Actualités de l'industrie solaire photovoltaïque

Incendies sur les centrales solaires : PVFire-YOLO, une IA chinoise qui repère flammes et fumées en temps réel

Par Aurélien CHAPUIS 5 min de lecture Partager
Incendies sur les centrales solaires : PVFire-YOLO, une IA chinoise qui repère flammes et fumées en temps réel

Oui, une intelligence artificielle peut désormais repérer de petits départs de feu dans une centrale photovoltaïque à partir des images de vidéosurveillance ou de drones : c’est ce que promet PVFire-YOLO, un modèle conçu par des chercheurs du groupe public chinois China Huaneng Group. Son atout principal est de distinguer une vraie flamme d’un simple reflet du soleil sur les modules, source classique de fausses alertes.

Les travaux ont été publiés dans la revue Scientific Reports, sous le titre « Détection en temps réel des petits foyers d’incendie dans les centrales photovoltaïques grâce à une fusion multi-échelle améliorée par l’attention ».

En bref

  • PVFire-YOLO est un système d’apprentissage profond développé par une équipe de China Huaneng Group pour détecter flammes et fumées sur les sites photovoltaïques.
  • Il s’appuie sur le détecteur d’objets YOLOv12, enrichi de trois briques pensées pour les petites cibles.
  • Les chercheurs ont bâti un corpus dédié, PV-Fire : 5 824 images et 9 107 objets annotés.
  • Le modèle atteint 87,4 % de précision moyenne (mAP@50) sur ce corpus et ramène les fausses alertes dues aux reflets à 3,1 %.
  • Il traite 79 images par seconde sur une carte RTX 3090 et 21 sur un Jetson Orin Nano, assez pour une surveillance en temps réel.

Pourquoi la détection d’incendie sur une centrale PV reste un angle mort

L’inspection des parcs solaires par vision artificielle n’est pas nouvelle. Selon les auteurs, la recherche s’est jusqu’ici surtout intéressée à trois sujets : les microfissures vues par électroluminescence, les points chauds repérés en infrarouge et les défauts visibles à l’œil nu, comme l’encrassement. Le feu, lui, n’avait presque jamais été traité pour lui-même : « la détection des incendies dans les environnements photovoltaïques n’a pratiquement fait l’objet d’aucune étude spécifique », écrivent-ils.

Le problème est concret. Sur une vaste surface de verre, le soleil crée des éclats lumineux qu’un détecteur générique peut confondre avec une flamme, tandis qu’un vrai départ de feu, au loin, n’occupe que quelques pixels de l’image. Un bon système doit donc à la fois voir petit et ignorer les reflets.

PV-Fire, un corpus d’images construit pour l’occasion

Faute de données existantes, l’équipe a assemblé ce qu’elle présente comme le premier jeu d’images annotées consacré aux flammes et aux fumées dans un environnement photovoltaïque. On y trouve des vues de caméras fixes et de drones prises sur des centrales de grande puissance en exploitation, des essais de combustion menés en plein air à côté de vrais modules, et des images de synthèse.

Le corpus a été découpé en trois lots : 4 070 images pour l’entraînement, 870 pour la validation et 884 pour les tests. Les chercheurs ont pris soin de ne pas mélanger les mêmes scènes d’un lot à l’autre et de cantonner les images synthétiques à l’entraînement, afin de ne pas gonfler artificiellement les scores.

Trois ajouts au modèle YOLOv12

La base est YOLOv12, un détecteur d’objets rapide très répandu. Les auteurs lui ont greffé :

  • un module d’attention qui se concentre sur les zones de l’image où flammes et fumées, souvent peu contrastées, risquent de passer inaperçues ;
  • un mécanisme qui rassemble puis redistribue les informations extraites à quatre niveaux de détail ;
  • une tête de fusion adaptative dotée d’une branche haute résolution, dédiée aux toutes petites cibles.

