Introdução do Produto

Uma fazenda solar pode conter de dezenas de milhares a vários milhões de módulos. Dia após dia, eles ficam expostos ao calor, vento, areia, chuva e neve, então não é surpresa que adquiram todo tipo de problemas. O mais comum, e também o mais perigoso, é o ponto quente.

Um ponto quente é apenas uma pequena área em um módulo que opera anormalmente quente. Na melhor das hipóteses, reduz a produção de energia. Na pior, queima a camada traseira e inicia um incêndio, colocando toda a usina em risco. O problema é que os módulos são instalados lado a lado. Enviar equipes para verificá-los um a um com um instrumento portátil é lento e deixa passar coisas. Portanto, a combinação de termografia infravermelha com aprendizado profundo tem sido colocada em destaque.

Aponte uma câmera infravermelha para um módulo, capture sua distribuição de temperatura como um mapa de calor, depois deixe uma rede neural treinada ler esse mapa para você e marcar onde está quente e o quão quente. Parece simples. Mas fazer isso funcionar no campo é outra história. Imagens infravermelhas vêm com três falhas inerentes que atrapalham algoritmos comuns: baixa resolução, tamanhos de defeito extremamente variados e fundos confusos.

Um novo método chamado SESPNet (Rede de Aprimoramento Semântico e Percepção de Escala) ataca diretamente essas três falhas. Seus números são sólidos: 92,1% de precisão média, 62,4 quadros por segundo, e é pequeno o suficiente para rodar em tempo real em um dispositivo embarcado do tamanho da palma da mão. Este artigo detalha como ele extrai cada ponto quente de um quadro infravermelho cinza e sem graça.

Primeiro, por que hotspots importam. Um módulo fotovoltaico é composto por muitas células conectadas em série. Se uma célula perde produção devido a sombreamento, uma microfissura ou sujeira, ela para de contribuir com corrente e começa a agir como um resistor, transformando a corrente das outras células em calor e queimando-o dentro de si. Essa única célula se torna a fonte de calor para toda a string, operando dezenas de graus mais quente que suas vizinhas. Casos leves reduzem a produção da string. Casos severos cozinham o encapsulante ao longo do tempo, queimam o backsheet e podem até inflamar. Encontrar hotspots cedo e lidar com eles rapidamente é uma tarefa que as operações fotovoltaicas não podem evitar.

Figura 1: Módulos coletores solares montados em um telhado, expostos ao ar livre por anos, onde picos localizados de temperatura formam hotspots.

Figura 2: O fluxo de trabalho de cinco etapas da detecção térmica infravermelha para defeitos em módulos fotovoltaicos, desde a captura da temperatura até a localização do painel defeituoso.

Parâmetros Técnicos

Por que o infravermelho é essencial para detecção de hotspots

Para entender este algoritmo, comece com o básico: por que uma câmera de luz visível não é suficiente para falhas ocultas em fotovoltaicos, e por que o infravermelho é o único caminho.

A imagem de luz visível é apenas fotografia comum. Alta resolução, detalhes ricos, boa para detectar rachaduras, arranhões e sujeira na superfície, o tipo de coisa que você pode ver. Mas tem um limite fatal. Ela lê apenas a aparência, não a temperatura. Uma microfissura ou uma junta de solda fria dentro de um módulo muitas vezes não muda sua aparência no início, mas bloqueia a corrente naquele ponto e o aquece. Câmeras de luz visível são impotentes contra essas falhas térmicas, e à noite ou com pouca luz são inúteis.

O infravermelho segue um caminho diferente. Qualquer objeto acima do zero absoluto irradia infravermelho, e quanto mais quente, mais forte a radiação. Uma câmera infravermelha captura essa radiação e pinta a distribuição invisível de temperatura diretamente em um mapa de calor colorido ou em tons de cinza. Ela não precisa de luz externa, então funciona dia ou noite. Onde um módulo está quente e o quanto fica claramente visível. Para defeitos impulsionados pelo calor, como hotspots e linhas de grade quebradas, o infravermelho é a cura natural.

