Présentation du produit

Une centrale solaire peut contenir de quelques dizaines de milliers à plusieurs millions de modules. Jour après jour, ils sont exposés à la chaleur, au vent, au sable, à la pluie et à la neige, il n'est donc pas surprenant qu'ils accumulent toutes sortes de défauts. Le plus courant, et aussi le plus dangereux, est le point chaud.

Un point chaud est simplement une petite zone sur un module qui chauffe anormalement. Au mieux, il réduit votre production d'énergie. Au pire, il brûle la couche arrière et provoque un incendie, mettant toute la centrale en danger. Le problème est que les modules sont serrés bord à bord. Envoyer des équipes pour les vérifier un par un avec un instrument portable est lent et peut en manquer. C'est pourquoi le couplage de la thermographie infrarouge avec l'apprentissage profond a été mis en avant.

Pointez une caméra infrarouge vers un module, capturez sa répartition de température sous forme de carte thermique, puis laissez un réseau neuronal entraîné lire cette carte pour vous et marquer où il fait chaud et à quel point. Cela semble simple. Mais le faire fonctionner réellement sur le terrain est une autre histoire. Les images infrarouges présentent trois défauts inhérents qui perturbent les algorithmes ordinaires : faible résolution, tailles de défauts très différentes et arrière-plans désordonnés.

Une nouvelle méthode appelée SESPNet (Semantic Enhancement and Scale Perception Network) s'attaque directement à ces trois défauts. Ses chiffres sont solides : 92,1 % de précision moyenne, 62,4 images par seconde, et elle est suffisamment petite pour fonctionner en temps réel sur un appareil embarqué de la taille d'une paume. Cet article explique comment elle extrait chaque point chaud d'une image infrarouge grise et terne.

D'abord, pourquoi les points chauds sont importants. Un module PV est composé de nombreuses cellules câblées en série. Si une cellule perd sa production en raison d'un ombrage, d'une microfissure ou de saleté, elle cesse de contribuer au courant et commence à agir comme une résistance, transformant le courant des autres cellules en chaleur et le brûlant à l'intérieur d'elle-même. Cette cellule devient la source de chaleur de toute la chaîne, fonctionnant à des dizaines de degrés de plus que ses voisines. Les cas bénins réduisent la production de la chaîne. Les cas graves cuisent l'encapsulant avec le temps, brûlent la feuille arrière et peuvent même s'enflammer. Détecter les points chauds tôt et les traiter rapidement est une tâche que les opérations PV ne peuvent pas éviter.

Figure 1 : Modules de capteurs solaires montés sur un toit, exposés à l'extérieur pendant des années, où des pics de température localisés forment des points chauds.

Figure 2 : Le flux de travail en cinq étapes de la détection thermique infrarouge pour les défauts des modules PV, de la capture de la température à la localisation du panneau défectueux.

Paramètres techniques

Pourquoi l'infrarouge est indispensable pour la détection des points chauds

Pour comprendre cet algorithme, commencez par les bases : pourquoi une caméra en lumière visible ne suffit pas pour les défauts PV cachés, et pourquoi l'infrarouge est la seule solution.

L'imagerie en lumière visible n'est que de la photographie ordinaire. Haute résolution, détails riches, bonne pour repérer les fissures, rayures et saletés en surface, le genre de choses que l'on peut voir. Mais elle a une limite fatale. Elle ne lit que l'apparence, pas la température. Une microfissure ou une soudure froide à l'intérieur d'un module ne change souvent pas son apparence au début, mais elle bloque le courant à cet endroit et le chauffe. Les caméras en lumière visible sont impuissantes face à ces défauts thermiques, et la nuit ou par faible luminosité, elles sont inutiles.

L'infrarouge emprunte une voie différente. Tout objet au-dessus du zéro absolu émet des infrarouges, et plus il est chaud, plus le rayonnement est fort. Une caméra infrarouge capture ce rayonnement et traduit la répartition invisible de la température directement en une carte de chaleur en couleur ou en niveaux de gris. Elle n'a besoin d'aucune lumière extérieure, donc elle fonctionne de jour comme de nuit. L'endroit où un module est chaud et l'ampleur de la chaleur apparaissent clairement. Pour les défauts liés à la chaleur comme les points chauds et les lignes de grille cassées, l'infrarouge est le remède naturel.

