АВТОМАТИЧЕСКОЕ ОБНАРУЖЕНИЕ ЗАГРЯЗНЕНИЙ И ДЕФЕКТОВ ФОТОЭЛЕКТРИЧЕСКИХ ПАНЕЛЕЙ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ

Аннотация

Загрязнение поверхности фотоэлектрических (ФЭ) панелей пылью, а также механические и электрические дефекты являются одними из основных факторов снижения выработки электроэнергии на солнечных электростанциях. Особенно остро эта проблема проявляется в засушливых и запылённых регионах, таких как Центральная Азия. Ручной осмотр крупных массивов ФЭ панелей требует значительных трудозатрат, занимает много времени и сопряжён с риском ошибок. В статье предложена легковесная и интерпретируемая система глубокого обучения для автоматической классификации состояния поверхности ФЭ панелей по шести классам: чистые, запылённые, загрязнённые птичьим помётом, с электрическими повреждениями, с механическими повреждениями и покрытые снегом. Применён метод трансферного обучения на основе нейронной сети MobileNetV3- Large, предварительно обученной на наборе данных ImageNet. Для уменьшения дисбаланса классов использованы взвешенная по классам функция потерь и методы аугментации данных. Для локализации повреждённых областей интегрирован метод Grad-CAM. Система определяет для каждого распознанного состояния ориентировочный диапазон потерь мощности на основе научной литературы и предоставляет результаты пользователю через веб-приложение FastAPI с узбекоязычным интерфейсом.