É por isso que o infravermelho se tornou uma forma chave de aumentar tanto a precisão quanto a velocidade da detecção de defeitos em usinas fotovoltaicas. Um drone com uma câmera infravermelha pode varrer um array inteiro em poucos minutos, dezenas de vezes mais rápido que uma equipe manual. Mas essa capacidade de ver o calor tem um preço: a qualidade da imagem é muito inferior à da luz visível.

O método manual antigo faz com que os trabalhadores carreguem instrumentos e meçam painel por painel. É lento e depende muito da experiência. Com módulos compactados e contados aos milhares, lê-los um a um é exaustivo, propenso a erros e quase impossível à noite. A combinação drone-mais-infravermelho maximiza a etapa de captura, mas se você ainda lê essas milhares de imagens manualmente, o gargalo apenas se desloca de medir para olhar. Para fechar o ciclo, você precisa de um algoritmo para ler as imagens. Essa é a deixa para o aprendizado profundo.

Figura 3: Um mapa de calor infravermelho típico. Quanto mais quente a área, mais quente sua cor, e a região superaquecida se destaca à primeira vista. Esta é a matéria-prima para a detecção de pontos quentes.

Figura 4: A divisão de trabalho entre imagem de luz visível e infravermelha. Para falhas térmicas, o infravermelho é a cura natural.

Três Ossos Duros na Detecção de Defeitos por Infravermelho

O infravermelho pode ver o calor, mas entrega três problemas difíceis aos algoritmos de detecção. Esses três são exatamente por que muitos algoritmos prontos falham no trabalho com infravermelho fotovoltaico.

Um: baixo contraste. Os quadros infravermelhos são opacos e acinzentados no geral. A diferença de escala de cinza entre defeito e fundo é pequena para começar, e o ruído de imagem por cima disso permite que defeitos sejam engolidos pelo fundo. O algoritmo não consegue capturar as características-chave, então a precisão sofre.

Dois: escala de defeito extremamente variável. Dentro de um único quadro infravermelho, os tamanhos dos pontos quentes podem diferir dezenas de vezes. Alguns são uma string bypassada inteira brilhando em uma grande área; outros são apenas uma célula esquentando ligeiramente em um canto. Um campo receptivo fixo, o alcance que a rede pode ver claramente em uma passada, tende a perder um pelo outro diante de tal dispersão: pegue o alvo grande e perca o pequeno, ou vice-versa.

Três: a informação de alvos pequenos se perde. Este é o mais complicado. Redes neurais reduzem a resolução camada por camada, encolhendo a imagem para extrair significado de alto nível. Mas pontos quentes pequenos que tinham apenas dezenas de pixels no início são suavizados à medida que encolhem, até que quase nada resta quando uma decisão é tomada, e o reconhecimento sofre um grande golpe.

Junte todos os três e fica claro: a detecção de defeitos por infravermelho em PV é difícil porque você tem que lutar contra 'não consegue ver claramente, tamanhos variados, facilmente perdido' ao mesmo tempo. As três melhorias principais do SESPNet visam cada um desses ossos: uma aumenta a semântica para suprimir o fundo, uma constrói uma pirâmide para lidar com tamanhos, uma protege os canais para recuperar alvos pequenos.

Por que não pegar um detector pronto? A detecção de objetos avançou rápido e se divide em duas rotas. Uma é de dois estágios: primeiro, faz uma triagem grosseira de regiões candidatas, depois julga cada uma cuidadosamente, alta precisão mas lenta. A outra é de um estágio: uma única olhada dá tanto a localização quanto a classe, rápida e adequada para tempo real. A série YOLO é a principal representante de um estágio. Mas esses algoritmos gerais são treinados em imagens visíveis comuns e, quando aplicados a quadros infravermelhos de PV de baixo contraste e escalas muito variadas, eles têm dificuldade. As melhorias do SESPNet preenchem essas três lacunas, feitas sob medida para defeitos infravermelhos.

