Diagnóstico de paneles solares mediante el tratamiento automatizado de imágenes y su aplicación a la automatización de programas de mantenimiento predictivo

Abstract

El crecimiento continuo de la energía solar fotovoltaica subraya la necesidad de un mantenimiento eficiente para reducir costos y asegurar la viabilidad económica de las instalaciones. La inspección termográfica, que detecta fallos en los módulos mediante la medición sin contacto de su temperatura, es crucial, pero puede ser lenta y costosa con cámaras térmicas manuales. El uso de drones y análisis por empresas de IA también puede generar costos adicionales y dependencia de proveedores externos. Este proyecto propone una alternativa para la inspección termográfica de paneles fotovoltaicos usando algoritmos de detección de objetos de código abierto: Yolov5, Faster R-CNN y RetinaNet. También se busca determinar cuál de estas arquitecturas es la más adecuada para esta aplicación. Se creó un conjunto de datos con 440 imágenes térmicas de paneles solares, preprocesadas y etiquetadas para entrenar y evaluar estos modelos. Las clases a detectar incluyen 'Panel defectuoso', 'Punto Caliente', 'Cadena' y 'Caja de conexiones'. Los modelos se implementaron en un entorno de programación en Python, usando Pytorch como framework principal. Se realizaron entrenamientos sobre el mismo conjunto de datos y con un mismo conjunto de hiperparámetros, comparando dos versiones de cada arquitectura (una más ligera y otra más profunda), totalizando seis modelos. Posteriormente, se realizó un entrenamiento más detallado para optimizar el rendimiento de cada modelo. Los resultados mostraron que las tres arquitecturas son válidas para esta aplicación, alcanzando precisiones promedio cercanas o superiores al 90% en la detección de 'Panel Defectuoso'. Faster R-CNN con ResNet50 demostró la mayor capacidad de detección, pero fue más lento en la inferencia comparado con Yolov5l, optimizado para la detección en tiempo real con menor tiempo de inferencia. RetinaNet ofreció un rendimiento equilibrado con precisión razonable y velocidad de inferencia aceptable. El proyecto concluye que los modelos de detección automatizada pueden reducir significativamente la intervención humana y la dependencia de empresas externas en las inspecciones termográficas simplificadas. Los próximos pasos incluyen la expansión del conjunto de datos, la ampliación del número de defectos a detectar y la optimización adicional de los modelos.

The continuous growth of photovoltaic solar energy highlights the need for efficient and effective maintenance to reduce costs and ensure the economic viability of installations. One of the most important and frequent inspections is thermographic, which detects faults in the modules by non-contact temperature measurement. Traditional inspections with manual thermal cameras, while essential for identifying anomalies such as hot spots and connection failures, can be slow and costly. Additionally, using drones to capture aerial images and analyze them through companies with AI models may involve additional costs and dependency on external providers. This project proposes an alternative for thermographic inspection of photovoltaic panels using open-source object detection algorithms, specifically Yolov5, Faster R-CNN, and RetinaNet, which are free and easily deployable. Another goal is to determine which of these architectures is the most suitable for this application. To achieve this, a dataset of 440 thermal images of solar panels was created, preprocessed, and labeled to train and evaluate these models. The classes to be detected include 'Defective Panel,' 'Hot Spot,' 'String,' and 'Junction Box.' The models were implemented in a Python programming environment using Pytorch as the main framework. Training was conducted on the same dataset with the same set of hyperparameters, comparing two versions of each architecture (one lighter and one deeper) for a total of six models. Subsequently, a more detailed training was performed to optimize the performance of each model. The results showed that all three architectures are valid for this application, achieving average precisions close to or exceeding 90% in detecting ‘Defective Panel’. Faster R-CNN with ResNet50 demonstrated the highest detection capability but was slower in inference compared to Yolov5l, which is optimized for real-time detection with the shortest inference time. RetinaNet offered balanced performance with reasonable precision and acceptable inference speed. The project concludes that automated detection models can significantly reduce human intervention and dependence on external companies for simplified thermographic inspections. Next steps include expanding the dataset, increasing the number of defects to be detected, and further optimizing the models.