Μια ερευνητική ομάδα από την Πολωνία και την Ισπανία ανέπτυξε ένα νέο πλαίσιο για την αυτόνομη επιθεώρηση φωτοβολταϊκών εγκαταστάσεων με βάση μη επανδρωμένα αεροσκάφη (UAV). Το σύστημα συνδυάζει θερμική και πολυφασματική απεικόνιση με ανίχνευση ανωμαλιών βασισμένη σε τεχνητή νοημοσύνη χρησιμοποιώντας ανάλυση πολλαπλών καρέ εικόνων που λαμβάνονται από drone.
Η ανίχνευση θερμικών και οπτικών ανωμαλιών
«Το κεντρικό ερευνητικό πρόβλημα που αντιμετωπίζεται σε αυτή την εργασία αφορά την αυτοματοποιημένη ανίχνευση θερμικών και οπτικών ανωμαλιών χρησιμοποιώντας εικόνες που λαμβάνονται από drone», ανέφεραν οι ερευνητές. «Είναι σημαντικό ότι η θερμική μονάδα χρησιμοποιείται για την ανίχνευση σχετικής ανωμαλίας και όχι για τη μέτρηση απόλυτης θερμοκρασίας. Οι θερμικές εικόνες αντιμετωπίζονται ως οπτικά μοτίβα και οι ανωμαλίες επιβεβαιώνονται μέσω της συνέπειας πολλαπλών καρέ σε διαφορετικές γωνίες θέασης».
Οι ερευνητές ανέπτυξαν ένα προσαρμοσμένο εξακόπτερο εξοπλισμένο με μια ραδιομετρική θερμική κάμερα FLIR Boson 640 και μια πολυφασματική κάμερα MicaSense Altum. Η κάμερα FLIR λειτουργεί στην περιοχή υπέρυθρης ακτινοβολίας μεγάλου μήκους κύματος 7,5–13,5 μm, έχει ανάλυση 640 × 512 pixel στα 30 Hz και προσφέρει θερμική ευαισθησία κάτω από 50 mK. Το MicaSense Altum καταγράφει ταυτόχρονα εικόνες RGB, θερμικές και πολυφασματικές. Το αεροσκάφος και το φορτίο του αισθητήρα τροφοδοτούνταν από ειδικά τροφοδοτικά, επιτρέποντας χρόνους πτήσης περίπου 25 λεπτών.
Οι πτήσεις
Χρησιμοποιώντας αυτήν τη ρύθμιση, οι ερευνητές διεξήγαγαν πολλαπλές αυτόνομες εκστρατείες πτήσεων σε μια μικρή οικιακή φωτοβολταϊκή εγκατάσταση και μια μεγάλη εγκατάσταση βιομηχανικής κλίμακας υπό μεταβαλλόμενες ατμοσφαιρικές συνθήκες. Οι πτήσεις πραγματοποιήθηκαν κατά τη διάρκεια της ημέρας σε θερμοκρασίες περιβάλλοντος που κυμαίνονταν από 12°C έως 22°C, κυρίως υπό καθαρό ή μερικώς συννεφιασμένο ουρανό και με ταχύτητες ανέμου κάτω από 12 m/s.
Το UAV λειτουργούσε σε υψόμετρα που κυμαίνονταν από 18 m έως 30 m για να διατηρήσει μια απόσταση δειγματοληψίας εδάφους περίπου 2,5 cm έως 4,0 cm ανά pixel. Οι ερευνητές προσάρμοσαν επίσης την ταχύτητα πτήσης και την απόσταση μεταξύ των ιχνών για να εξασφαλίσουν επαρκή επικάλυψη εικόνων.
Οι ερευνητές χρησιμοποίησαν εικόνες που συλλέχθηκαν κατά τη διάρκεια των εκστρατειών πτήσεων για να δημιουργήσουν το σύνολο δεδομένων μοντέλου. Περιλάμβανε 1.950 ιδιόκτητες εικόνες πτήσης, 190 εικόνες από το δημόσια διαθέσιμο αποθετήριο "Solar Panel Images" του Kaggle και 260 εργαστηριακές εικόνες που απεικόνιζαν ελεγχόμενη μόλυνση.