Figura 5: Os três ossos duros da detecção de defeitos infravermelhos: baixo contraste, múltiplas escalas e alvos pequenos.

Figura 6: Um drone multi-rotor carregando uma câmera, voando sobre o arranjo para capturar imagens infravermelhas em massa, varrendo em minutos o que uma equipe levaria meio dia para cobrir.

Vantagens Técnicas

Movimento Um: Aprimoramento Semântico, Elevando Defeitos do Fundo

O SESPNet é construído sobre o YOLOv10 como modelo base. O YOLOv10 é um dos detectores em tempo real mais populares atualmente, lançado por uma equipe da Tsinghua em maio de 2024, projetado para ser rápido, preciso e fácil de implantar. O SESPNet realiza três operações nele, e a primeira incorpora um Módulo de Aprimoramento de Informação Semântica (SIEM) na espinha dorsal.

O que ele resolve é o problema de baixo contraste. O baixo contraste em imagens de defeitos infravermelhos permite que o ruído de fundo interfira nas características que o modelo extrai, prejudicando a precisão. O SIEM funciona de duas maneiras simultaneamente. Um ramo de atenção global capta o significado geral de toda a imagem, determinando o que é fundo e o que pode estar escondendo um defeito, de modo que a interferência da desordem seja reduzida. Um ramo de atenção local foca nos detalhes e texturas do próprio defeito, aprimorando sua expressão de características.

Cada ramo observa sua própria coisa, então o global e o local são ponderados e fundidos. Pense como apertar os olhos para distinguir o contorno geral do telhado e descartar a desordem, depois inclinar-se para olhar fixamente para a mancha suspeita. Perto e longe combinados, e o defeito é elevado do fundo monótono. As características fundidas mantêm o detalhe do defeito enquanto suprimem a interferência de fundo, então a expressão das características é claramente mais forte.

O resultado aparece claramente no estudo de ablação mais adiante: adicionar apenas o SIEM eleva a precisão média em todas as três classes de alvo, com ganhos reais na resistência a fundos complexos.

A espinha dorsal é a parte do modelo que primeiro toca a imagem e extrai as características base. Colocar o SIEM aqui significa limpar na fonte: antes que qualquer coisa seja passada adiante, as características do defeito já são fortalecidas e o ruído de fundo já é suprimido. Com uma fonte limpa, o tratamento de escala posterior e a localização do alvo não serão desviados pela desordem. É por isso que ele fica na espinha dorsal e em nenhum outro lugar. Trate a poluição cedo.

Figura 7: A estrutura de duplo ramo do módulo de aprimoramento semântico SIEM. O ramo global lê o panorama geral para suprimir o fundo, o ramo local observa os detalhes para fortalecer o defeito, então os dois são ponderados e fundidos.

Figura 8: Um arranjo fotovoltaico em telhado. O campo denso de módulos é exatamente a cena bagunçada que alimenta interferência para um algoritmo de detecção.

Movimento Dois: Pooling Piramidal, Pontos Quentes Grandes e Pequenos Ambos em Foco

A segunda mudança substitui o módulo de pooling piramidal espacial original do YOLOv10 por um Módulo de Pooling Piramidal com Atenção Espacial, SAPPM. Ele visa o problema de escalas variadas.

"Pooling piramidal" pode ser lido como escanear o mesmo mapa de características com várias janelas de tamanhos diferentes ao mesmo tempo. Janelas pequenas veem detalhes finos, bons para pontos quentes pequenos; janelas grandes veem amplamente, boas para pontos quentes grandes. O estudo executa várias janelas de pooling, de pequenas a grandes, em paralelo, de modo que, seja um defeito ocupando várias fileiras ou apenas um ponto do tamanho de uma palma, a janela certa o captura.

Além disso, o SAPPM adiciona uma camada de atenção espacial. Ele atribui pesos diferentes às características de diferentes janelas, de modo que a informação de escala verdadeiramente chave é mantida em primeiro plano enquanto a irrelevante é reduzida, então costura essas características multiescala em um mapa de características mais completo. Em suma, a primeira parte lida com "ver todos os tamanhos", a segunda lida com "destacar o que deve ser visto". Juntos, eles aumentam nitidamente a capacidade do modelo de detectar alvos multiescala.