Ключевые слова

Литература

1. IRENA, “Renewable Capacity Statistics 2025,” Abu Dhabi, 2025.
2. T. Sarver, A. Al- Qaraghuli, and L. L. Kazmerski, “A comprehensive review of the impact of dust on the use of solar energy: History, investigations, results, literature, and mitigation approaches,” Renewable and Sustainable Energy Reviews, vol. 22, pp. 698 – 733, 2013, doi: 10.1016/j.rser.2012.12.065.
3. A. Sayyah, M. N. Horenstein, and M. K. Mazumder, “Energy yield loss caused by dust deposition on photovoltaic panels,” Solar Energy, vol. 107, pp. 576 – 604, 2014, doi: 10.1016/j.solener.2014.05.030.
4. M. R. Maghami, H. Hizam, C. Gomes, M. A. Radzi, M. I. Rezadad, and S. Hajighorbani, “Power loss due to soiling on solar panel: A review,” Renewable and Sustainable Energy Reviews, vol. 59, pp. 1307 – 1316, 2016, doi: 10.1016/j.rser.2016.01.044.
5. K. Ilse et al., “Techno -economic assessment of soiling losses and mitigation strategies for solar power generation,” Joule, vol. 3, no. 10, pp. 2303 – 2321, 2019, doi: 10.1016/j.joule.2019.08.019.
6. D. S. Pillai and N. Rajasekar, “A comprehensive review on protection challenges and fault diagnosis in PV systems,” Renewable and Sustainable Energy Reviews, vol. 91, pp. 18 – 40, 2018, doi: 10.1016/j.rser.2018.03.082.
7. A. Mellit and S. A. Kalogirou, “Artificial intelligence and internet of things to improve efficacy of diagnosis and remote sensing of solar photovoltaic systems,” Renewable and Sustainable Energy Reviews, vol. 143, p. 110889, 2021, doi: 10.1016/j.rser.2021.110889.
8. Y. Zefri, A. ElKettani, I. Sebari, and S. Ait Lamallam, “Thermal infrared and visual inspection of photovoltaic installations by UAV photogrammetry: Application case Morocco,” Remote Sens. (Basel)., vol. 10, no. 12, p. 1874, 2018, doi: 10.3390/rs10121874.
9. S. Mehta, A. P. Azad, S. A. Chemmengath, V. Raykar, and S. Kalyanaraman, “DeepSolarEye: Power loss prediction and weakly supervised soiling localization via fully convolutional networks for INNOVATSION TEXNOLOGIYALAR INNOVATIVE TECHNOLOGIES ИННОВАЦИОННЫЕ ТЕХ НОЛОГИИ 2026 - yil 3 (63) - son 2026 volume 63, number 3 Том 63 No 3, 202 6 ISSN 2181 - 4732 E - ISSN 2181 - 4 015 123 solar panels,” in Proceedings of the IEEE Winter Conference on Applications of Computer Vision (WACV), 2018, pp. 333 – 342. doi: 10.1109/WACV.2018.00043.
10. M. Yang, J. Ji, and B. Guo, “Soiling quantification using an image -based method: Effects of imaging conditions,” IEEE J. Photovolt., vol. 10, no. 6, pp. 1780 – 1787, 2020, doi: 10.1109/JPHOTOV.2020.3018493.
11. S. Fan, Y. Wang, S. Cao, B. Zhao, T. Sun, and P. Liu, “A deep residual neural network identification method for uneven dust accumulation on photovoltaic (PV) panels,” Energy, vol. 239, p. 122302, 2022, doi: 10.1016/j.energy.2021.122302.
12. A. Et- Taleby, Y. Chaibi, M. Boussetta, and M. Benslimane, “Application of deep learning based detector YOLOv5 for soiling recognition in photovoltaic modules,” in Proceedings of the 3rd International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), Mohammedia, Morocco, 2023, pp. 1 – 6. doi: 10.1109/IRASET57153.2023.10152990.
13. M. W. Akram, G. Li, Y. Jin, X. Chen, C. Zhu, and A. Ahmad, “Automatic dete ction of photovoltaic module defects in infrared images with isolated and develop-model transfer deep learning,” Solar Energy, vol. 198, pp. 175 – 186, 2020, doi: 10.1016/j.solener.2020.01.055.
14. Á. H. Herraiz, A. P. Marugán, and F. P. G. Márquez, “Photov oltaic plant condition monitoring using thermal images analysis by convolutional neural network- based structure,” Renew. Energy, vol. 153, pp. 334 – 348, 2020, doi: 10.1016/j.renene.2020.01.148.
15. S. Deitsch et al., “Automatic classification of defective photovoltaic module cells in electroluminescence images,” Solar Energy, vol. 185, pp. 455 – 468, 2019, doi: 10.1016/j.solener.2019.02.067.
16. J. Wang et al., “Deep -learning-based automatic detection of photovoltaic cell defects in electroluminescence image s,” Sensors, vol. 23, no. 1, p. 297, 2023, doi: 10.3390/s23010297.
17. N. Ledmaoui, A. El Maghraoui, M. El Aroussi, and R. Saadane, “Enhanced fault detection in photovoltaic panels using CNN- based classification with PyQt5 implementation,” Sensors, vol. 24, no. 22, p. 7407, 2024, doi: 10.3390/s24227407.
18. M. Buda, A. Maki, and M. A. Mazurowski, “A systematic study of the class imbalance problem in convolutional neural networks,” Neural Networks, vol. 106, pp. 249 – 259, 2018, doi: 10.1016/j.neunet.2018.07.011.
19. Kaggle, “Solar Panel Images: Clean and Faulty.” [Online]. Available: https://www.kaggle.com/datasets
20. J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei- Fei, “ImageNet: A large -scale hierarchical image database,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2009, pp. 248 – 255. doi: 10.1109/CVPR.2009.5206848.
21. J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, “How transferable are features in deep neural networks?,” in Advances in Neural Information Processing Systems (NeurIPS), 2014, pp. 3320 – 3328.
22. M. Tan and Q. V Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” in Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR, 2019, pp. 6105 – 6114.
23. Y. Cui, M. Jia, T.- Y. Lin, Y. Song, and S. Belongie, “Class -balanced loss based on effective number of samples,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, pp. 9268 – 9277. doi: 10.1109/CVPR.2019.00949.
24. R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, and D. Batra, “Grad -CAM: Visual explanations from deep networks via gradient- based localization,” in Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 618 – 626. doi: 10.1109/ICCV.2017.74.
25. T.- Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” in Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 2980 – 2988. doi: 10.1109/ICCV.2017.324.