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

Resumo Técnico: Verificação Electrovisual de Duplo Gatilho para Limpeza Fotovoltaica Autônoma Segura em Hardware de Borda

Declaração do Problema
Sistemas fotovoltaicos (PV) em regiões áridas sofrem perdas significativas de energia devido ao acúmulo de poeira (sujidade), microfissuras e sombreamento parcial. Embora a inspeção manual seja ineficiente e o mapeamento térmico via drones seja caro para implantação contínua, os sistemas de limpeza automatizados enfrentam um desafio crítico de segurança: distinguir entre um painel sujo que requer limpeza e um painel com fissuras que não requer. Ambas as condições manifestam-se como redução na saída elétrica. Um sistema baseado apenas em visão corre o risco de acionar a limpeza com água em módulos fissurados, o que é fútil e potencialmente danoso. Além disso, as soluções existentes de IA de borda frequentemente carecem das camadas de verificação necessárias para evitar falsos positivos causados por artefatos transitórios (ex: reflexos de lente, insetos) ou classificação incorreta de sombreamento como sujidade.

Metodologia e Arquitetura do Sistema
Os autores propõem um sistema implantável em borda que roda em um Raspberry Pi 4 (8 GB de RAM), integrando percepção visual, detecção elétrica e raciocínio local. A arquitetura consiste em quatro camadas:

1. Percepção: Uma câmera RGB fixa captura um único quadro dividido em três regiões verticais para monitorar múltiplos painéis (P1–P3). Dois sensores INA219 medem tensão e corrente por string de painel, enquanto um par de fotodiodos (topo/base) detecta assimetria de sombreamento. Um Arduino Uno processa os dados dos fotodiodos.
2. Computação: O sistema utiliza um modelo YOLOv8n (nano), otimizado para as restrições de CPU do Raspberry Pi.
3. Lógica de Decisão (Protocolo de Duplo Gatilho): Esta é a inovação central. A atuação de limpeza é estritamente proibida, a menos que três condições sejam atendidas simultaneamente:
   • Gatilho Visual (Persistência): O modelo YOLOv8n deve detectar "poeira" consistentemente através de $K=3$ quadros consecutivos (aprox. 2 segundos) para filtrar ruído transitório.
   • Gatilho de Potência: A potência DC medida ($P = V \times I$) deve estar abaixo de um limiar ajustável ($P_{req} = 0,30 \times P_{rated}$).
   • Gatilho de Falha Estrutural (Verificação): Uma verificação independente analisa a assinatura de tensão. Se a tensão média ($\bar{V}_w$) estiver significativamente deprimida (abaixo de $0,5 \times V_{mp}$) e exibir instabilidade de alta frequência (desvio padrão $> 0,1$ V), o sistema sinaliza uma falha estrutural (Tipo B/C) e suprime a limpeza, independentemente das leituras visuais ou de potência.
4. Relatórios: Um modelo Llama 3.1:8B hospedado localmente (via Ollama) gera relatórios de diagnóstico conformes à norma IEC baseados nos resultados decisórios determinísticos, sem controle direto sobre os atuadores.

Principais Contribuições

• Protocolo de Detecção-então-Verificação de Duplo Gatilho: O artigo introduz uma lei de decisão onde a detecção visual nunca é autoritativa. A atuação requer confirmação de medições elétricas independentes. Isso mitiga especificamente o risco de limpar módulos fissurados que mimetizam a assinatura de baixa potência de painéis sujos.
• Monitoramento de Múltiplos Painéis Otimizado para a Borda: Uma única câmera e mapeamento de região determinístico permitem que uma unidade monitore três painéis, reduzindo custos de hardware em comparação com configurações de câmera por painel.
• Integração de LLM Offline: O sistema utiliza um Modelo de Linguagem Grande (LLM) offline restrito para geração de relatórios de engenharia, garantindo privacidade de dados e conformidade com padrões IEC sem conectividade externa.
• Dataset Validado em Campo: O modelo foi treinado e testado em um dataset RGB externo capturado em campo sob condições de deserto quente, abordando a lacuna entre os benchmarks de eletroluminescência em ambiente controlado e a implantação real.

Resultados

• Desempenho de Detecção: O modelo YOLOv8n ajustado alcançou uma precisão média média em IoU 0.5 (mAP@0.5) de 77,3%, um aumento de 13,4 pontos sobre a linha de base não ajustada.
  • Poeira: Precisão 88,9%, Recall 87,7%.
  • Fissuras: Precisão 86,2%, Recall 85,4%.
    O modelo performou de forma comparável na classe crítica de segurança "fissura" em relação à classe "poeira", evitando o viés comum para classes majoritárias.
• Eficácia de Limpeza: Em um estudo de caso de campo, a saída de potência de um painel sujo recuperou-se de 0,33 W para 7,48 W (um aumento de 22,9 vezes) após um ciclo de limpeza bem-sucedido.
• Exclusão de Fissuras: Um painel fissurado exibiu uma assinatura elétrica distinta (baixa tensão ~5,5 V com alta instabilidade). O gatilho de falha estrutural identificou corretamente essa assinatura e impediu qualquer atuação de limpeza, apesar da baixa potência do painel.
• Benchmarking: O modelo implantado superou outros detectores baseados em YOLO via RGB/UAV publicados e implantados em campo (que variaram de 57,7% a 75% mAP@0.5), apesar de operar em hardware apenas com CPU e um dataset de treinamento menor.

Significância e Alegações
O artigo alega que sua principal contribuição é arquitetural e não puramente algorítmica. Demonstra que um detector visual com precisão moderada (77,3% mAP) pode ser implantado com segurança para atuação autônoma se seus outputs forem validados cruzadamente por medições físicas independentes. O sistema prova que:

1. A segurança é alcançável sem hardware de alto custo: Ao usar uma lógica de "detecção-então-verificação", o sistema evita a falha catastrófica de limpar módulos danificados.
2. Viabilidade Econômica: Ao prevenir a limpeza mal direcionada (em painéis fissurados ou sombreados) e a manutenção desnecessária, o sistema oferece economias significativas de água e custos em regiões áridas.
3. Viabilidade da IA de Borda: Percepção complexa e raciocínio (incluindo relatórios via LLM) podem ser executados em hardware de baixo custo e recursos limitados, como o Raspberry Pi 4, em ambientes de deserto reais.

Os autores mantêm-se modestos quanto ao gatilho de falha estrutural, observando que este foi calibrado em um único módulo fissurado e requer validação mais ampla através de diferentes severidades de fissuras e tipos de módulos antes que o risco residual possa ser totalmente quantificado. No entanto, o sistema demonstra com sucesso um caminho viável para a manutenção fotovoltaica baseada em condição e segura em ambientes de alta poeira.