Isso alivia diretamente o velho problema de perder um para ganhar outro. Uma rede de campo receptivo fixo perde o alvo pequeno enquanto cuida do grande; com o SAPPM instalado, pontos quentes grandes e pequenos podem ser vistos claramente na mesma passagem, não importa quão grande seja a diferença de escala.

Figura 9: Um esboço do pooling piramidal multiescala do SAPPM, escaneando em paralelo com janelas de diferentes tamanhos e depois costurando com ponderação de atenção espacial.

Figura 10: Uma foto aérea de uma usina. Drones capturam em diferentes alturas, fazendo com que o mesmo defeito apareça em escalas ainda mais variadas na imagem.

Movimento Três: Atenção de Canal, Recuperando os Pequenos Alvos Quase Perdidos

A terceira mudança está na rede do pescoço, construindo um mecanismo de atenção de canal multiescala, MCI. Ele resolve o problema mais complicado, a perda de informações de alvos pequenos.

Primeiro, uma palavra sobre canais. Quando uma rede processa uma imagem, ela divide as características em muitos canais paralelos, cada um descrevendo a imagem de um ângulo diferente. As características de alvos pequenos já são fracas, espalhadas por esses canais, e se cada canal se preocupa apenas consigo mesmo, sem troca, essa preciosa informação se perde facilmente na passagem camada por camada.

A abordagem do MCI é construir interação entre os canais, permitindo que eles conversem entre si. Onde quer que um canal ainda contenha um traço do alvo pequeno, a cooperação entre canais amplifica e preserva isso. Isso fortalece ainda mais a extração de informações de características em pequena escala, e aqueles pequenos pontos quentes que estavam prestes a desaparecer na subamostragem são recuperados.

Onde essas três ações se situam na rede também é intencional. O SIEM limpa as características na fonte do backbone, o SAPPM resume informações multiescala na cauda do backbone, e o MCI faz o polimento final no pescoço que liga o backbone à cabeça de detecção. Frente, meio, trás, juntos cobrem toda a cadeia de extração, sumarização e saída de características, e cada etapa recebe uma correção direcionada para um ponto problemático de defeito infravermelho.

As três ações têm papéis claros: SIEM lida com contraste, SAPPM lida com escala, MCI lida com alvos pequenos. Elas não lutam sozinhas, mas passam o bastão: primeiro levantar o defeito do fundo, depois cobrir todos os tamanhos, depois capturar o alvo pequeno com maior probabilidade de escapar. Com essa combinação, os três ossos mais duros da detecção de defeitos infravermelhos são quebrados um por um.

Figura 11: Pontos quentes infravermelhos classificados por escala em Grande, Médio e Mini. A diferença de tamanho é enorme, e os menores pontos quentes são os mais fáceis de perder.

Figura 12: Um alvo fraco capturado pela câmera infravermelha. Quanto menor e mais escuro o alvo, mais fácil é ser suavizado no processamento.

Aplicação do Produto

O Placard: 92,1% de Precisão, 62 Quadros por Segundo

O efeito das três ações se resume aos dados. Os pesquisadores construíram seu próprio conjunto de dados de defeitos infravermelhos de módulos fotovoltaicos, rotulando pontos quentes pelo tamanho em pixels que ocupam na imagem em três classes: acima de 64x64 pixels é Grande, entre 32x32 e 64x64 é Médio, abaixo de 32x32 é Mini. Se a detecção é boa ou não, deve ser lida classe por classe, escala por escala.

A precisão se baseia em duas métricas. Uma é o recall, R, respondendo "dos defeitos que deveriam ser encontrados, quantos foram recuperados." A outra é a precisão média média, PmA, uma síntese da precisão de detecção entre classes, a pontuação total que um detector mais valoriza. Adicione a velocidade de detecção, medida em quadros processados por segundo, e esses três números juntos contam a história completa de um algoritmo.