C'est pourquoi l'infrarouge est devenu un moyen clé pour améliorer à la fois la précision et la vitesse de détection des défauts dans les centrales PV. Un drone équipé d'une caméra infrarouge peut balayer un champ entier en quelques minutes, des dizaines de fois plus vite qu'une équipe manuelle. Mais cette capacité à voir la chaleur a un prix : la qualité d'image est bien inférieure à celle de la lumière visible.

L'ancienne méthode manuelle oblige les travailleurs à transporter des instruments et à mesurer panneau par panneau. C'est lent et repose fortement sur l'expérience. Avec des modules serrés et comptés par milliers, les lire un par un est épuisant, sujet aux erreurs et presque impossible la nuit. La combinaison drone-plus-infrarouge maximise l'étape de capture, mais si vous lisez encore ces milliers d'images à la main, le goulot d'étranglement se déplace simplement de la mesure à l'observation. Pour boucler la boucle, vous avez besoin d'un algorithme pour lire les images. C'est là qu'intervient l'apprentissage profond.

Figure 3 : Une carte thermique infrarouge typique. Plus la zone est chaude, plus sa couleur est chaude, et la région surchauffée se distingue au premier coup d'œil. C'est la matière première pour la détection des points chauds.

Figure 4 : La division du travail entre l'imagerie en lumière visible et infrarouge. Pour les défauts thermiques, l'infrarouge est le remède naturel.

Trois os durs dans la détection des défauts infrarouges

L'infrarouge peut voir la chaleur, mais il donne trois problèmes difficiles aux algorithmes de détection. Ces trois problèmes expliquent pourquoi de nombreux algorithmes prêts à l'emploi échouent sur le travail infrarouge PV.

Un : faible contraste. Les images infrarouges sont ternes et grises dans l'ensemble. La différence de niveaux de gris entre le défaut et l'arrière-plan est faible au départ, et le bruit d'imagerie en plus permet aux défauts d'être engloutis par l'arrière-plan. L'algorithme ne peut pas saisir les caractéristiques clés, donc la précision en souffre.

Deux : échelle de défaut extrêmement variable. Dans une seule image infrarouge, les tailles des points chauds peuvent différer de dizaines de fois. Certains sont une chaîne entière contournée qui brille sur une grande zone ; d'autres sont juste une cellule qui chauffe légèrement dans un coin. Un champ récepteur fixe, la plage que le réseau peut voir clairement en un seul passage, a tendance à en perdre un pour l'autre face à une telle dispersion : obtenir la grande cible et vous manquez la petite, ou vice versa.

Trois : l'information des petites cibles se perd. C'est le plus délicat. Les réseaux de neurones sous-échantillonnent couche par couche, réduisant l'image pour extraire un sens de haut niveau. Mais les petits points chauds qui ne faisaient que quelques dizaines de pixels au départ sont lissés en rétrécissant, jusqu'à ce qu'il ne reste presque rien au moment de la décision, et la reconnaissance en prend un coup.

Mettez les trois ensemble et c'est clair : la détection des défauts infrarouges PV est difficile car vous devez lutter contre "ne voit pas clairement, tailles partout, facilement perdu" en même temps. Les trois améliorations principales de SESPNet ciblent chacune un de ces os : l'une améliore la sémantique pour supprimer l'arrière-plan, l'une construit une pyramide pour gérer les tailles, l'une protège les canaux pour récupérer les petites cibles.

Pourquoi ne pas simplement prendre un détecteur standard ? La détection d'objets a beaucoup évolué et se divise en deux voies. L'une est en deux étapes : d'abord présélectionner des régions candidates, puis juger chacune avec soin, haute précision mais lente. L'autre est en une étape : un seul regard donne à la fois la localisation et la classe, rapide et adaptée au temps réel. La série YOLO est le fleuron de la voie unique. Mais ces algorithmes généraux sont entraînés sur des images visibles ordinaires, et appliqués à des images infrarouges PV à faible contraste et aux échelles très variables, ils peinent. Les améliorations de SESPNet comblent ces trois lacunes, sur mesure pour les défauts infrarouges.

