Desenvolvimento de um sistema de inspeção de painéis solares autónomo baseado em técnicas de processamento de imagem e uso de UAVs

Abstract

Este projeto teve como objetivo desenvolver um modelo baseado em deep learning para a deteção de sujidade em painéis solares, empregando técnicas de processamento de imagens. O projeto abrangeu a criação de um conjunto de dados diversificado, o treino de modelos de redes neurais, a análise dos resultados e a delimitação de perspetivas futuras. Um conjunto de dados robusto foi meticulosamente criado, apresentando imagens de painéis solares com sujidade gerada artificialmente. Esse conjunto de dados foi fundamental para treinar modelos capazes de reconhecer uma ampla variedade de padrões de sujidade, simulando cenários do mundo real. No entanto, o desempenho observado durante o treino não se traduziu diretamente para situações de campo. O otimizador "adam" exibiu variabilidade, sugerindo a necessidade de uma exploração aprofundada para otimizar as escolhas de hiperparâmetros e a arquitetura do modelo. Para trabalhos futuros, a expansão do conjunto de dados para abranger um espectro mais amplo de condições, locais e tipos de painéis solares é imperativa. Estratégias para lidar com desequilíbrios nos dados também merecem atenção. Este projeto representa um possível avanço na deteção de sujidade em painéis solares, destacando a importância da sinergia entre a ciência de dados e a indústria solar. Pesquisa contínua e a busca por soluções mais eficazes no campo da deteção de sujidade são essenciais para maximizar a eficiência da energia solar e minimizar as perdas de eficiência.

This research aimed to develop a deep learning-based model for dirt detection on solar panels by employing image processing techniques. The project encompassed the creation of a diverse dataset, training neural network models, analyzing results, and outlining future prospects. A robust dataset was meticulously created, featuring images of solar panels with artificially generated dirt. This dataset was instrumental in training models capable of recognizing a wide array of dirt patterns, simulating real-world scenarios. However, the performance observed during training did not directly translate to field situations. The optimizer "adam" displayed variance, suggesting the need for in-depth exploration to optimize hyperparameter choices and model architecture. For future work, expanding the dataset to encompass a broader spectrum of conditions, locations, and solar panel types is imperative. Strategies for addressing data imbalances also warrant attention. This project represents a possible advancement in dirt detection on solar panels, underscoring the significance of synergy between data science and the solar industry. Continuous research and the quest for more effective solutions in the domain of dirt detection are essential for maximizing solar energy efficiency and minimizing efficiency losses.