Oui. Pour un système photovoltaïque, l’ombrage partiel mérite d’être traité comme une anomalie opérationnelle spécifique : il peut réduire fortement la production, créer un mismatch entre cellules/modules, activer les diodes bypass et, dans certaines conditions, placer des cellules en polarisation inverse et favoriser des points chauds. La perte de puissance n’est pas nécessairement proportionnelle à la surface ombragée, car elle dépend aussi de la topologie série/parallèle et des diodes bypass. Des courbes P–V sous ombrage partiel peuvent notamment présenter plusieurs maxima locaux. (PVP-MC)

1. Ce qu'il faut réellement détecter

Je vous conseille de ne pas définir seulement deux classes normal / ombrage. Pour un projet sérieux, séparez au minimum :

Classe	Signification
normal	Module normalement éclairé
partial_shading	Une partie du module est ombragée
full_shading	Presque tout le module est dans l'ombre
vegetation_shading	Ombre causée par arbre/végétation
structure_shading	Bâtiment, poteau, cheminée, clôture…
row_shading	Auto-ombrage entre rangées
temporary_shading	Nuage ou objet temporaire
hotspot	Échauffement local anormal
soiling	Salissure — important comme classe négative
normal_reflection	Reflet solaire — autre faux positif important

Il faut surtout distinguer l'ombre elle-même de ses conséquences électriques ou thermiques. Par exemple, un hotspot peut être associé à un mismatch dû à l'ombrage, mais un hotspot peut aussi avoir une autre origine. Les travaux de NREL montrent que la polarisation inverse et les fortes dissipations locales peuvent produire un échauffement et, selon la technologie PV, une dégradation permanente. (OSTI)

---

2. MobileNetV2 ou YOLOv8-nano : ils ne font pas exactement la même chose

MobileNetV2

MobileNetV2 est particulièrement adapté à la classification.

Vous lui donnez par exemple cette image :

[image d'un module PV]

et il renvoie :

text
Normal             : 0.03
Ombrage partiel    : 0.94
Salissure           : 0.02
Hotspot             : 0.01

MobileNetV2 utilise notamment des inverted residuals et des linear bottlenecks et a été conçu pour obtenir un bon compromis entre capacité de représentation et coût de calcul sur des plateformes à ressources limitées. (arXiv)

Avantage : très intéressant si votre caméra fournit déjà une image centrée sur un seul panneau/module.

Inconvénient : il vous dit essentiellement ce qu'il y a dans l'image, mais pas précisément où se trouve l'ombre.

---

YOLOv8-nano

YOLOv8n est beaucoup plus approprié lorsque vous voulez obtenir :

text
Module 27
└── Ombrage
    ├── bounding box
    ├── confiance = 0.91
    └── position dans l'image

Vous pouvez donc traiter une photographie contenant 20, 50 ou 100 modules simultanément et obtenir les modules ou zones affectés. YOLOv8 supporte notamment détection, segmentation et classification; yolov8n.pt correspond à sa variante légère nano. (Ultralytics Docs)

Pour votre application, je privilégierais donc :

YOLOv8n → localisation

MobileNetV2 → classification/confirmation

plutôt que d'essayer de faire exactement la même chose avec les deux réseaux.

---

3. Architecture que je recommande

Pour obtenir un système fiable sur un véritable site photovoltaïque :

text
                   SITE PHOTOVOLTAÏQUE
                           │
              ┌────────────┴────────────┐
              │                         │
         Caméra RGB                Caméra IR
              │                         │
              ▼                         ▼
          YOLOv8-n                 MobileNetV2
              │                         │
     Localisation ombrage        État thermique
      + modules affectés          du module
              │                         │
              └──────────┬──────────────┘
                         │
                         ▼
                 Fusion des résultats
                         │
           ┌─────────────┴─────────────┐
           │                           │
     Irradiance / météo            V, I, P DC
           │                           │
           └─────────────┬─────────────┘
                         ▼
               ALGORITHME DE DÉCISION
                         │
                         ▼
                Diagnostic final

Par exemple :

text
YOLO     : ombrage détecté = 92 %
Thermique: anomalie détectée = 81 %
SCADA    : déficit de puissance = 17 %

=> ALERTE :
   Ombrage partiel confirmé
   Module/string : S04-M17
   Sévérité : élevée

Cette fusion est beaucoup plus robuste qu'une décision basée uniquement sur une photographie.

---

4. Pourquoi ajouter les données électriques ?

C'est extrêmement important.

Une caméra RGB peut parfaitement voir une ombre, mais cela ne signifie pas nécessairement qu'elle entraîne une anomalie de maintenance importante.

Inversement, la caractéristique électrique peut montrer :

• diminution du courant ;
• mismatch entre modules ;
• modification de la courbe I–V ;
• activation d'une diode bypass ;
• diminution de $P_{MPP}$ ;
• apparition de plusieurs maxima sur la courbe P–V.