Comece com a ablação módulo por módulo. Com o YOLOv10 padrão como linha de base, sua precisão média média é de 89,8%. Adicione apenas SIEM, sobe para 90,4%; apenas SAPPM, 90,5%; apenas MCI, 90,7%. Cada movimento ajuda. Empilhe todos os três, o SESPNet completo, e a precisão média média salta para 92,1%. O destaque são os alvos pequenos: a precisão Mini da linha de base é de apenas 86,7%, e com todos os três sobe para 90,3%, um total de 3,6 pontos, o que prova o trabalho do MCI na recuperação de alvos pequenos.

Figura 13: A ablação módulo por módulo. Com os três módulos empilhados, a precisão de alvos pequenos mais difícil sobe de 86,7% para 90,3%.

Figura 14: Uma planta interminável de grande porte montada no solo. Seus milhares de módulos são exatamente o que este algoritmo tem que verificar um por um.

Cara a Cara: Nove Algoritmos em Um Palco

Comparar consigo mesmo não é suficiente. O estudo coloca o SESPNet no mesmo palco que outros oito algoritmos mainstream, treina-os no mesmo conjunto de dados e mede precisão e velocidade lado a lado.

O resultado fala por si. Algoritmos clássicos de dois estágios como Faster R-CNN e Cascade R-CNN têm extração de características limitada e são lentos, atingindo 86% a 88% de precisão média média, não adequados para cenas que exigem alto desempenho em tempo real. SSD é o mais rápido, mas sua precisão é de apenas 74,3%, claramente baixa. A série YOLO é mais equilibrada no geral: do YOLOv7 com 88,1%, passando por YOLOX, YOLOv8, YOLOv10 e YOLOv11, a precisão sobe para a faixa de 89% a 90% com velocidades em torno de cinquenta a sessenta quadros por segundo.

O SESPNet empurra essa curva ainda mais para o canto superior direito: 92,1% de precisão média média, cerca de 2 pontos acima do segundo colocado, e 62,4 quadros por segundo, no mesmo passo dos velocistas YOLO. Ele não sacrifica velocidade para aumentar a precisão; mantém o ponto superior direito de rápido e preciso que outros não conseguem alcançar. Esse é seu maior valor. Em uma cena de contagem massiva de módulos onde você julga enquanto patrulha, cada pequena lentidão é custo.

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

Essas duas linhas são as definições básicas das métricas de precisão. R (recall) mede a parcela de defeitos reais recuperados, P (precisão) mede quantos dos defeitos relatados são reais, e PmA é a pontuação total calculada entre classes e níveis de precisão. A lógica não é complexa: errar o mínimo possível (alta revocação) e gerar o mínimo possível de falsos alarmes (alta precisão), manter ambos os extremos sob controle, e você tem um detector confiável.

Figura 15: A comparação precisão-velocidade de nove algoritmos. SESPNet ocupa o canto superior direito com 92,1% de precisão e 62,4 FPS.

Figura 16: Um teste em mundo real em uma plataforma embarcada. O SESPNet mais preciso ainda se mantém estável a 12,6 FPS.

Comprimido em uma caixa do tamanho de uma palma e ainda em tempo real

Funcionar bem no laboratório não significa que seja utilizável em campo. As usinas fotovoltaicas estão principalmente em áreas remotas, onde o equipamento de inspeção tem poder computacional e energia limitados. Se o algoritmo pode caber em uma caixinha de baixo consumo e funcionar em tempo real é o último obstáculo para a implantação real.

Os pesquisadores o portaram para uma plataforma embarcada chamada Jetson Nano para verificar. Seu processador é um chip ARM de quatro núcleos emparelhado com uma GPU de 128 núcleos de nível básico, muito abaixo da estação de trabalho de laboratório com sua placa dedicada, tanto em computação quanto em energia. O SESPNet foi implantado na mesma escala de entrada e depois competiu contra os outros algoritmos nesta pequena placa.

