Innovador método basado en inteligencia artificial mejora la detección de defectos en paneles solares

Un equipo de investigadores de la Universidad de Beihua y la Universidad de Energía Eléctrica del Noreste, ambas en China, ha desarrollado un innovador método para la detección de defectos en módulos fotovoltaicos (PV) utilizando imágenes de electroluminiscencia (EL) y técnicas avanzadas de aprendizaje profundo. Este nuevo enfoque, basado en el marco de detección de objetos VarifocalNet, ha demostrado ser más preciso que otros métodos existentes y se posiciona como el tercero más rápido en términos de velocidad de detección.

Los defectos en las células fotovoltaicas son una preocupación crítica, ya que pueden provocar fallos en los módulos, reduciendo la producción de energía y generando riesgos de seguridad en los sistemas solares. Por ello, la inspección y el mantenimiento regular de los módulos PV son esenciales para garantizar un rendimiento óptimo a lo largo de su vida útil.

El método propuesto por los investigadores se apoya en VarifocalNet, un marco de detección de objetos que se especializa en clasificar con precisión un gran número de posibles detecciones. Para mejorar la eficiencia, el equipo utilizó ResNet-101, una red neuronal convolucional profunda, como base para la extracción de características. Además, diseñaron un módulo de cuello de botella con parámetros más pequeños para reducir la complejidad computacional y acelerar el proceso.

Con el fin de aumentar la precisión en la detección, los investigadores reemplazaron el primer módulo de cuello de botella en la última etapa del grupo de convolución de VarifocalNet con un diseño que mantiene el tamaño del mapa de características. También introdujeron un nuevo interactuador de características y mejoraron la función de pérdida de regresión.

El nuevo método fue entrenado y probado en el conjunto de datos PVEL-AD, que incluye 40,000 imágenes en infrarrojo cercano con diversos defectos como grietas, arañazos en los dedos, núcleos negros y dislocaciones horizontales. Para evaluar su rendimiento, compararon su técnica con otros métodos de detección, incluyendo RetinaNet, DDH-YOLOv5, Faster GG R-CNN, Cascade R-CNN, la versión no mejorada de VarifocalNet, Improved Faster R-CNN y una versión mejorada de YOLOv7.

En las imágenes de EL, los defectos se manifiestan como líneas y áreas de color gris oscuro, y el nuevo método ha demostrado ser capaz de detectarlos con gran rapidez y precisión. Según los investigadores, su técnica presenta la mayor precisión promedio (mAP) y Recall, lo que indica que supera a los demás métodos en términos de exactitud en la detección de defectos.

Sin embargo, aunque su método es más preciso, es ligeramente más lento que DDH-YOLOv5 y la versión mejorada de YOLOv7, ambos métodos de una sola etapa. Los investigadores explicaron que los métodos de dos etapas, como el suyo, tienden a tener una estructura de red más compleja, lo que resulta en una mayor precisión pero a costa de una velocidad de detección más baja. Por otro lado, los métodos de una sola etapa, al tener una estructura más simple, son más rápidos pero menos precisos.

Este avance ha sido detallado en el artículo titulado «Detección de defectos en módulos fotovoltaicos basada en VarifocalNet mejorado», publicado en la revista *Scientific Reports*.

Fuente: https://www.pv-magazine.com/2024/08/20/pv-module-fault-detection-tech-based-on-deep-learning-of-electroluminescence/