АНАЛИЗ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ ДЛЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ СОЛНЕЧНЫХ ПАНЕЛЕЙ (ОБЗОР)
Аннотация
В современном мире, где экологические проблемы становятся всё более актуальными, поиск
альтернативных источников энергии становится приоритетной задачей. Одним из наиболее пер-
спективных направлений является солнечная энергетика. Солнечная энергия является возобнов-
ляемым источником энергии, что делает её привлекательной для использования в различных об-
ластях, включая производство электроэнергии, отопление и охлаждение зданий, а также транс-
порт. Развитие солнечной энергетики может способствовать решению ряда экологических про-
блем, таких как загрязнение окружающей среды и изменение климата. Однако, оборудование для
солнечных панелей подвержено различным типам дефектов и загрязнений. Неисправности могут
негативно влиять на производительность и эффективность солнечных панелей, поэтому их обна-
ружение является критически важным для повышения надёжности и долговечности фотоэлек-
трических систем генерации энергии. Эффективный поиск дефектов позволяет минимизировать
потери энергии, повысить надёжность системы и срок службы оборудования, а также снизить
затраты на обслуживание. Кроме того, повышение производительности электрического обору-
дования способствует устойчивому развитию альтернативной энергетики, что позволяет
уменьшить зависимость от традиционных источников энергии и снизить выбросы парниковых
газов. Статья представляет собой обзор существующих методов обнаружения различных де-
фектов солнечных панелей с помощью методов компьютерного зрения и глубокого обучения. Для
поиска неисправностей можно использовать изображения, полученные с помощью инфракрасной
термографии (ИК), электролюминесцентной (ЭЛ) визуализации, либо в видимом спектре. Данная
работа включает в себя анализ преимуществ и недостатков существующих методов поиска де-
фектов и загрязнений солнечных панелей, обсуждение факторов, влияющих на их эффективность,
и представляет выводы по возможным дальнейшим исследованиям в данной сфере.
Литература
films for tandem solar cells: Diss. – Universitat Politècnica de València, 2021.
2. Hijjawi U. et al. A review of automated solar photovoltaic defect detection systems: Approaches, challenges,
and future orientations, Solar Energy, 2023, Vol. 266, pp. 112186.
3. Tsanakas J. A. et al. Fault diagnosis and classification of large-scale photovoltaic plants through aerial
orthophoto thermal mapping, Proceedings of the 31st European Photovoltaic Solar Energy Conference
and Exhibition, 2015, Vol. 2015, pp. 1783-1788.
4. Tsanakas J.A., Ha L., Buerhop C. Faults and infrared thermographic diagnosis in operating c-Si photovoltaic
modules: A review of research and future challenges, Renewable and sustainable energy reviews,
2016, Vol. 62, pp. 695-709.
5. Kurukuru V.S.B., Haque A., Khan M.A. Fault classification for photovoltaic modules using thermography
and image processing, 2019 IEEE Industry Applications Society Annual Meeting. IEEE, 2019,
pp. 1-6.
6. de Oliveira A.K.V., Aghaei M., Rüther R. Automatic inspection of photovoltaic power plants using
aerial infrared thermography: a review, Energies, 2022, Vol. 15, No. 6, pp. 2055.
7. Ali M.U. et al. A machine learning framework to identify the hotspot in photovoltaic module using
infrared thermography // Solar Energy, 2020, Vol. 208, pp. 643-651.
8. Haidari P. et al. Deep learning-based model for fault classification in solar modules using infrared
images // Sustainable Energy Technologies and Assessments, 2022, Vol. 52, pp. 102110.
9. Gopalakrishnan K. et al. Deep convolutional neural networks with transfer learning for computer vision-
based data-driven pavement distress detection, Construction and building materials, 2017,
Vol. 157, pp. 322-330.
10. Herraiz Á.H., Marugán A.P., Márquez F.P.G. A review on condition monitoring system for solar
plants based on thermography, Non-destructive testing and condition monitoring techniques for renewable
energy industrial assets, 2020, pp. 103-118.
11. Tsai D.M., Wu S.C., Li W.C. Defect detection of solar cells in electroluminescence images using Fourier
image reconstruction, Solar Energy Materials and Solar Cells, 2012, Vol. 99, pp. 250-262.
12. Tang W. et al. Deep learning based automatic defect identification of photovoltaic module using electroluminescence
images, Solar Energy, 2020, Vol. 201, pp. 453-460.
13. Deitsch S. et al. Automatic classification of defective photovoltaic module cells in electroluminescence
images, Solar Energy, 2019, Vol. 185, pp. 455-468.
14. Chen X., Karin T., Jain A. Automated defect identification in electroluminescence images of solar
modules, Solar Energy, 2022, Vol. 242, pp. 20-29.
15. Fioresi J. et al. Automated defect detection and localization in photovoltaic cells using semantic segmentation
of electroluminescence images, IEEE Journal of Photovoltaics, 2021, Vol. 12, No. 1,
pp. 53-61.
16. Yang C. et al. A Survey of Photovoltaic Panel Overlay and Fault Detection Methods, Energies, 2024,
Vol. 17, No. 4, pp. 837.
17. Fan S. et al. A novel image enhancement algorithm to determine the dust level on photovoltaic (PV)
panels, Renewable energy, 2022, Vol. 201, pp. 172-180.
18. Zhou Y.J., Sun H.R. Water photovoltaic plant contaminant identification using visible light images,
Sustainable Energy Technologies and Assessments, 2022, Vol. 53, pp. 102476.
19. Onim M.S.H. et al. SolNet: a convolutional neural network for detecting dust on solar panels, Energies,
2022, Vol. 16, No. 1, pp. 155.
20. El Ydrissi M. et al. Dust InSMS: Intelligent soiling measurement system for dust detection on solar
mirrors using computer vision methods, Expert Systems with Applications, 2023, Vol. 211,
pp. 118646.