O resultado novamente prova seu equilíbrio. Algoritmos clássicos de dois estágios mostram suas verdadeiras cores no ambiente embarcado: Faster R-CNN cai para 1,9 quadros por segundo, mal em tempo real; Cascade R-CNN apenas 3,7. A série YOLO geralmente cai para cerca de onze ou doze quadros, enquanto o SESPNet mantém 12,6 quadros por segundo, mantendo os melhores 92,1% de precisão, lado a lado com os YOLOs leves, até um pouco à frente. Com a computação drasticamente reduzida, ele permanece preciso e estável, mostrando o quão bem o design se adapta a cenários com recursos limitados.

Isso significa que um drone ou um inspetor portátil equipado com este algoritmo não precisará enviar imagens de volta para a nuvem para processamento lento. No local, em tempo real, ele pode dizer qual painel tem um ponto quente. Tanto a eficiência da inspeção quanto a velocidade de resposta sobem mais um degrau.

O valor de julgar em tempo real é mais do que economizar uma viagem de ida e volta. Colocar a computação na borda significa que a inspeção ainda pode ser executada em plantas remotas com sinal fraco; detecte um ponto suspeito de superaquecimento e você pode marcá-lo no local e voar novamente para confirmar imediatamente, sem esperar que os dados retornem e uma revisão manual antes de uma segunda missão. Para grandes plantas medidas em centenas de megawatts com módulos contados aos milhões, essa capacidade em tempo real no local decide diretamente se uma inspeção completa leva horas ou dias.

Conclusão: Nenhum Lugar para se Esconder para Cada Painel Superaquecido

Olhando para trás, a inteligência do SESPNet não está em empilhar alguma estrutura elaborada, mas em tratar os sintomas certos. O contraste infravermelho é baixo, então o aprimoramento semântico suprime o fundo. A escala dos defeitos é uma bagunça, então o pooling de pirâmide cobre todos os tamanhos. Alvos pequenos são facilmente perdidos, então a atenção de canal os pesca de volta. Três movimentos, cada um para sua tarefa, e passando o bastão.

O que é mais raro é que não engordou o modelo em prol da precisão. Muitos algoritmos buscam alta precisão cegamente, acabam inchados, arrastam a velocidade e nem cabem em um dispositivo embarcado. O SESPNet mantém sua velocidade enquanto atinge o topo da precisão, e sobreviveu ao teste de computação drasticamente reduzida. Esse equilíbrio entre preciso, rápido e leve é exatamente a qualidade que o campo mais valoriza. Se uma tecnologia é boa ou não, depende se ela pode fazer trabalho real em uma planta real.

92,1% de precisão média, 62,4 quadros por segundo e pequeno o suficiente para rodar em tempo real em uma caixa do tamanho da palma da mão. Esses três números juntos esboçam uma ferramenta que pode realmente ir para a planta e começar a trabalhar. Ela transforma uma imagem infravermelha cinza opaca, antes difícil até para o olho humano, em um relatório de saúde onde os defeitos não têm onde se esconder.

Quando um drone carregando um algoritmo como este varre campo após campo de matrizes azuis, cada painel silenciosamente superaquecido é identificado e tratado no primeiro momento. Pontos quentes ocultos se tornam visíveis, e riscos aparentemente minúsculos são eliminados. O que se sustenta é exatamente uma planta que transforma luz solar em energia, por muito tempo, com segurança e em plena carga.

Visão da Ooitech

O que mais nos impressiona aqui é como a detecção e a fabricação são dois lados da mesma moeda da confiabilidade. Um ponto quente sinalizado em campo muitas vezes remonta a uma microfissura ou uma junta de solda fria nascida na linha, razão pela qual a soldagem de stringers, o alinhamento de layup e o controle de laminação são tão importantes em uma linha de produção de módulos. Acertar esses passos e você alimenta menos pontos quentes em campo em primeiro lugar. Se você quiser ver como uma linha de módulos real é construída e ajustada, nossos walkthroughs de fábrica no canal do YouTube da Ooitech (www.youtube.com/ooitech) valem uma olhada e uma inscrição.