Figure 5 : Les trois os durs de la détection de défauts infrarouges : faible contraste, échelles multiples et petites cibles.

Figure 6 : Un drone multirotor transportant une caméra, survolant le champ pour capturer des images infrarouges en masse, couvrant en minutes ce qu'une équipe mettrait une demi-journée à parcourir.

Avantages techniques

Mouvement Un : Amélioration sémantique, faire ressortir les défauts de l'arrière-plan

SESPNet s'appuie sur YOLOv10 comme modèle de base. YOLOv10 est l'un des détecteurs temps réel les plus populaires aujourd'hui, publié par une équipe de Tsinghua en mai 2024, conçu pour être rapide, précis et facile à déployer. SESPNet y applique trois opérations, et la première intègre un module d'amélioration de l'information sémantique (SIEM) dans le backbone.

Ce qu'il résout, c'est le problème du faible contraste. Un faible contraste dans les images de défauts infrarouges permet au bruit de fond d'interférer avec les caractéristiques extraites par le modèle, nuisant à la précision. SIEM fonctionne de deux manières simultanément. Une branche d'attention globale prend le sens global de l'image entière, déterminant ce qui est arrière-plan et ce qui pourrait cacher un défaut, de sorte que l'interférence du fouillis soit réduite. Une branche d'attention locale se concentre sur les détails et la texture du défaut lui-même, renforçant son expression caractéristique.

Chaque branche surveille son propre domaine, puis le global et le local sont pondérés et fusionnés. Imaginez plisser les yeux pour discerner le contour global du toit et éliminer le fouillis, puis se pencher pour fixer la zone suspecte. Proche et lointain combinés, et le défaut est extrait de l'arrière-plan terne. Les caractéristiques fusionnées conservent les détails du défaut tout en supprimant les interférences de fond, de sorte que l'expression des caractéristiques est nettement plus forte.

Le résultat apparaît clairement dans l'étude d'ablation plus tard : ajouter SIEM seul fait monter la précision moyenne dans les trois classes de cibles, avec des gains réels dans la résistance aux arrière-plans complexes.

Le backbone est la partie du modèle qui touche d'abord l'image et extrait les caractéristiques de base. Placer SIEM ici signifie nettoyer à la source : avant que quoi que ce soit ne soit transmis, les caractéristiques du défaut sont déjà renforcées et le bruit de fond déjà supprimé. Avec une source propre, le traitement ultérieur des échelles et la localisation des cibles ne seront pas induits en erreur par l'encombrement. C'est pourquoi il se trouve dans le backbone et nulle part ailleurs. Traitez la pollution tôt.

Figure 7 : La structure à double branche du module d'amélioration sémantique SIEM. La branche globale lit la vue d'ensemble pour supprimer le fond, la branche locale surveille les détails pour renforcer le défaut, puis les deux sont pondérées et fusionnées.

Figure 8 : Un champ de panneaux photovoltaïques en toiture. Le champ dense de modules est exactement la scène désordonnée qui alimente les interférences d'un algorithme de détection.

Deuxième étape : Pooling pyramidal, points chauds grands et petits tous en focus

Le deuxième changement remplace le module de pooling pyramidal spatial original de YOLOv10 par un module de pooling pyramidal à attention spatiale, SAPPM. Il cible le problème des échelles variables.

Le « pooling pyramidal » peut être interprété comme le scan de la même carte de caractéristiques avec plusieurs fenêtres de tailles différentes simultanément. Les petites fenêtres voient les détails fins, bons pour les petits points chauds ; les grandes fenêtres voient large, bonnes pour les grands points chauds. L'étude exécute plusieurs fenêtres de pooling de petite à grande en parallèle, de sorte que, qu'un défaut remplisse plusieurs rangées ou soit juste une tache de la taille d'une paume, la bonne fenêtre le capture.

