Automatizovaná detekce vad panelů fotovoltaických elektráren z termokamery dronu

Abstract

Tato diplomová práce se zabývá automatizací inspekce fotovoltaických elektráren pomocí termokamery dronu. V současné době je kontrola nasnímaných termosnímků prováděná ručně, což zabírá spoustu času. Proto byl v rámci této práce navržen proces, který z pořízených termosnímků vytvoří multispektrální ortofoto, z něj segmentuje jednotlivé panely pomocí natrénované neuronové sítě Mask R-CNN, které následně klasifikuje podle přítomnosti a typu vady. Součástí práce bylo vytvoření webové aplikace, která uživatele provede celým procesem zpracování datasetu a interaktivně mu zobrazí výsledky. Kromě toho aplikace umožňuje uživateli kontrolovat detekované vady, měřit teplotu povrchu panelů a případně upravit či doplnit predikce ručně. Systém byl otestován na datasetech z inspekcí českých fotovoltaických elektráren, na kterých dokázal odhalit 98 % všech vadných panelů.

This thesis focuses on the automation of photovoltaic power plant inspections using drone-based thermal imaging. Currently, the inspection of captured thermal images is performed manually, which is time consuming. Therefore, this thesis proposes a process that generates a multispectral orthophoto from the captured thermal images, segments individual panels from it using a trained Mask R-CNN neural network and then classifies them according to the presence and type of defect. As part of this work, a web application was developed that guides the user through the entire dataset processing workflow and present the results interactively. The application also enables users to verify detected defects, measure panel surface temperatures and manually adjust or add predictions when necessary. The system was evaluated on datasets obtained from inspections of Czech photovoltaic power plants, where it successfully detected 98 % of all defective panels.