Ces comportements sous ombrage partiel sont bien documentés dans les travaux PV de Sandia/NREL. (PVP-MC)

Une approche intelligente est donc de calculer :

$$\Delta P=P_{\mathrm{attendue}}-P_{\mathrm{mesurée}}$$

puis :

$$Loss(\%)= \frac{P_{\mathrm{attendue}}-P_{\mathrm{mesurée}}} {P_{\mathrm{attendue}}}\times100$$

où $P_{\mathrm{attendue}}$ tient compte au minimum de l'irradiance et de la température. Les modèles de performance PV utilisent justement irradiance, température et caractéristiques électriques pour estimer le comportement attendu du module ou du champ. (PVP-MC)

---

5. Caméra RGB ou caméra thermique ?

Le meilleur système utilise les deux.

RGB

Très efficace pour reconnaître :

• ombre d'arbre ;
• poteau ;
• câble ;
• bâtiment ;
• autre rangée PV ;
• objet posé sur le module ;
• végétation.

YOLOv8n convient très bien à ce problème.

Infrarouge

Elle permet de rechercher les conséquences thermiques du mismatch électrique :

• cellule chaude ;
• zone chaude ;
• substring anormal ;
• diode bypass/anomalie associée ;
• différence de température entre modules.

La thermographie extérieure des centrales et modules PV fait d'ailleurs l'objet de la spécification IEC TS 62446-3, qui couvre notamment conditions environnementales, instrumentation, procédure d'inspection et classification des anomalies thermiques. (IEC Webstore)

Mais il faut éviter la règle simpliste :

« zone ombragée = zone froide »

Ce n'est pas toujours vrai électriquement. Une cellule affectée peut dans certaines situations devenir une zone de dissipation et donc être plus chaude que son environnement. (OSTI)

---

6. Dataset nécessaire

C'est probablement la partie la plus importante du projet.

Un excellent réseau entraîné sur un mauvais dataset donnera un mauvais système.

Votre dataset devrait contenir différentes :

• heures : matin, midi, soir ;
• orientations des panneaux ;
• saisons ;
• intensités d'irradiance ;
• conditions météorologiques ;
• installations ;
• technologies/modules ;
• angles de caméra ;
• distances drone–module ;
• ombres nettes et diffuses ;
• tailles d'ombre ;
• positions de l'ombre sur le module.

Vous devez également mettre beaucoup d'exemples difficiles :

text
ombre
vs
salissure

ombre
vs
reflet

ombre
vs
nuage

ombre
vs
cellule sombre

ombre
vs
module endommagé

hotspot lié à ombrage
vs
hotspot d'une autre origine

C'est souvent là que se décide la qualité réelle du système.

---

7. Annotation YOLOv8

Deux stratégies sont possibles.

Stratégie A — détecter le module ombragé

Vous annotez tout le module :

text
┌─────────────────────┐
│                     │
│      PANNEAU        │
│    /////////        │
│    //ombre//        │
│    /////////        │
│                     │
└─────────────────────┘

Bounding box = panneau complet
Classe = partial_shading

C'est simple et généralement efficace pour la maintenance.

Stratégie B — détecter précisément l'ombre

text
┌─────────────────────┐
│ panneau             │
│                     │
│        ┌──────┐     │
│        │ombre │     │
│        └──────┘     │
│                     │
└─────────────────────┘

Vous pouvez alors calculer approximativement :

$$R_{shade}= \frac{A_{shade\cap module}} {A_{module}}$$

Mais la surface ombragée ne doit pas être directement assimilée à la perte électrique : deux ombres de même superficie peuvent affecter différemment les cellules/substrings et les diodes bypass. (PVP-MC)

Pour mesurer réellement la surface de l'ombre, je préférerais même YOLOv8n-seg, qui fournit un masque, plutôt qu'une simple bounding box. YOLOv8 prend en charge la segmentation d'instances en plus de la détection. (Ultralytics Docs)

---

8. MobileNetV2 : organisation du dataset

Vous pourriez utiliser :

text
dataset/
│
├── train/
│   ├── normal/
│   ├── partial_shading/
│   ├── severe_shading/
│   ├── hotspot/
│   └── soiling/
│
├── validation/
│   ├── normal/
│   ├── partial_shading/
│   ├── severe_shading/
│   ├── hotspot/
│   └── soiling/
│
└── test/
    └── ...

Pour le transfert d'apprentissage :

python
base_model = MobileNetV2(
    weights="imagenet",
    include_top=False,
    input_shape=(224, 224, 3)
)

puis typiquement :

text
MobileNetV2
     ↓
GlobalAveragePooling
     ↓
Dropout
     ↓
Dense
     ↓
Softmax

Avec l'implémentation TensorFlow/Keras de MobileNetV2, preprocess_input ramène les valeurs d'entrée dans l'intervalle $[-1,1]$. (TensorFlow)

---

9. YOLOv8n : entraînement minimal

La logique est par exemple :

python
from ultralytics import YOLO

model = YOLO("yolov8n.pt")

model.train(
    data="pv_shading.yaml",
    epochs=100,
    imgsz=640,
    batch=16
)

avec un fichier :

yaml
path: dataset

train: images/train
val: images/val
test: images/test

names:
  0: normal_panel
  1: partial_shading
  2: severe_shading
  3: vegetation_shading

Ultralytics fournit directement les modes entraînement, validation, prédiction, export et benchmark pour ces modèles. (Ultralytics Docs)

---

10. Attention au découpage train/test

C'est une erreur très courante dans les projets PV.

