Sistema inteligente de visão computacional para inspeção de centrais fotovoltaicas

Abstract

As centrais fotovoltaicas são essenciais na transição energética, mas o seu desempenho é sensível ao estado superficial dos módulos. A acumulação de sujidade, como poeiras e excrementos de aves reduz a captação de radiação e pode aumentar a necessidade de manutenção. A inspeção manual é pouco escalável e variável, sobretudo quando se pretende monitorização frequente. Neste contexto, este trabalho propôs o desenvolvimento e a avaliação de um sistema de inspeção visual automática, baseado em visão computacional e aprendizagem profunda, para identificar padrões de sujidade em imagens RGB de painéis fotovoltaicos e apoiar limpeza seletiva e manutenção preventiva. O trabalho iniciou-se com uma revisão sistemática da literatura segundo a metodologia PRISMA, permitindo enquadrar o estado da arte e apoiar decisões de desenho experimental. Com base nessa análise, foram definidos requisitos e estruturado um conjunto de dados anotado com classes orientadas ao problema, incluindo situações de superfície limpa, sujidade difusa (poeira) e sujidade localizada (excrementos). Foram ainda consideradas técnicas de aumento de dados para melhorar a robustez face a variações de iluminação e condições ambientais. Numa fase seguinte o trabalho avançou para uma componente experimental comparando abordagens com perfis distintos: variantes da família YOLO, adequadas a deteção eficiente, e uma abordagem baseada em transformers(DINOv2), com foco na segmentação e produção de máscaras mais informativas. A avaliação recorreu a métricas como mAP, precisão, recall (revocação), F1-score e velocidade de inferência, tendo sido complementadas por análise qualitativa das inferências, de forma a interpretar padrões de erro e estabilidade em diferentes cenários. Os resultados confirmaram a viabilidade de uma solução automatizada, com melhor desempenho quando as ocorrências mostraram visualmente dominantes e contrastantes, e maior sensibilidade em situações de sujidade difusa, reflexos, sombras ou coexistência de classes. No conjunto, o trabalho sustentou a seleção do modelo mais adequado ao objetivo do sistema e estabeleceu uma base para evolução futura, com reforço e normalização do dataset, testes adicionais de generalização e integração do output em indicadores acionáveis para suporte à decisão em operação e manutenção.

Abstract: Photovoltaic (PV) power plants play a key role in the energy transition, yet their performance is highly sensitive to the surface condition of PV modules. The accumulation of soiling—such as dust and bird droppings—reduces irradiance capture and may increase maintenance needs. Manual inspection is difficult to scale and often inconsistent, particularly when frequent monitoring is required. In this context, this work proposes the development and evaluation of an automatic visual inspection system, based on computer vision and deep learning, to identify soiling patterns in RGB images of photovoltaic panels and to support selective cleaning and preventive maintenance. The study began with a systematic literature review following the PRISMA methodology, which framed the state of the art and informed the experimental design choices. Based on this analysis, system requirements were defined and an annotated dataset was structured with problem-oriented classes, including clean surfaces, diffuse soiling (dust), and localized soiling (bird droppings). Data augmentation techniques were also considered to improve robustness under varying illumination and environmental conditions. The experimental phase compared approaches with distinct profiles: YOLO family variants, suitable for efficient object detection, and a transformer-based approach (DINOv2), focusing on segmentation and the generation of more informative masks. Evaluation employed metrics such as mean Average Precision (mAP), precision, recall, F1-score, and inference speed, complemented by a qualitative analysis of model outputs to interpret error patterns and stability across different scenarios. The results confirm the feasibility of an automated solution, with best performance when soiling instances are visually dominant and high-contrast, and increased sensitivity to challenging conditions such as diffuse soiling, reflections, shadows, or class co-occurrence. Overall, the work supports the selection of the model most suited to the system’s objectives and establishes a foundation for future improvements, including dataset reinforcement and normalization, additional generalization tests, and the integration of model outputs into actionable indicators for operation and maintenance decision support.