SolarCleano : Trouver les défauts des panneaux solaires grâce à l’IA

En collaboration avec le SnT

Fondée au Luxembourg en 2017, SolarCleano est une entreprise de robotique spécialisée dans les solutions innovantes pour le nettoyage des panneaux solaires. Ses robots autonomes sont déployés dans plus de 100 pays à travers le monde et servent à nettoyer des centaines de gigawatts d’installations solaires.

« Bien que les panneaux photovoltaïques aient une durée de vie prévue allant jusqu’à 25 ans, ils se dégradent à un taux annuel moyen de 0,5 %, ce qui peut augmenter considérablement en raison du stress environnemental et du vieillissement des matériaux », explique Andreas Kokkas, responsable du projet R&D chez SolarCleano.

Compte tenu de l’ampleur des centrales solaires modernes, le contrôle qualité manuel n’est tout simplement pas réalisable. Pour relever ce défi, l’entreprise s’est associée au Centre interdisciplinaire pour la sécurité, la fiabilité et la confiance (SnT) et l’Institut de recherche sur l’énergie solaire Hamelin (ISFH) afin de développer des solutions basées sur les avancées en robotique et en intelligence artificielle, en particulier en vision par ordinateur.

Cette collaboration a donné naissance aux ambitieux projets PVDetects / Spider AI (Identification des panneaux solaires et reconnaissance de défauts utilisant l’intelligence artificielle). Ces initiatives transforment les robots de nettoyage autonomes de SolarCleano en plateformes intelligentes et multifonctionnelles capables d’inspecter des modules photovoltaïques grâce à l’imagerie thermique et RVB de pointe combinée à une intelligence artificielle intégrée.

« Le projet intègre du matériel et des logiciels de pointe, incluant l’acquisition de données, le développement de jeux de données et un flux de travail complet d’inspection basé sur le Robot Operating System (ROS) », explique Shiva Hanifi, doctorant en vision robotique au SnT.

Caméras, capteurs, traitement embarqué...

Le système intègre des caméras RGB et thermiques, des capteurs, un éclairage LED et des capacités de traitement embarquées. Combiné aux modules d’analyse développés par le SnT, il permet au robot d’intégrer de manière autonome les images capturées dans les modèles de détection de défauts.

Les défauts des panneaux solaires peuvent être détectés à l’aide de plusieurs modalités d’imagerie, notamment l’électroluminescence, la photoluminescence, l’imagerie infrarouge, ultraviolette et l’imagerie RVB visuelle. « Chaque modalité présente des avantages spécifiques selon les conditions d’imagerie, la sensibilité à la détection et les types de défauts ciblés », explique Guillaume Dewez, ingénieur en mécatronique chez SolarCleano, qui supervise l’avancement technique et opérationnel du projet PVDetects.

L’imagerie visuelle RVB et infrarouge a été identifiée comme les approches les plus adaptées, car elles ne nécessitent pas de contact physique avec les modules photovoltaïques. Les robots de nettoyage étaient donc équipés de caméras dédiées capables de capturer des images cohérentes et haute résolution. Une collecte de données étendue a été réalisée de jour comme de nuit dans divers environnements opérationnels.

Ces images sont annotées pour constituer un ensemble de données robuste et en continu expansion des défauts des panneaux solaires, utilisé pour entraîner les modèles de détection d’anomalies. « Ce projet représente un bond en avant majeur dans les opérations solaires intelligentes, prolongeant la durée de vie des actifs photovoltaïques, optimisant les rendements énergétiques et établissant une nouvelle référence pour l’industrie », ajoute M. Dewez.

Amélioration de l’entretien à long terme

Les utilisateurs du système ont accès à des informations en temps réel et exploitables sur l’état de leurs actifs photovoltaïques. Cela permet une intervention plus précoce, réduit les temps d’arrêt et favorise une planification de maintenance à long terme plus efficace, tout en améliorant significativement la sécurité en réduisant drastiquement le besoin d’inspections manuelles.

Désormais bien avancé, le projet intégrera progressivement des modalités d’imagerie supplémentaires, permettant la détection d’un éventail plus large de défauts sous des conditions environnementales et opérationnelles variables. « À mesure que notre jeu de données continue de croître, nous affinerons et comparerons de nouveaux modèles d’IA afin d’améliorer encore la précision et la robustesse de la détection à travers différents types de panneaux et configurations d’installation », explique Shiva Hanifi.

Des efforts parallèles se concentreront sur l’optimisation du traitement embarqué pour permettre une analyse en temps réel plus rapide et plus détaillée directement sur les robots, ainsi que sur l’intégration d’analyses prédictives capables de prévoir les schémas de dégradation et d’orienter les stratégies de gestion des actifs à long terme. « Cela contribuera au développement d’infrastructures photovoltaïques plus résilientes et efficaces. »