Tag: Solar PV

Los científicos en marruecos ha desarrollado un Método que utiliza los metadatos de las im ágenes infrarrojas de las plantas fotovoltaicas para etiquetarlas geogragamatere. La base de datos automática se puede usar en modelos de aprendizaje profundo y reducir significado el tiempo requerido para eléquetado de datos.

Un Grupo de Investigadores de Marruecos ha desarrollado una technica novedosa para módulos solares geograntes en parques un gran escala.

Utiliza im ágenes infrarrojas (ir) de vehículo aéreos no tripulados (uav) como entradas, emplaando de adaptación umbral, refinamiento de borde y datos fotogramétricos para segmento y localizar módulos solares pecador anotaciónónán manual. Además, El Conjunto de Datos Etiquetado Auticaméato Se Puede Usar para Abrenar Modelos de Aprendizaje Profundo.

«Esta contribución acelera el Proceso de Inspección para instalaciones un gran escala al reducir significado el tiempo requerido para la anotación de paneles solares, lo que permita la Capacitaciónón de los detectores de los aprendizaje colmen Equipo. «El Flujo de Trabajo Propesto también Garantiza la aplícabilidad en tiempo real al lograr una compensación Óptima entre la precisión de detección y el tiempo de inferencia».

El Nuevo Método de Etiquetado utiliza Metadatos de Uav como GPS, Unidad de Medicióner de Inercia (IMU) y Parámetros de la Cámaina para calcular la Distancia de Muestro de Tierra (GSD). LUEGO, Para El El Etiquetado Autico, Utiliza la Técnica niBlack para generar valores de umbral a Partir de las Imágenes y Panelados de vigilancia solares. Después de Eso, Utiliza el Refinamiento de Borde y la Agrupacia para Verificar Sus Hallazgos, Comparando Las Dimensiones Con Las Dimensiones Reales del Panel Solar. El Proceso de Extracción incluyendo un script para convertir las coordenadas en el formato requerido por los modelos de Aprendizaje Profundo.

Este Método se Probó en dos Estudios de Caso en Marruecos. La Primera Fue la Platlaforma Green Energy Park, que incluía 22 kW de paneles monocristalinos Montados en el suelo con una inclinació de 31 °. El Segundo Estudio de Casa Fue de una Planta Ubicada en El Techo de Un Centro de Datos Marroquí, Con 1 MW de Paneyes Monocristalinos. La adquisicióna de Imápenes Térmicas se realizó Utilizando Mavic 2 Enterprise Advanced (M2EA) de Dji, Equipado Con Camaras Térmicas y visuales, con resoluciones de 640 x 512 y 8,000 x 6,000, respectivo.

«Logió el 91 % de retiro en el Paso Auticó de Etiquetado Geográfico y Redujo Significativamente Los Falsos Positivos A Través de Las Restriccions Geométricas y la Agrupación», Mostraron los resultados del Conjunto de Datos de Datos Autosatizado. «En Última Instancia, este documento mejora la mentalidad y extracciónica de módulos fotovoltaicos únicos y acelera las operaciones de o & m al incluir la geolocación de los módulos extraídos».

Las im ágenes etiquetadas generadas por el proceso automático se dividieron en capacitacia, validacia y conjuntos de pruebas y se probaron con varios modelos de aprendizaje profundo. A Saber, El Equipo Probó El SSD ResNet50 V1, SSD Mobilenet V2, RCNN ResNet 50 V1 MÁS RÁPIDO, MODELO MÁS MÁS RÁPIDOS EFICIENTES D1, Centernet HG104 Y YOLOV7. En Todos los Casos, se Usó un tamaña de lote de 8, Mientras que el atrenamiento se realizó para 500 épocas.

«LOS Datos Geográficos Auticamete se Usaron para Capacitar A múltiples Detectores de Aprendizaje Profundo. Entre Ellos, yolov7 Logró El Mejor Rendimiento, con una precisión promedio en 0.5 intersección Sobre unión (map@0.5) de 98. Inferencia de 15 MS por Imagen, Demostrando Su adaptabilidad para escenarios de inspección en tiempo real «, El Equipo Concluyó. «Además, El Método de Geolocalizacióno Un error de 2.51 m, que admite una identificación de la identificación precisa a Nivel de Campo de Módulos y Mejora las Operaciones de Mantenimiento en El Sitio».

La Nueva Metodología se presente en «Módulo solar rápido y automático geo-etiquetado para la inspección de sistemas fotovoltaicos un gran escala optimizados de im ágenes térmicas uav utilizando segmentación de aprendizaje profundo«, Publicado en Ingeniería y Tecnología más Limpia. El Equipo de Investigación incluía Científicos de Marruecos Instituto Agronómico y Veterinario Hassan II (IAV Hassan II)el PLATAFORMA DE INVESTIGACIÓN DE GREEN Energy ParkY Las Escuelas Nacionales de Ciencias aplicadas OUJDA.