Automatic Inspection of Thermosolar Plants Using Drones and Computer Vision

Abstract

La inspección de los distintos elementos de las plantas termosolares juega un papel fundamental en el rendimiento de la planta. Actualmente estas inspecciones se realizan de manera manual y normalmente separadas en el tiempo, lo que supone que el estado real de la planta es muchas veces desconocido. Con el actual crecimiento del uso de drones para este tipo de tareas, junto con el desarrollo de algoritmos de detección automática de fallos esta tarea puede simplificarse enormemente mejorando el rendimiento y el beneficio de las plantas. Este trabajo proporciona los primeros pasos en el desarrollo de un algoritmo de detección automática de fallos utilizando información recogida por un drone en una inspección automática sobre plantas termosoloares de tecnología lineal cilindro-parabólica. En este estudio inicial solo se clasifica un tipo de fallo, que es la rotura de la cobertura de video de los receptores. El primer paso fue crear un conjunto de datos para probar distintas técnicas clásicas de aprendizaje automático procedente de datos recogidos directamente de las plantas en producción. Se construyeron dos conjuntos de datos: un conjunto numérico y un conjunto de imágenes tomadas por un drone con el objetivo de usarlos para entrenar un modelo de clasificación automático. Para ello en este trabajo se propone un pre procesamiento de los datos utilizando técnicas de visión artificial para el conjunto de datos de imágenes y una estandarización de los datos numéricos. Una vez procesados los datos se probaron dos técnicas de aprendizaje automático: Random Forest y Support Vector Machines. Con estas técnicas se propone un clasificador automático que es capaz de detectar hasta un 70% de las fundas rotas. En este trabajo se detalla el procesamiento de los datos, los diferentes algoritmos utilizados como marco teórico y se presentan los distintos experimentos realizados.

The inspection of thermosolar power plant elements plays a key role in the performance of the plants. As of today this inspections are usually performed manually and between distant time periods, making the assessment of the plant state in real time an almost impossible task. With the growing use of drones to perform such tasks, along with the development of automatic detection algorithms, this task can become much simpler, improving the plants performances and benefits. This work provides the first steps in developing an automatic failure detection algorithm using information gathered by a drone in an automatic survey over thermosolar plants with parabolic trough technology. In this work only one type of failure is classified, making it a binary problem. The failure was that the glass sleeve of the HCE was broken. The first step was creating a data set to test several classic Machine Learning algorithms from data gathered directly from solar plants in production. Two different data sets were built: one with numeric data from the plants and one with images taken by the drone with the purpose of using them for automatic failure detection. In order to do this, a pre-processing of the data is proposed using computer vision algorithms for the image data set and a standard data reduction for the numerical data set. Once the data was processed, two classical Machine Learning techniques were tested: Random Forest and Support Vector machines. With these techniques a classification model was proposed that could predict up to 70% of the broken glass sleeves. This work discuss the following points: the data processing, the different algorithms tested are discussed as technical background and the different experiments performed are presented.