo il team, il design modulare potrebbe inoltre essere esteso al funzionamento coordinato di più UAV e all'integrazione di ulteriori sensori. Per ora, il lavoro è un framework di ricerca pubblicato su Measurement, sviluppato da scienziati dell'Università tecnologica di Rzeszów e dell'Università politecnica di Valencia, non un servizio di ispezione operativo.