Αρχικά αφαίρεσαν τα θολά, τα υπερεκτεθειμένα, τα υπερβολικά θορυβώδη και τα άσχετα καρέ πριν ομαλοποιήσουν τις υπόλοιπες εικόνες και τμηματοποιήσουν και περικόψουν μεμονωμένες φωτοβολταϊκές μονάδες.
Οι ερευνητές επισήμαναν χειροκίνητα τις ανώμαλες μονάδες ως μονάδες που εμφάνιζαν σκόνη, άμμο, περιττώματα πουλιών ή θερμά σημεία, ενώ ταξινόμησαν τις κανονικές μονάδες ως καθαρές. Κατένειμαν το 81,25% των εικόνων στην εκπαίδευση, το 7,92% στην επικύρωση και το 10,83% στη δοκιμή.
Οι συγκρίσεις
Στη συνέχεια, οι ερευνητές συνέκριναν τέσσερις αρχιτεκτονικές συνελικτικών νευρωνικών δικτύων (CNN): EfficientNet-B0, ResNet18, MobileNetV3-Small και RegNet-Y16GF. Το EfficientNet-B0 παρείχε την καλύτερη συνολική απόδοση, με ακρίβεια 0,903, ανάκληση 0,907, βαθμολογία μακροεντολής F1 0,904 και σταθμισμένη βαθμολογία F1 0,927. Η βαθμολογία F1 αντιπροσωπεύει την ισορροπία μεταξύ ακρίβειας και ανάκλησης.
Η απόδοση διέφερε ανάλογα με την κατηγορία ανωμαλίας. Το μοντέλο πέτυχε ακρίβεια, ανάκληση και βαθμολογίες F1 1.000 τόσο για τα θερμά σημεία όσο και για τις καθαρές μονάδες. Κατέγραψε βαθμολογία F1 0,907 για την άμμο και 0,889 για τα περιττώματα πουλιών. Η σκόνη αποδείχθηκε η πιο δύσκολη ανωμαλία στην αναγνώριση, με ακρίβεια 0,711, ανάκληση 0,751 και βαθμολογία F1 0,732.
«Ο αρθρωτός σχεδιασμός του συστήματος επιτρέπει την άμεση επέκταση προς τη συντονισμένη λειτουργία πολλαπλών UAV και την βελτιωμένη σύντηξη πολλαπλών αισθητήρων, προσφέροντας μια πορεία προς πλατφόρμες παρακολούθησης φωτοβολταϊκών επόμενης γενιάς υψηλής απόδοσης», κατέληξαν οι ερευνητές. «Η μεθοδολογική διαφάνεια που εισήχθη σε αυτή την εργασία - συμπεριλαμβανομένων των λεπτομερών προδιαγραφών αισθητήρων, της σύνθεσης του συνόλου δεδομένων και των διαδικασιών ταξινόμησης ανωμαλιών - διασφαλίζει ότι το σύστημα μπορεί να αναπαραχθεί αξιόπιστα και να αναπτυχθεί περαιτέρω σε μελλοντικές μελέτες».
Οι ερευνητές παρουσίασαν το πλαίσιο στο «Αυτοματοποιημένη θερμική απεικόνιση UAV και ανίχνευση θερμών σημείων και επιφανειακής μόλυνσης σε φωτοβολταϊκά πάνελ με βάση την Τεχνητή Νοημοσύνη», που δημοσιεύτηκε στο Measurement. Η ερευνητική ομάδα περιελάμβανε επιστήμονες από το Τεχνολογικό Πανεπιστήμιο του Ρζεσζόφ στην Πολωνία και το Πολυτεχνικό Πανεπιστήμιο της Βαλένθια στην Ισπανία.
www.worldenergynews.gr
