|
Résumé :
|
Les énergies renouvelables substituent la production énergétique basée sur des ressources épuisables par des alternatives propres comme le potentiel solaire en photovoltaïque (PV). En vue de l’énorme investissement généré par la technologie PV, la mise en place de stratégies d’inspection de ses plateformes demeure essentielle. Elles permettent en effet de contrôler le rendement des panneaux PV face à leurs différentes sources de dégradation. Les drones professionnels, engins contrôlés à distance pour la prise d’images aériennes ont prouvé leur apport efficace dans l’optimisation de ce processus d’inspection. En effet, plusieurs recherches scientifiques ont mis en place des solutions traitant soit l’image visuelle (RVB) soit l’image infra-rouge thermique pour l’inspection PV. Or, ces solutions ne peuvent être optimisées que si elles incluent des techniques d’extraction des surfaces des panneaux où les défauts prennent place. Notre travail a pour objectif de mettre en place une solution automatique pour l’extraction individuelle des modules à partir des images drones visuelles (RVB) et thermiques. C’est un élément crucial de grand apport dans le processus global d’inspection automatique par drone des MPVs. La solution développée se base sur l’analyse d’image basée objets (OBIA) et la classification machine learning. Ainsi, elle est constituée de trois grandes étapes : la création des objets par une segmentation avec optimisation non-supervisée des paramètres (USPO), une extraction des caractéristiques des objets (Feature extraction) et une classification basée-objets moyennant des classificateurs machine Learning (M-L), à savoir SVM (Machine à vecteurs de support) et RF (Forêts aléatoires). Le processus de validation comprend le calcul des métriques F1-Facteur et précision globale ainsi que la comparaison avec les résultats d’extraction par une chaine de traitement que nous avons établie sous le logiciel OBIA eCoginiton. Nous avons expérimenté notre workflow sur six orthoimages drone, visuelles et thermiques, présentant des installations photovoltaïques dans des environnements différents. Les résultats d’extraction des modules individuels sont très satisfaisants avec un Facteur-F moyen de 99.2 % et une précision moyenne de 99.1%. La comparaison avec les résultats d’eCognition a révélé la robustesse de notre solution qui est totalement non supervisée et évolutive étant implémentée sur un logiciel libre. Etablissant ainsi une prémice de nouvelles perspectives orientées vers la mise en place de techniques complémentaires, puissantes pour la détection des défauts basées-objets.
|