En plus de cela, SAPPM ajoute une couche d'attention spatiale. Elle attribue différents poids aux caractéristiques des différentes fenêtres, de sorte que l'information d'échelle vraiment clé soit gardée au premier plan tandis que l'irrelevant est atténué, puis assemble ces caractéristiques multi-échelles en une carte de caractéristiques plus complète. En bref, la première partie gère « voir toutes les tailles », la seconde gère « mettre en évidence ce qui doit être vu ». Ensemble, elles augmentent nettement la sensibilité du modèle aux cibles multi-échelles.

Cela atténue directement l'ancien problème de perdre l'un pour l'autre. Un réseau à champ réceptif fixe perd la petite cible en s'occupant de la grande ; avec SAPPM en place, les points chauds grands et petits peuvent être vus clairement dans le même passage, quelle que soit la différence de taille.

Figure 9 : Un croquis du pooling pyramidal multi-échelle SAPPM, scannant en parallèle avec des fenêtres de différentes tailles puis les assemblant avec une pondération par attention spatiale.

Figure 10 : Une vue aérienne d'une centrale. Les drones capturent à différentes hauteurs, ce qui fait que le même défaut apparaît à des échelles encore plus variées dans l'image.

Troisième étape : Attention par canal, repêcher les petites cibles presque perdues

La troisième modification intervient dans le réseau du cou, construisant un mécanisme d'attention multi-échelle par canaux, MCI. Il résout le problème le plus délicat, la perte d'informations sur les petites cibles.

D'abord, un mot sur les canaux. Lorsqu'un réseau traite une image, il divise les caractéristiques en plusieurs canaux parallèles, chacun décrivant l'image sous un angle différent. Les caractéristiques des petites cibles sont déjà faibles, dispersées sur ces canaux, et si chaque canal ne s'occupe que de lui-même sans échange, cette précieuse information se noie facilement dans le transfert couche par couche.

L'approche de MCI consiste à établir une interaction entre les canaux, en les faisant communiquer entre eux. Là où un canal conserve encore une trace de la petite cible, la coopération inter-canaux l'amplifie et la préserve. Cela renforce davantage l'extraction des informations de caractéristiques à petite échelle, et ces petits points chauds qui étaient sur le point de disparaître lors du sous-échantillonnage sont récupérés.

L'emplacement de ces trois modifications dans le réseau est également délibéré. SIEM nettoie les caractéristiques à la source du backbone, SAPPM résume les informations multi-échelles à la queue du backbone, et MCI effectue le polissage final au niveau du cou qui relie le backbone à la tête de détection. Avant, milieu, arrière, ensemble ils couvrent toute la chaîne d'extraction, de synthèse et de sortie des caractéristiques, et chaque étape reçoit un remède ciblé pour un point sensible des défauts infrarouges.

Les trois modifications ont des rôles clairs : SIEM gère le contraste, SAPPM gère l'échelle, MCI gère les petites cibles. Ils ne se battent pas seuls mais se passent le relais : d'abord sortir le défaut de l'arrière-plan, puis couvrir toutes les tailles, puis attraper la petite cible la plus susceptible de s'échapper. Avec cette combinaison, les trois os les plus durs de la détection des défauts infrarouges sont résolus un par un.

Figure 11 : Points chauds infrarouges classés par échelle en Large, Moyen et Mini. L'écart de taille est énorme, et les points chauds les plus petits sont les plus faciles à manquer.

Figure 12 : Une cible faible capturée par la caméra infrarouge. Plus la cible est petite et sombre, plus elle risque d'être lissée lors du traitement.

Application du produit

Le tableau de bord : 92,1 % de précision, 62 images par seconde

L'effet des trois modifications se résume aux données. Les chercheurs ont construit leur propre jeu de données de défauts infrarouges de modules PV, étiquetant les points chauds par la taille en pixels qu'ils occupent dans l'image en trois classes : plus de 64x64 pixels est Large, entre 32x32 et 64x64 est Moyen, moins de 32x32 est Mini. La qualité de la détection doit être lue classe par classe, échelle par échelle.

La précision repose sur deux métriques. L'une est le rappel, R, qui répond à la question "parmi les défauts qui devraient être trouvés, combien ont été récupérés." L'autre est la précision moyenne moyenne, PmA, une synthèse de la précision de détection entre les classes, le score total auquel un détecteur tient le plus. Ajoutez la vitesse de détection, mesurée en images traitées par seconde, et ces trois nombres ensemble racontent l'histoire complète d'un algorithme.

