Dual-Gate Electro-Visual Verification for Safe Autonomous Photovoltaic Cleaning on Edge Hardware

Resumen Técnico: Verificación Electro-Visual de Doble Puerta para la Limpieza Fotovoltaica Autónoma Segura en Hardware de Borde (Edge)

Planteamiento del Problema
Los sistemas fotovoltaicos (FV) en regiones áridas sufren pérdidas de energía significativas debido a la acumulación de polvo (ensuciamiento o soiling), microfisuras y sombreado parcial. Mientras que la inspección manual es ineficiente y la termografía basada en drones es costosa para un despliegue continuo, los sistemas de limpieza automatizados enfrentan un desafío de seguridad crítico: distinguir entre un panel sucio que requiere limpieza y un panel agrietado que no la requiere. Ambas condiciones se manifiestan como una reducción en la salida eléctrica. Un sistema basado únicamente en visión corre el riesgo de activar el lavado con agua en módulos agrietados, lo cual es fútil y potencialmente dañino. Además, las soluciones actuales de IA en el borde (edge-AI) suelen carecer de las capas de verificación necesarias para prevenir falsos positivos causados por artefactos transitorios (por ejemplo, destellos de lente, insectos) o la clasificación errónea de sombreado como ensoledamiento.

Metodología y Arquitectura del Sistema
Los autores proponen un sistema desplegable en el borde que se ejecuta en una Raspberry Pi 4 (8 GB de RAM) e integra percepción visual, detección eléctrica y razonamiento local. La arquitectura consta de cuatro capas:

1. Percepción: Una cámara RGB fija captura un único cuadro dividido en tres regiones verticales para monitorear múltiples paneles (P1–P3). Dos sensores INA219 miden el voltaje y la corriente por cadena de paneles, mientras que un par de fotodiodos (superior/inferior) detectan la asimetría de sombreado. Un Arduino Uno procesa los datos de los fotodiodos.
2. Cómputo: El sistema utiliza un modelo YOLOv8n (nano), optimizado para las restricciones de CPU de la Raspberry Pi.
3. Lógica de Decisión (Protocolo de Doble Puerta): Esta es la innovación central. La actuación de limpieza está estrictamente prohibida a menos que tres condiciones se cumplan simultáneamente:
   • Puerta Visual (Persistencia): El modelo YOLOv8n debe detectar "polvo" de manera consistente a través de $K=3$ cuadros consecutivos (aprox. 2 segundos) para filtrar el ruido transitorio.
   • Puerta de Potencia: La potencia de CC medida ($P = V \times I$) debe caer por debajo de un umbral ajustable ($P_{req} = 0.30 \times P_{rated}$).
   • Puerta de Falla Estructural (Verificación): Una comprobación independiente analiza la firma de voltaje. Si el voltaje medio ($\bar{V}_w$) está significativamente deprimido (por debajo de $0.5 \times V_{mp}$) y exhibe una inestabilidad de alta frecuencia (desviación estándar $> 0.1$ V), el sistema marca una falla estructural (Tipo B/C) y suprime la limpieza, independientemente de las lecturas visuales o de potencia.
4. Reporte: Un modelo Llama 3.1:8B alojado localmente (vía Ollama) genera informes de diagnóstico que cumplen con la norma IEC basados en los resultados deterministas de la decisión, sin control directo sobre los actuadores.

Contribuciones Clave

• Protocolo de Detección-Luego-Verificación de Doble Puerta: El documento introduce una ley de decisión donde la detección visual nunca es autoritativa. La actuación requiere la confirmación de mediciones eléctricas independientes. Esto mitiga específicamente el riesgo de limpiar módulos agrietados que imitan la firma de baja potencia de los paneles sucios.
• Monitoreo de Multipanel Optimizado para el Borde: Una sola cámara y un mapeo de regiones determinista permiten que una unidad monitoree tres paneles, reduciendo los costos de hardware en comparación con las configuraciones de cámara por panel.
• Integración de LLM Offline: El sistema utiliza un Modelo de Lenguaje Grande (LLM) restringido y sin conexión a internet para la generación de informes de ingeniería, asegurando la privacidad de los datos y el cumplimiento de los estándares IEC sin conectividad externa.
• Conjunto de Datos Validado en Campo: El modelo fue entrenado y probado en un conjunto de datos RGB exterior capturado en campo bajo condiciones de desierto cálido, abordando la brecha entre los benchmarks de electroluminiscencia en interiores y el despliegue en el mundo real.

Resultados

• Rendimiento de Detección: El modelo YOLOv8n ajustado alcanzó un promedio de precisión media en IoU 0.5 (mAP@0.5) del 77.3%, una mejora de 13.4 puntos sobre la línea base no ajustada.
  • Polvo: Precisión 88.9%, Recall 87.7%.
  • Grietas: Precisión 86.2%, Recall 85.4%.
  • El modelo funcionó de manera comparable en la clase crítica de seguridad "grieta" que en la clase "polvo", evitando el sesgo común hacia las clases mayoritarias.
• Eficacia de la Limpieza: En un estudio de caso de campo, la salida de potencia de un panel sucio se recuperó de 0.33 W a 7.48 W (un aumento de 22.9 veces) tras un ciclo de limpieza exitoso.
• Exclusión de Grietas: Un panel agrietado exhibió una firma eléctrica distinta (voltaje bajo ~5.5 V con alta inestabilidad). La puerta de falla estructural identificó correctamente esta firma y evitó cualquier actuación de limpieza, a pesar de la baja potencia del panel.
• Benchmarking: El modelo desplegado superó a otros detectores basados en YOLO mediante RGB/UAV en exteriores publicados (que oscilaban entre 57.7% y 75% mAP@0.5), a pesar de operar en hardware solo con CPU y con un conjunto de datos de entrenamiento más pequeño.

Significancia y Reivindicaciones
El artículo sostiene que su contribución principal es arquitectónica más que puramente algorítmica. Demuestra que un detector visual con precisión moderada (77.3% mAP) puede desplegarse de forma segura para la actuación autónoma si sus salidas son validadas de forma cruzada por mediciones físicas independientes. El sistema demuestra que:

1. La seguridad es alcanzable sin hardware de alto costo: Mediante el uso de una lógica de "detectar-luego-verificar", el sistema evita la falla catastrófica de limpiar módulos dañados.
2. Viabilidad económica: Al prevenir la limpieza mal dirigida (en paneles agrietados o sombreados) y el mantenimiento innecesario, el sistema ofrece ahorros significativos de agua y costos en regiones áridas.
3. Factibilidad de la IA en el Borde: La percepción compleja y el razonamiento (incluyendo el reporte mediante LLM) pueden ejecutarse en hardware de bajo costo y recursos limitados como la Raspberry Pi 4 en entornos desérticos reales.

Los autores se mantienen modestos respecto a la puerta de falla estructural, señalando que fue calibrada en un solo módulo agrietado y requiere una validación más amplia a través de diferentes severidades de grietas y tipos de módulos antes de que el riesgo residual pueda cuantificarse plenamente. Sin embargo, el sistema demuestra con éxito una vía viable para el mantenimiento fotovoltaico basado en condiciones y seguro en entornos de alto polvo.