Avec la croissance rapide de l'industrie photovoltaïque (PV), des techniques de détection de défauts rapides et précises deviennent de plus en plus importantes. L'inspection manuelle des modules PV à l'aide de l'imagerie par électroluminescence (EL) est chronophage et sujette à des erreurs. Cette étude propose une méthode astucieuse pour détecter les défauts en utilisant un modèle d'apprentissage profond léger basé sur l'architecture MobileNetV2. Le modèle apprend à partir d'un ensemble de données d'images EL montrant deux types de défauts courants : des fissures et des zones sombres. Il contient également des cellules sans défaut. Pour améliorer la robustesse face à la variabilité typique d'acquisition de l'EL, un pipeline d'augmentation de données adapté à l'EL est appliqué, incluant des transformations géométriques et des ajustements photométriques (luminosité et contraste). Pendant les tests, il ne faut que 0,913 secondes pour prédire une image. Cela démontre un bon compromis entre vitesse et précision. Cette approche offre une solution prometteuse pour une inspection de qualité peu coûteuse et en temps quasi réel des modules photovoltaïques utilisant l'intelligence artificielle.
Benjelloul et al. (Ven,) ont étudié cette question.