Un gruppo di ricercatori della Rzeszow University of Technology in Polonia e della Polytechnic University of Valencia in Spagna ha sviluppato un sistema automatizzato per l’ispezione degli impianti fotovoltaici che combina droni, acquisizione di immagini termiche e multispettrali e algoritmi di intelligenza artificiale. La soluzione è progettata per individuare automaticamente anomalie che possono compromettere le prestazioni dei moduli, distinguendo gli hotspot, cioè le zone caratterizzate da un riscaldamento anomalo, dalla contaminazione superficiale provocata da polvere, sabbia ed escrementi di uccelli. Il sistema utilizza voli autonomi per mantenere costanti geometria di acquisizione, copertura dell’impianto e risoluzione delle immagini, permettendo di analizzare anche installazioni fotovoltaiche di grandi dimensioni con procedure ripetibili.
Per addestrare e valutare il sistema sono state utilizzate complessivamente 2.400 immagini. Il dataset comprende 1.950 immagini proprietarie raccolte durante voli effettuati su impianti fotovoltaici, dalle installazioni residenziali di piccole dimensioni fino agli impianti industriali, alle quali sono state aggiunte 190 immagini provenienti da dataset pubblicamente disponibili e 260 immagini ottenute attraverso contaminazioni controllate realizzate in laboratorio. Le immagini sono state utilizzate per confrontare quattro architetture di reti neurali convoluzionali: EfficientNet-B0, ResNet-18, MobileNetV3-Small e RegNet-Y16GF. Tra queste, EfficientNet-B0 ha fornito le prestazioni complessive migliori.
EfficientNet-B0 ha raggiunto una precision di 0,903, una recall di 0,907, un macro F1 score di 0,904 e un weighted F1 score di 0,927. I risultati cambiano però sensibilmente in funzione del tipo di anomalia da riconoscere. Per gli hotspot e i moduli privi di anomalie il modello ha raggiunto valori di precision, recall e F1 pari a 1,000. Per la contaminazione da sabbia l’F1 score è stato pari a 0,907, mentre per gli escrementi di uccelli si è attestato a 0,889. La polvere si è rivelata la categoria più difficile da classificare, con precision pari a 0,711, recall di 0,751 e F1 score di 0,732. I dati mostrano quindi che l’efficacia del riconoscimento dipende anche dalle caratteristiche visive e termiche del materiale presente sulla superficie del pannello.
Una caratteristica importante del sistema riguarda il modo in cui vengono utilizzate le immagini termiche. La procedura non punta a determinare con precisione la temperatura assoluta di ciascun modulo attraverso una misura radiometrica completamente calibrata. I dati termici vengono invece interpretati come pattern visivi e confrontati attraverso più fotogrammi acquisiti dal drone da differenti punti di osservazione. L’algoritmo può così verificare se una determinata anomalia termica rimane riconoscibile nelle diverse immagini e distinguere le variazioni significative dalle differenze dovute alle condizioni di acquisizione. Questo approccio consente di effettuare il rilevamento degli hotspot senza richiedere una completa calibrazione termografica per ogni ispezione.
I test sul campo hanno evidenziato soprattutto una forte riduzione dei tempi necessari per completare l’ispezione. Sulla base di una media calcolata su 15 prove, la procedura convenzionale, comprendente il pilotaggio manuale del drone, l’analisi delle immagini e la preparazione del rapporto finale, richiedeva complessivamente 147 minuti. Utilizzando il volo autonomo e l’elaborazione basata sull’intelligenza artificiale, lo stesso processo è stato completato in 54 minuti, con una riduzione del tempo totale pari al 63,3%. Considerando esclusivamente l’analisi delle immagini e la generazione del report, il tempo necessario è passato da 87 a 19 minuti.
L’automazione riguarda quindi l’intera catena di ispezione, dalla pianificazione e dall’esecuzione del volo fino all’elaborazione delle immagini e alla classificazione delle anomalie. Durante l’acquisizione, il sistema può mantenere una geometria più regolare tra sensori e pannelli, una distanza di campionamento al suolo stabile e una copertura uniforme dell’impianto. Le immagini non idonee, per esempio perché sfocate o sovraesposte, vengono escluse prima dell’elaborazione; i singoli moduli vengono quindi segmentati e ritagliati dalle immagini prima di essere sottoposti alla rete neurale per la classificazione.
L’architettura è stata inoltre progettata in modo modulare, così da poter essere ampliata per applicazioni su impianti fotovoltaici di dimensioni maggiori. Tra gli sviluppi previsti rientrano il coordinamento simultaneo di più droni e l’integrazione di ulteriori sensori, in modo da aumentare la quantità di superficie controllabile e combinare informazioni provenienti da differenti modalità di acquisizione. L’obiettivo è arrivare a piattaforme di monitoraggio fotovoltaico automatizzate ad alta capacità, mantenendo riproducibili le procedure di acquisizione, classificazione delle anomalie e valutazione dello stato dei moduli.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)