Un grupo de investigación de la Universidad china de Beihua y la Universidad de Energía Eléctrica del Noreste ha desarrollado un novedoso método de detección de defectos fotovoltaicos basado en el aprendizaje profundo de imágenes de electroluminiscencia (EL).
«Los defectos en las células fotovoltaicas pueden provocar fallos en los módulos, lo que puede dar lugar a una reducción de la producción de energía y plantear riesgos de seguridad para el sistema», dijeron los investigadores. «Por lo tanto, es esencial realizar inspecciones y mantenimiento periódicos de los módulos fotovoltaicos para garantizar el máximo rendimiento del sistema fotovoltaico durante toda su vida útil».
El método propuesto se basa en el marco de detección de objetos de aprendizaje profundo VarifocalNet, que es un método destinado a clasificar con precisión un gran número de detecciones candidatas en la detección de objetos. La red neuronal convolucional profunda ResNet-101 se utiliza como columna vertebral para la extracción de características. Para que VarifocalNet sea más rápida, el grupo diseñó un módulo cuello de botella con parámetros más pequeños, es decir, una capa de la red neuronal diseñada para reducir el número de parámetros y la complejidad computacional.
«Para mejorar la precisión de la detección, diseñamos un módulo de cuello de botella sin reducir el tamaño del mapa de características para sustituir al primer módulo de cuello de botella utilizado en el grupo de convolución de la última etapa de la columna vertebral en VarifocalNet», explicaron los académicos. «Para mejorar aún más la precisión de la detección, también diseñamos un nuevo interactor de características y mejoramos la función de pérdida por regresión».
El nuevo método de detección se entrenó y probó en el conjunto de datos PVEL-AD, que contiene 4.0000 imágenes en infrarrojo cercano con una serie de defectos, como grietas, arañazos, núcleos negros y dislocaciones horizontales. Además, como referencia, se probaron otros métodos de detección en la misma base de datos: RetinaNet, DDH-YOLOv5, Faster GG R-CNN, Cascade R-CNN, el VarifocalNet no mejorado, el Faster R-CNN mejorado y el YOLOv7 mejorado.
En las imágenes EL, los defectos aparecen como líneas y áreas grises oscuras, y se dice que el nuevo método los detecta con rapidez y precisión.
«Nuestro método exhibe la mayor precisión media (mAP) y Recall, lo que indica que la precisión de detección de defectos de nuestro método es superior a la de otros métodos», declaró el equipo. «Además, también tiene una velocidad de detección más rápida que otros métodos, excepto el método DDH-YOLOv5 y el método YOLOv7 mejorado».
Los investigadores destacaron que, si bien su modelo es un método de dos etapas, tanto el DDH-YOLOv5 como el YOLOv7 mejorado pertenecen al método de una etapa. «El método de dos etapas presenta una estructura de red compleja, lo que se traduce en una mayor precisión de detección y una velocidad de detección más lenta, mientras que el método de una etapa emplea una estructura de red relativamente más simple, lo que se traduce en una velocidad de detección más rápida y una precisión de detección más baja», explicaron además.
El novedoso método se describe en el artículo «Defect detection of photovoltaic modules based on improved VarifocalNet» (Detección de defectos en módulos fotovoltaicos basada en VarifocalNet mejorado), publicado en Scientific Reports.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.