Commencez par l'ablation module par module. Avec YOLOv10 standard comme référence, sa précision moyenne moyenne est de 89,8 %. Ajoutez SIEM seul, jusqu'à 90,4 % ; SAPPM seul, 90,5 % ; MCI seul, 90,7 %. Chaque mouvement aide. Empilez les trois, le SESPNet complet, et la précision moyenne moyenne passe à 92,1 %. Le point fort est les petites cibles : la précision Mini de la référence n'est que de 86,7 %, et avec les trois elle grimpe à 90,3 %, soit 3,6 points complets, ce qui prouve le travail de MCI dans la récupération des petites cibles.

Figure 13 : L'ablation module par module. Avec les trois modules empilés, la précision des petites cibles les plus difficiles passe de 86,7 % à 90,3 %.

Figure 14 : Une immense centrale au sol. Ses milliers de modules sont exactement ce que cet algorithme doit vérifier un par un.

Face à Face : Neuf Algorithmes sur une Même Scène

Se comparer à soi-même ne suffit pas. L'étude place SESPNet sur la même scène que huit autres algorithmes grand public, les entraîne sur le même ensemble de données, et mesure la précision et la vitesse côte à côte.

Le résultat parle de lui-même. Les algorithmes classiques en deux étapes comme Faster R-CNN et Cascade R-CNN ont une extraction de caractéristiques limitée et sont lents, atteignant une précision moyenne moyenne de 86 % à 88 %, inadaptés aux scènes exigeant des performances en temps réel élevées. SSD est le plus rapide mais sa précision n'est que de 74,3 %, clairement faible. La série YOLO est globalement plus équilibrée : de YOLOv7 à 88,1 %, en passant par YOLOX, YOLOv8, YOLOv10 et YOLOv11, la précision grimpe dans la plage de 89 % à 90 % avec des vitesses toutes autour de cinquante à soixante images par seconde.

SESPNet pousse cette courbe encore plus vers le coin supérieur droit : 92,1 % de précision moyenne moyenne, environ 2 points au-dessus du deuxième, et 62,4 images par seconde, en phase avec les champions de vitesse YOLO. Il ne sacrifie pas la vitesse pour augmenter la précision ; il occupe la position supérieure droite de rapidité et précision que les autres ne peuvent atteindre. C'est sa plus grande valeur. Dans une scène de comptage massif de modules où vous jugez en patrouillant, chaque ralentissement est un coût.

R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )

Ces deux lignes sont les définitions de base des métriques de précision. R (rappel) mesure la part des défauts réels détectés, P (précision) mesure combien des défauts signalés sont réels, et PmA est le score total calculé sur l'ensemble des classes et des niveaux de précision. La logique n'est pas complexe : manquer le moins possible (rappel élevé) et déclencher le moins possible de fausses alarmes (précision élevée), maintenir les deux extrémités sous contrôle, et vous obtenez un détecteur fiable.

Figure 15 : Comparaison précision-vitesse de neuf algorithmes. SESPNet occupe le coin supérieur droit avec 92,1 % de précision et 62,4 FPS.

Figure 16 : Test en conditions réelles sur une plateforme embarquée. Le SESPNet le plus précis reste stable à 12,6 FPS.

Comprimé dans une boîte de la taille d'une paume et toujours en temps réel

Bien fonctionner en laboratoire ne signifie pas qu'il est utilisable sur le terrain. Les centrales photovoltaïques sont principalement en extérieur, où l'équipement d'inspection est limité en calcul et en puissance. Savoir si l'algorithme peut tenir dans une petite boîte à faible consommation et fonctionner en temps réel est le dernier obstacle pour un déploiement réel.

Les chercheurs l'ont porté sur une plateforme embarquée appelée Jetson Nano pour vérifier. Son processeur est une puce ARM quadricœur associée à un GPU d'entrée de gamme à 128 cœurs, bien inférieur à la station de travail de laboratoire avec sa carte dédiée, tant en calcul qu'en puissance. SESPNet a été déployé à la même échelle d'entrée, puis mis en compétition avec les autres algorithmes sur cette petite carte.

