Detekce a klasifikace vad panelů fotovoltaických elektráren z termokamery dronu

Abstract

Tato práce popisuje proces zpracování termografických snímků fotovoltaické elektrárny, pořízených termokamerou na dronu. Momentálně profesionál na inspekce elektráren manuálně analyzuje pořízené snímky a hledá v nich závady. Tento přístup je velmi časově náročný a zavedení určité míry automatizace by tento proces mohlo usnadnit a urychlit. S tímto záměrem jsem natrénoval a nasadil model neuronové sítě U-Net, který na snímcích detekuje nejčastější typ závady, kterým je „hot spot“. Pro vizualizaci nalezených závad jsem navrhl a vytvořil webovou aplikaci, která je zobrazuje v kompletní fotomozaice fotovoltaické elektrárny. V rámci aplikace může uživatel přidávat a mazat jednotlivé vady. Aplikace také umožňuje anotaci panelů, které jsou využity při tvorbě výsledné tabulky, jakmile je elektrárna kompletně anotována.The thesis describes the processing of thermal images of photovoltaic power plants captured by a drone. In contemporary solutions, the images are analyzed manually, where an expert in thermal imaging searches for defects in individual panels. This approach is very time-consuming, and introducing some level of automation could ease the process. Therefore, I trained and utilized a U-Net model that detects hot spots in the images. To visualize and present the defects to the user, I designed and created a web-based application that highlights them in a complete orthomosaic of the photovoltaic power plant. Within the application, a user can annotate PV panels in the power plant and manually remove, or add any defect. When the plant is wholly annotated, an export to a spreadsheet can be created, matching defects to the individual annotated panels.