Une équipe de chercheurs de l'Institut agronomique et vétérinaire Hassan II de Rabat a mis au point une méthode de géomarquage automatique des modules photovoltaïques, fondée sur l'analyse d'images captées par drone. Cette avancée technique permet de raccourcir les délais d'inspection des centrales solaires, tout en affinant la détection des anomalies potentielles. Traitement algorithmique et repérage des modules Le dispositif repose sur un algorithme intégrant les données GPS, l'angle d'inclinaison du drone et les paramètres optiques de la caméra pour calculer l'échelle des images aériennes. À partir de ces éléments, le système distingue automatiquement les panneaux, affine les contours des objets identifiés, supprime les segments non pertinents et compare les dimensions extraites aux valeurs réelles. Les coordonnées géographiques finales sont conservées dans un format compatible avec l'entraînement des réseaux neuronaux. Deux installations solaires ont servi de sites de test au Maroc. La première, située sur le terrain expérimental du Green Energy Park, est équipée de modules monocristallins d'une puissance de 22 kilowatts (kW) inclinés à 31°. La seconde, d'une capacité de 1 mégawatt (MW), est implantée sur le toit d'un centre de traitement de données. Les images ont été captées par un drone DJI Mavic 2 Enterprise Advanced (M2EA), doté d'une caméra thermique de 640×512 pixels et d'un capteur optique haute définition de 8000×6000 pixels. Apprentissage automatique et performance du système Le processus de géomarquage a atteint un taux de complétude de 91 %, avec une diminution notable des faux positifs grâce à l'usage de filtres géométriques et de méthodes de regroupement spatial. Les images annotées ont été réparties en ensembles destinés à l'apprentissage, à la validation et à l'évaluation, et utilisées pour entraîner plusieurs modèles d'apprentissage profond : SSD ResNet50 V1, SSD MobileNet v2, Faster RCNN ResNet50 V1, Faster EfficientDet d1, CenterNet hg104 et YOLOv7. Tous les modèles ont été entraînés sur 500 époques, avec des lots de huit images. Le modèle YOLOv7 s'est distingué par une précision moyenne de 98,33 %, assortie d'un temps de traitement de 15 millisecondes par image. La précision de localisation, quant à elle, a été estimée à 2,51 mètres, permettant une identification fiable des modules sur le terrain. Selon les résultats publiés, cette méthode permet de rationaliser les procédures de contrôle des centrales photovoltaïques et d'en garantir une surveillance plus rigoureuse, en réponse à l'essor continu des infrastructures solaires à l'échelle mondiale.
