-
20:00
-
19:00
-
18:30
-
18:00
-
17:30
-
17:00
-
16:30
-
16:00
-
15:30
Suivez-nous sur Facebook
Une méthode innovante de géomarquage automatique des modules photovoltaïques développée au Maroc
Une équipe de chercheurs de l’Institut agronomique et vétérinaire Hassan II de Rabat a mis au point une méthode révolutionnaire de géomarquage automatique des modules photovoltaïques. Cette innovation, basée sur l’analyse d’images captées par drone, ouvre la voie à une inspection plus rapide et plus précise des centrales solaires, un enjeu crucial dans un contexte de développement massif des infrastructures solaires à travers le monde.
Une technologie alliant drone et algorithmes avancés
Le dispositif développé s’appuie sur un algorithme sophistiqué intégrant plusieurs paramètres : les données GPS du drone, son angle d’inclinaison, ainsi que les caractéristiques optiques de la caméra embarquée. Ces éléments permettent de calibrer l’échelle des images aériennes et d’identifier automatiquement les panneaux photovoltaïques. Le système affine la délimitation des objets, élimine les segments non pertinents et compare les dimensions détectées aux mesures réelles, garantissant ainsi une grande précision. Les coordonnées géographiques obtenues sont ensuite formatées pour être compatibles avec l’entraînement de réseaux neuronaux.
Tests concluants sur des installations marocaines
Deux sites solaires au Maroc ont servi de bancs d’essai pour ce système. Le premier se situe au Green Energy Park, un terrain expérimental équipé de modules monocristallins de 22 kW inclinés à 31°. Le second est une centrale d’une capacité de 1 MW installée sur le toit d’un centre de traitement de données. Les images ont été captées grâce à un drone DJI Mavic 2 Enterprise Advanced équipé d’une caméra thermique de résolution 640×512 pixels et d’un capteur optique haute définition de 8000×6000 pixels.
Apprentissage automatique au service de la performance
Pour améliorer la fiabilité du géomarquage, les chercheurs ont utilisé des techniques d’apprentissage profond. Les images annotées ont été divisées en ensembles pour l’apprentissage, la validation et l’évaluation, permettant d’entraîner plusieurs modèles reconnus, notamment SSD ResNet50 V1, Faster RCNN, CenterNet et YOLOv7. Après 500 cycles d’entraînement, le modèle YOLOv7 s’est démarqué avec une précision moyenne de 98,33 % et un temps de traitement très rapide de 15 millisecondes par image.
La précision de localisation du système est estimée à 2,51 mètres, offrant une identification fiable des panneaux sur le terrain. Par ailleurs, l’utilisation de filtres géométriques et de regroupements spatiaux a permis de réduire significativement les faux positifs, augmentant ainsi la qualité des contrôles.
Vers une surveillance optimisée des centrales solaires
Cette avancée technologique promet de rationaliser les inspections des centrales photovoltaïques, en raccourcissant les délais tout en améliorant la détection des anomalies potentielles. Dans un contexte où le solaire connaît une croissance exponentielle, ce système offre un outil précieux pour la maintenance, la gestion et l’optimisation des infrastructures d’énergie renouvelable.
Les travaux de l’Institut agronomique et vétérinaire Hassan II de Rabat illustrent l’importance croissante des solutions numériques et de l’intelligence artificielle dans la transition énergétique mondiale.