Des résultats mesurés face aux modèles existants

PVFire-YOLO a été mis en concurrence avec 14 détecteurs sur le corpus PV-Fire, parmi lesquels Faster R-CNN, des architectures à base de transformeurs et plusieurs déclinaisons de YOLO. Il a aussi été confronté à 13 autres modèles sur D-Fire, un jeu de données public. Chaque score correspond à la moyenne de trois entraînements.

Incendies sur les centrales solaires : PVFire-YOLO, une IA chinoise qui repère flammes et fumées en temps réel

Sur PV-Fire, la précision moyenne atteint 87,4 % au seuil d’intersection sur union de 0,5. Elle descend à 85,0 % si l’on ne garde que les images issues de centrales réellement en service, et s’établit à 84,4 % sur D-Fire, signe que le modèle se généralise correctement. Comparé au YOLOv12 d’origine, il gagne 5,2 points sur les petites cibles et limite à 3,1 % les fausses détections liées aux reflets, tout en manquant moins de vrais foyers.

Côté vitesse, les auteurs indiquent 79 images par seconde sur une carte graphique de bureau et 21 sur un mini-ordinateur embarqué. Ils estiment que cela suffit pour une analyse « en périphérie du réseau », c’est-à-dire directement sur site, pour des centrales réparties sur plusieurs emplacements.

Les prochaines étapes annoncées

L’équipe veut maintenant enrichir son corpus avec des centrales installées sous d’autres climats, ajouter un filtrage dans le temps pour écarter les alertes isolées d’une seule image, et coupler la caméra visible à l’imagerie thermique infrarouge. Cette dernière piste doit rendre le système plus fiable quand la lumière est mauvaise.

Pour un exploitant, l’enjeu dépasse la sécurité : un incident qui met une partie du parc à l’arrêt pèse directement sur la production et donc sur la rentabilité d’une installation solaire. Pour estimer ce que produirait votre propre toiture, le simulateur de panneaux solaires donne un premier ordre de grandeur. Le compte rendu détaillé de l’étude est aussi disponible sur pv magazine (en anglais).

Questions fréquentes

Qu’est-ce que PVFire-YOLO ?

PVFire-YOLO est un modèle d’intelligence artificielle développé par des chercheurs de China Huaneng Group pour repérer en temps réel les flammes et les fumées dans les centrales photovoltaïques, à partir d’images de caméras ou de drones. Il dérive du détecteur d’objets YOLOv12.

Pourquoi les reflets du soleil posent-ils problème pour détecter un incendie ?

Sur une centrale solaire, le soleil se réfléchit sur le verre des modules et produit des points lumineux qu’un détecteur classique peut prendre pour des flammes. PVFire-YOLO a été entraîné pour faire la différence et ne déclenche une fausse alerte liée aux reflets que dans 3,1 % des cas selon l’étude.

Quelle est la précision du modèle ?

Sur le corpus PV-Fire constitué par les chercheurs, le modèle atteint 87,4 % de précision moyenne (mAP@50). Le score est de 85,0 % sur les seules images de centrales en exploitation et de 84,4 % sur le jeu de données public D-Fire.

Le système peut-il fonctionner directement sur une centrale ?

Oui, selon ses auteurs. Il traite 21 images par seconde sur un mini-ordinateur Jetson Orin Nano, ce qu’ils jugent suffisant pour une surveillance en temps réel sur site, sans envoyer toutes les vidéos vers un serveur distant.

En résumé

Avec PVFire-YOLO, une équipe de China Huaneng Group s’attaque à un sujet peu étudié : la détection précoce des incendies dans les centrales photovoltaïques. Grâce à un corpus d’images dédié et à un détecteur adapté aux petites cibles, le modèle atteint 87,4 % de précision et filtre la plupart des reflets trompeurs, à une vitesse compatible avec une utilisation sur site. Les chercheurs prévoient d’y ajouter l’imagerie thermique et des données issues d’autres climats.

Espace d'échanges et avis

  • Soyez le premier à partager votre expérience ou à poser une question.
La parole est à vous !

Vérification SMS

Entrez le code de validation envoyé sur votre mobile pour finaliser votre demande.