Imaginons qu'un drone fasse une vidéo :

text
frame 001
frame 002
frame 003
frame 004
...

Ne mettez pas :

text
frame 001 -> train
frame 002 -> test
frame 003 -> train

Les images sont presque identiques.

Le réseau peut obtenir artificiellement :

text
Accuracy = 99 %

sans réellement généraliser.

Je recommande plutôt de séparer par :

text
site
+
date d'acquisition
+
rangée
+
séquence de vol

Par exemple :

text
Site A + Site B -> train
Site C          -> validation
Site D          -> test

Ce test est beaucoup plus sévère mais représente réellement la capacité du système à fonctionner sur une installation inconnue.

---

11. Les métriques importantes

Pour MobileNetV2 :

$$Accuracy$$

mais surtout :

$$Precision=\frac{TP}{TP+FP}$$ $$Recall=\frac{TP}{TP+FN}$$ $$F1= 2\frac{Precision\cdot Recall} {Precision+Recall}$$

et la matrice de confusion.

Pour YOLO :

• Precision ;
• Recall ;
• [email protected] ;
• [email protected]:0.95 ;
• IoU ;
• temps d'inférence.

Dans votre cas, le Recall de la classe ombrage est particulièrement important : un système qui ne génère presque jamais de fausses alarmes mais manque beaucoup de vrais cas d'ombrage n'est pas très utile.

---

12. Une amélioration importante : utiliser la dimension temporelle

Une seule image peut créer un faux diagnostic.

Considérez :

text
t = 0 s     ombre détectée
t = 1 s     ombre détectée
t = 2 s     ombre détectée
t = 3 s     aucune ombre

Probablement phénomène temporaire.

Mais :

text
08:00 -> ombrage
08:10 -> ombrage
08:20 -> ombrage
...
10:00 -> ombrage

le système possède davantage d'éléments pour considérer l'événement comme significatif.

Vous pouvez donc ajouter un filtre :

$$Alarm = Vision \cap Persistence \cap ElectricalImpact$$

plutôt que :

$$Alarm = Vision$$

C'est une différence majeure entre un prototype de Deep Learning et un véritable système de diagnostic PV.

---

13. Système final que je développerais

Je proposerais cette architecture :

text
DRONE / CAMÉRA FIXE
        │
        ├──────────── RGB ────────────────┐
        │                                 │
        │                            YOLOv8-nano
        │                                 │
        │                        localisation ombrage
        │                                 │
        └──────────── IR ─────────────────┤
                                          │
                                   MobileNetV2
                                          │
                                 diagnostic thermique
                                          │
                                          ▼
                                  FUSION DES DONNÉES
                                          │
                      ┌───────────────────┼───────────────────┐
                      │                   │                   │
                 irradiance          V/I/P string      historique
                      │                   │                   │
                      └───────────────────┼───────────────────┘
                                          ▼
                                  MOTEUR DE DÉCISION
                                          │
                  ┌───────────────────────┴────────────────────────┐
                  ▼                                                ▼
              NORMAL                                        OMBRAGE
                                                               │
                                                  ┌────────────┼────────────┐
                                                  ▼            ▼            ▼
                                                faible       moyen        sévère
                                                  │            │            │
                                                  └────────────┼────────────┘
                                                               ▼
                                                      alerte maintenance

C'est l'approche que je trouve la plus pertinente pour votre cas : YOLOv8n voit et localise l'ombrage, MobileNetV2 apporte une classification légère, et les mesures électriques/thermiques servent à confirmer que l'ombre est réellement problématique.

YOLO peut ensuite être exporté vers ONNX, TensorRT, OpenVINO et plusieurs autres formats, ce qui facilite un déploiement sur PC industriel ou matériel embarqué. (Ultralytics Docs)

Le point scientifique central

Si votre objectif est un mémoire, PFE, master ou article scientifique, ne formulez pas simplement le problème comme :

« détecter une ombre avec YOLO ».

Un sujet nettement plus solide serait :

« Détection, localisation et diagnostic automatique de l'ombrage partiel dans les systèmes photovoltaïques par fusion d'imagerie RGB/thermique et de données électriques, utilisant YOLOv8-nano et MobileNetV2. »

Cela vous permet d'étudier séparément détection → localisation → classification → sévérité → validation électrique → décision de maintenance, ce qui correspond beaucoup mieux au problème physique réel de l'ombrage photovoltaïque.