AI-Based Monitoring of Solar Panels in Desert Environments: Distinguishing Dust Accumulation for Fault Detection

يشكل تراكم الغبار على الألواح الكهروضوئية في البيئات الصحراوية تحديًا كبيرًا، إذ يُقلل من كفاءة التحويل ويُخفض من إنتاج الطاقة. تُقدم هذه الدراسة إطارا عمليا آليا للكشف عن الغبار، بالاعتماد على تقنيات التعلم الآلي ورؤية الحاسوب. أُجري تحليل مقارن باستخدام ثلاثة مصنفات خاضعة للإشراف - الانحدار اللوجستي، وآلة المتجهات الداعمة (SVM)، والشبكة العصبية متعددة الطبقات (MLP) - تم تدريبها واختبارها على مجموعة بيانات تضم 2562 صورة للألواح الكهروضوئية (1493 صورة نظيفة و1069 صورة مغبرة) تم الحصول عليها من Kaggle، يدمج النظام المقترح خطوات معالجة مسبقة قوية للصور، تشمل تغيير حجمها إلى 224 × 224 بكسل، وتحسين التباين باستخدام معادلة المدرج التكراري التكيفي المحدود التباين (CLAHE)، وتطبيع قيم RGB. أسفر استخلاص الميزات عن 28 واصفًا مُهندسًا تشمل إحصائيات شدة تدرج الرمادي، وخصائص ألوان RGB وHSV (الصبغة، التشبع، القيمة)، وشكل الحواف، ومعلومات النسيج. تشير النتائج التجريبية إلى تفوق مُصنف SVM على النماذج الأخرى، محققًا دقة بلغت 75.78% ودقة اختبار بلغت 74.07%، مع قيم متوازنة للدقة والاستدعاء بلغت 74.00% و74.07% على التوالي. والجدير بالذكر أن النموذج أظهر استدعاءً أعلى في الكشف عن الألواح النظيفة (79%) مقارنةً بالألواح المغبرة (68%)، مما يُبرز التعقيد المرتبط بالكشف عن درجات متفاوتة من الاتساخ. علاوة على ذلك، حقق SVM مساحة تحت منحنى خصائص تشغيل المُستقبِل (ROC) بلغت 0.790. تُظهر النتائج أن النهج المقترح القائم على SVM يُعد حلاً عمليًا وفعالًا للمراقبة الآلية للألواح الشمسية في البيئات الصحراوية، مما يُتيح الصيانة في الوقت المناسب ويُقلل من فقد الطاقة.