Cómo se puede utilizar la inteligencia artificial para identificar los defectos de los paneles solares - World Energy Trade

Cómo se puede utilizar la inteligencia artificial para identificar los defectos de los paneles solares

Un algoritmo utiliza imágenes para identificar los defectos de los paneles solares

Un algoritmo utiliza imágenes para identificar los defectos de los paneles solares

Energía Solar

Uno de los mayores retos para los no expertos en IA es la terminología. Se habla con frecuencia de inteligencia artificial (IA), aprendizaje automático (ML) y visión por ordenador (CV), pero las personas ajenas a los campos de la ciencia de los datos no suelen saber lo que significan. Afortunadamente, no es tan complejo: La inteligencia artificial, el aprendizaje automático y la visión por ordenador se refieren en general a lo mismo, sólo que con más especificidad.

Por ejemplo, si está ejecutando un algoritmo de visión por ordenador para identificar los defectos de los paneles solares, se está dedicando a la IA, el ML y el CV. En cambio, si está traduciendo palabras del inglés al español mediante un algoritmo, es más probable que se trate de IA o ML, no de CV.

La mayoría de los proyectos de inspección de IA en el sector de los paneles solares suelen ser iniciativas de visión por ordenador (CV). Esto significa que un algoritmo utiliza imágenes para identificar los defectos de los paneles solares.

¿Qué es la inspección con IA?

El uso de IA y CV en la inspección de paneles solares es relativamente novedoso. Tradicionalmente, los operadores de parques solares utilizaban un equipo de trabajadores para inspeccionar manualmente los paneles solares en busca de defectos. Este proceso es lento, caro y poco preciso. Todos los operadores de huertas solares saben que las visitas de mantenimiento son extremadamente caras y que simplemente no es factible realizarlas a diario para todo un despliegue solar.

Para acelerar el proceso de inspección y mejorar la precisión, los operadores de huertas solares están recurriendo a la inspección con IA. Esto implica el uso de algoritmos que pueden detectar automáticamente los defectos de los paneles solares a partir de imágenes.

Este proceso es mucho más rápido y preciso que la inspección manual. Además, los operadores de huertas solares pueden utilizar la inspección asistida por IA para identificar los paneles defectuosos antes de que se instalen en la huerta solar, y después de que ya estén en funcionamiento.

¿Cómo funciona la inspección con IA?

Las huertas solares pueden utilizar la inspección asistida por IA de varias maneras. La forma más común es mediante el uso de un vehículo aéreo no tripulado (UAV) o dron. Los UAV proporcionan una forma sin contacto para que los operadores de parques solares realicen un control de calidad de sus paneles solares utilizando imágenes aéreas.

Las imágenes recogidas por un UAV sobre un parque solar pueden ser procesadas por un algoritmo en la nube o en el dispositivo. Los resultados del algoritmo de IA indicarán al controlador de calidad qué paneles fotovoltaicos tienen signos visibles de equipo defectuoso.

Al utilizar la IA de clasificación automática de defectos, los controladores de calidad pueden reducir los costes al inspeccionar toda su instalación en unas pocas horas en lugar de contratar a alguien durante días para realizar el mantenimiento. Además, la identificación automática de paneles defectuosos puede acelerar el tiempo de inspección con el etiquetado basado en la ubicación, mejorando así la eficiencia.

¿Qué algoritmos se utilizan en la inspección de paneles solares?

El tipo de algoritmo más común utilizado en la inspección de paneles solares es un algoritmo de aprendizaje profundo. Los algoritmos de aprendizaje profundo son un tipo de algoritmo de aprendizaje automático que utiliza una red neuronal para aprender a resolver una tarea. Las redes neuronales están compuestas por capas interconectadas que pueden aprender a reconocer los defectos de los paneles solares a partir de imágenes.

Estas redes de aprendizaje profundo requieren datos de entrenamiento, que son grandes conjuntos de datos de imágenes etiquetadas. En muchos casos, el operador del parque solar puede proporcionar estas imágenes etiquetadas al algoritmo de aprendizaje profundo. Por otro lado, un proveedor de IA puede proporcionar estas imágenes etiquetadas de forma inmediata.

En el caso del enfoque interno, esto se hace creando un conjunto de datos de entrenamiento que consiste en imágenes que contienen defectos en los paneles solares, y también imágenes sin defectos en los paneles solares. El operador del parque solar etiquetará cada imagen como defectuosa o no defectuosa para que la red neuronal aprenda a identificar ambos tipos de paneles.

Una vez entrenado el algoritmo de aprendizaje profundo, puede utilizarse para inspeccionar los paneles solares en las imágenes recogidas en una huerta solar. La red neuronal identificará cualquier defecto del panel solar en la imagen y proporcionará una clasificación (defectuoso o no defectuoso).

Desafíos de la inspección con IA

Aunque la inspección con IA ofrece varias ventajas para la inspección de paneles solares, hay algunos retos que deben superarse.

El primero es la disponibilidad de datos de entrenamiento. Para que un algoritmo de aprendizaje profundo aprenda a detectar los defectos de los paneles solares, necesita un gran conjunto de datos de imágenes etiquetadas. Esto significa que el operador de la granja solar tiene que proporcionar un conjunto de imágenes de paneles solares que contengan defectos de paneles solares y un conjunto de imágenes de paneles solares sin defectos.

El segundo reto es la falta de estandarización de los paneles solares. Las huertas solares pueden instalar cientos o incluso miles de tipos y modelos diferentes de paneles solares, cada uno con sus propias características, como el tamaño, la forma, el color, etc. Dado que las características de los paneles solares pueden variar entre las granjas solares, esto podría afectar a la eficacia de un único algoritmo de aprendizaje profundo en múltiples instalaciones solares.

El último reto está en la precisión del modelo de los resultados de la inspección. Los algoritmos entrenados para detectar los defectos de los paneles solares no serán 100% precisos. Esto significa que un pequeño número de paneles solares puede ser clasificado incorrectamente como defectuoso. Sin embargo, al utilizar múltiples modelos de aprendizaje profundo (entrenados en diferentes conjuntos de datos), se pueden minimizar las posibilidades de clasificación incorrecta.

En general, la IA es una herramienta muy poderosa para los operadores de parques solares y debería incorporarse a su rutina de mantenimiento. Aunque existen algunos retos, la inspección de paneles solares mediante IA aumentará la eficiencia y reducirá los costes.

 

Noticia tomada de: pv magazine /  Traducción libre del inglés por World Energy Trade 

 

Te puede interesar:

Si eres seguidor de World Energy Trade hoy puedes resultarnos más útil que nunca. La emergencia del coronavirus ha ocasionado un lógico desplome sin precedentes de la publicidad, nuestro único sustento económico para poder informar.

Necesitamos a todos y cada uno de nuestros trabajadores y colaboradores que, cada día, están demostrando su valía en un entorno de trabajo complicado por las restricciones que impone el virus. Jornadas laborales interminables y medios tecnológicos no habituales hacen aún más difícil y costosa nuestra labor. Con la publicidad en crisis, el lector de World Energy Trade puede ser un asidero de enorme importancia.

Danos tu apoyo aportando lo que quieras.

QUIERO COLABORAR

No pierdas la oportunidad de leer este reportaje:

Vehiculos Electrico Hidrogeno Foto Ref