Investigadores de China han desarrollado un novedoso modelo de aprendizaje profundo para detectar defectos en los paneles fotovoltaicos.
El enfoque aprovecha las imágenes de luz visible de alta resolución para identificar defectos mediante un algoritmo basado en el marco de aprendizaje profundo You Only Look Once (YOLO), que realiza predicciones con una sola pasada por la red neuronal.
El nuevo método también incorpora un transformador de atención híbrido en el cuello de botella parcial entre etapas, combinado con dos estructuras convolucionales.
«Partiendo de la base de YOLOv8, presentamos un novedoso módulo de red neuronal HAT-C2f y rediseñamos el componente principal», explicaron los investigadores. «En la sección del cuello, el módulo C2f convencional se sustituye por la arquitectura RepNCSPELAN4, un diseño de capa eficiente con tamaños de canal, repeticiones y convoluciones específicos, y se añade un mecanismo SKAttention antes del cabezal de detección».
El módulo HAT-C2f mejora la capacidad de la columna vertebral para extraer detalles finos de la imagen, mientras que la integración de RepNCSPELAN4 en el cuello mejora la agregación de características, lo que permite al sistema detectar objetos de diferentes tamaños. La incorporación de SKAttention al cabezal de detección permite al modelo adaptarse a diferentes escalas.
El modelo, denominado YOLO-HRS, se evaluó con 6500 imágenes etiquetadas de luz visible procedentes de la plataforma de competición de ciencia de datos y comunidad en línea Kaggle, clasificadas en cuatro categorías: limpias, con polvo, agrietadas y con excrementos de pájaros. Alrededor del 80 % de las imágenes se utilizaron para el entrenamiento y el 20 % restante para la validación. YOLO-HRS se probó frente a modelos YOLO anteriores y algoritmos de detección de objetos de última generación. También se llevaron a cabo estudios de ablación, en los que se evaluaron de forma independiente los componentes individuales del modelo.
El análisis mostró que YOLO-HRS alcanzó una precisión del 86,87 %, un recuerdo del 84,6 %, una precisión media (mAP) en una intersección sobre unión (IoU) de 0,5 del 88,98 % y uní[email protected]:0.95e del 77,08 %.
Los estudios de ablación demostraron mejoras sustanciales en el rendimiento de la detección de objetos, mientras que las comparaciones con otros modelos mostraron que YOLO-HRS los superaba. Por ejemplo, en [email protected], solo YOLOX se acercó a su rendimiento con un 85,59 %, mientras que RT-DETR, Faster-RCNN, NanoDet y RetinaNet obtuvieron un 79,34 %, un 66,29 %, un 64,16 % y un 69,54 %, respectivamente.
En comparación con el modelo de referencia YOLOv8, YOLO-HRS mostró una mejora del 3 % en [email protected].
«En resumen, el modelo se validó experimentalmente utilizando imágenes de luz visible de paneles fotovoltaicos, lo que confirmó su alta fiabilidad y precisión», concluyó el equipo. «YOLO-HRS proporciona una detección precisa de defectos en paneles fotovoltaicos de luz visible, lo que ofrece una solución más fiable para aplicaciones en el mundo real».
De cara al futuro, los investigadores tienen previsto seguir optimizando y ampliando YOLO-HRS.
«En primer lugar, perfeccionaremos la arquitectura del modelo y lo probaremos con diversos conjuntos de datos, incluidas imágenes infrarrojas y electroluminiscentes, para evaluar su aplicabilidad en diferentes escenarios. En segundo lugar, nuestro objetivo es desarrollar estructuras ligeras, incluyendo nuevos métodos de submuestreo y extracción de características, para mejorar el equilibrio entre la precisión y el tamaño del modelo. Por último, la exploración de aplicaciones entre dominios y técnicas de aprendizaje autodirigido podría reducir la dependencia de grandes conjuntos de datos anotados», afirmaron.
El nuevo método se presentó en «A novel deep learning model for defect detection in photovoltaic panels using visible light imaging» (Un novedoso modelo de aprendizaje profundo para la detección de defectos en paneles fotovoltaicos mediante imágenes de luz visible), publicado en Engineering Applications of Artificial Intelligence. La investigación fue realizada por científicos de la Universidad de Finanzas y Economía de Zhejiang y la Universidad Dianzi de Hangzhou, en China.
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.