Abstract:
Dans le cadre de la transition mondiale vers les énergies renouvelables, les cellules
photovoltaïques s'imposent comme l'une des principales solutions pour la production
d'énergie propre. Cependant, le maintien de leur efficacité et de leur rendement énergétique
exige une surveillance précise et continue de leur état, ce qui constitue un défi technique
majeur, notamment dans les systèmes de grande envergure ou installés dans des
environnements difficiles. Dans ce contexte, l'intelligence artificielle, en particulier les
techniques d'apprentissage profond, représente un outil puissant pour le traitement et l'analyse
d'un grand volume d'images issues des panneaux solaires. Ce travail porte sur le
développement d'un modèle d'intelligence artificielle capable de générer automatiquement des
descriptions textuelles (légendes d'images) de l'état des cellules photovoltaïques à partir de
leurs images, dans le but de détecter des défauts tels que les fissures, les points chauds ou la
corrosion, sans intervention humaine directe. Le modèle proposé repose sur la combinaison de
réseaux de neurones convolutifs (CNN) pour l'extraction des caractéristiques visuelles, et de
modèles de génération de langage comme les LSTM pour la production de descriptions
sémantiquement précises. Cette approche permet d'améliorer l'efficacité de la surveillance et
de la maintenance prédictive dans les centrales photovoltaïques, de réduire les coûts
d'exploitation, et ouvre de nouvelles perspectives pour l'intégration de l'intelligence artificielle
dans le domaine des énergies renouvelables. Les résultats préliminaires démontrent l'efficacité
de cette méthode pour générer des descriptions fiables et pertinentes, contribuant ainsi à la
transformation numérique de la gestion des infrastructures énergétiques.