Le résultat prouve à nouveau son équilibre. Les algorithmes classiques en deux étapes montrent leurs vraies couleurs en environnement embarqué : Faster R-CNN tombe à 1,9 image par seconde, à peine temps réel ; Cascade R-CNN seulement 3,7. La série YOLO tombe généralement à environ onze ou douze images, tandis que SESPNet maintient 12,6 images par seconde tout en conservant la meilleure précision de 92,1 %, aux côtés des YOLO légers, voire légèrement en avance. Le calcul fortement réduit, il reste précis et stable, montrant à quel point la conception s'adapte aux scènes à ressources limitées.

Cela signifie qu'un drone ou un inspecteur portable équipé de cet algorithme n'aura pas à renvoyer les images vers le cloud pour un traitement lent. Sur place, en temps réel, il peut dire quel panneau présente un point chaud. L'efficacité de l'inspection et la vitesse de réponse progressent d'un cran.

La valeur de juger à la volée est plus que d'économiser un aller-retour. Mettre le calcul en périphérie signifie que l'inspection peut toujours fonctionner dans des usines éloignées avec un signal faible ; repérez un point chaud suspect et vous pouvez le marquer sur place et survoler à nouveau pour confirmer immédiatement, sans attendre le retour des données et une révision manuelle avant une deuxième sortie. Pour les grandes centrales mesurées en centaines de mégawatts avec des modules comptés par millions, cette capacité en temps réel sur site décide directement si une inspection complète prend des heures ou des jours.

Conclusion : Plus aucun endroit où se cacher pour chaque panneau surchauffant

En rétrospective, l'intelligence de SESPNet ne réside pas dans l'empilement d'une structure élaborée mais dans le traitement des bons symptômes. Le contraste infrarouge est faible, donc l'amélioration sémantique supprime l'arrière-plan. L'échelle des défauts est désordonnée, donc le pooling pyramidal couvre toutes les tailles. Les petites cibles sont facilement perdues, donc l'attention par canal les récupère. Trois mouvements, chacun à sa tâche, et passant le relais.

Ce qui est plus rare, c'est qu'il n'a pas alourdi le modèle pour la précision. De nombreux algorithmes recherchent aveuglément une haute précision, finissent par être gonflés, ralentissent la vitesse et ne peuvent même pas tenir sur un dispositif embarqué. SESPNet maintient sa vitesse tout en atteignant la meilleure précision, et il a survécu au test d'une réduction drastique de la puissance de calcul. Cet équilibre entre précision, rapidité et légèreté est exactement la qualité que le domaine valorise le plus. Qu'une technologie soit bonne ou non dépend de sa capacité à effectuer un travail réel dans une centrale réelle.

92,1 % de précision moyenne, 62,4 images par seconde, et assez petit pour fonctionner en temps réel dans une boîte de la taille d'une paume. Ces trois nombres ensemble esquissent un outil qui peut vraiment descendre à la centrale et se mettre au travail. Il transforme une image infrarouge grise et terne, autrefois difficile même pour l'œil humain, en un rapport de santé où les défauts n'ont nulle part où se cacher.

Lorsqu'un drone transportant un tel algorithme survole champ après champ de panneaux bleus, chaque panneau surchauffant silencieusement est repéré et traité dès le premier instant. Les points chauds cachés deviennent visibles, et les risques apparemment minimes sont étouffés. Ce qui tient, c'est exactement une centrale qui transforme la lumière du soleil en électricité, longtemps, en toute sécurité et à pleine charge.

Point de vue d'Ooitech

Ce qui nous frappe le plus ici, c'est que la détection et la fabrication sont les deux faces d'une même pièce de fiabilité. Un point chaud signalé sur le terrain remonte souvent à une microfissure ou à une soudure froide née sur la ligne, c'est pourquoi le soudage des stringers, l'alignement du layup et le contrôle de la stratification sont si importants sur une ligne de production de modules. Si vous voulez voir comment une véritable ligne de modules est construite et réglée, nos visites d'usine sur la chaîne YouTube Ooitech (www.youtube.com/ooitech) valent le coup d'œil et un abonnement.