Derin öğrenme algoritmaları kullanılarak elektrolüminesans görüntüleri ile fotovoltaik hücrelerde kusur tespiti
Defect detection in photovoltaic cells with electroluminescence images using deep learning algorithms
- Tez No: 1003470
- Danışmanlar: PROF. DR. AYHAN İSTANBULLU
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Energy, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Güneş hücreleri, Sayısal görüntü işleme, Computer imaging, Solar cells, Digital image processing
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güneş enerjisi santrallerinin küresel ölçekte artan kurulum kapasitesi, PV modüllerin işletme ömrü ve verimliliğinin sürdürülebilirliğini kritik bir mühendislik problemi hâline getirmiştir. Üretim, nakliye ve saha montajı süreçlerinde hücre yüzeyinde oluşan mikro çatlaklar ve yapısal deformasyonlar, zamanla ciddi enerji kayıplarına neden olmaktadır. Bu kusurların tespitinde kullanılan EL görüntüleme tekniği endüstriyel standart olsa da elde edilen görüntülerin manuel analizi yüksek uzmanlık gerektirmekte ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında, PV hücre kusurlarının otonom, hızlı ve piksel hassasiyetinde tespiti için nesne tespiti ve bölütleme yaklaşımlarını birleştiren hibrit derin öğrenme mimarisi önerilmiştir. Çalışma kapsamında, literatürdeki güncel tek aşamalı tespit algoritmalarından YOLOv11 mimarisi ile temel segmentasyon modeli olan SAM 2 entegre edilmiştir. Önerilen yöntem, YOLOv11 aracılığıyla kusurların konumunu sınırlayıcı kutularla belirlemekte ve bu koordinatları“kutu istemi”olarak SAM 2 modeline ileterek kusurların morfolojik sınırlarını hassas şekilde maskelemektedir. Modelin eğitimi ve testi, EL2021 v10 açık kaynak veri seti ve saha çalışmalarından elde edilen özgün görüntülerin birleştirilmesiyle oluşturulan, toplam 13.631 görselden oluşan kapsamlı veri havuzu üzerinde gerçekleştirilmiştir. Deneysel sonuçlar, geliştirilen hibrit modelin“black_core”,“crack”,“finger”,“horizontal_dislocation”,“short_circuit”,“star_crack”ve“thick_line”kusur sınıfları genelinde 0.885 [email protected] değerine ulaştığını göstermektedir. Sınıf bazlı analizlerde,“black core”ve“short circuit”gibi belirgin kusurlar %99,5 gibi yüksek AP ile tespit edilirken, tespitin en zor olduğu çatlak sınıfında da literatürle rekabetçi sonuçlar elde edilmiştir. Bu çalışma, YOLOv11'in gerçek zamanlı tespit hızı ile SAM 2'nin“zero-shot”segmentasyon yeteneğini birleştirerek, manuel etiketleme maliyetlerini düşüren ve endüstriyel kalite kontrol süreçlerinde uygulanabilir, yüksek doğruluklu otonom sistem ortaya koymaktadır.
Özet (Çeviri)
The rapidly increasing global installed capacity of solar power plants has made the sustainability of the operational lifetime and efficiency of PV modules a critical engineering challenge. Microcracks and structural deformations occurring on cell surfaces during manufacturing, transportation, and on-site installation processes lead to significant energy losses over time. Although EL imaging is an industrial standard for detecting such defects, the manual analysis of EL images requires substantial expertise and is highly time-consuming. In this thesis, a hybrid deep learning architecture that combines object detection and segmentation approaches is proposed for the autonomous, fast, and pixel-accurate detection of PV cell defects. Within the scope of the study, the state-of-the-art single-stage detection architecture YOLOv11 is integrated with the foundational segmentation model SAM 2. The proposed method first localizes defects using bounding boxes generated by YOLOv11 and subsequently transfers these coordinates to SAM 2 as box prompts, enabling precise masking of the morphological boundaries of defects. Model training and evaluation were conducted on a comprehensive dataset comprising a total of 13,631 images, constructed by combining the open-source EL2021 v10 dataset with original field-acquired EL images. Experimental results demonstrate that the proposed hybrid model achieves a [email protected] score of 0.885 across the defect classes black_core, crack, finger, horizontal_dislocation, short_circuit, star_crack, and thick_line. Class-wise analysis reveals that visually prominent defects such as black core and short circuit are detected with exceptionally high average precision values of up to 99.5%, while competitive performance is also achieved for the crack class, which is known to be the most challenging to detect. By combining the real-time detection capability of YOLOv11 with the zero-shot segmentation ability of SAM 2, this study presents a high-accuracy, industrially applicable autonomous inspection system that significantly reduces manual annotation costs and enhances quality control processes in photovoltaic module inspection.
Benzer Tezler
- Derin öğrenme algoritmaları kullanılarak gerçek zamanlı silah tanıma uygulaması
Real-time handgun detection application using deep learning algorithms
ALİ AKDAĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SABRİ KOÇER
- Derin öğrenme algoritmaları kullanılarak çay alanlarının otomatik segmentasyonu
Automatic segmentation of tea fields by using deep learning algorithms
SALİH BOZKURT
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Derin öğrenme algoritmaları kullanılarak döner kanatlı insansız hava aracı görüntülerinden haşhaş, kenevir ve tütün bitkilerinin tespiti
Detection of poppy, hemp, and tobacco plants from images of rotary-wing unmanned aerial vehicles using deep learning algorithms
MUHAMMED MÜCAHİT ARVAS
Yüksek Lisans
Türkçe
2022
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. RECEP ÖZDAĞ
- Derin öğrenme algoritmaları kullanılarak göz bebeği tespiti
Pupil detection using deep learning algorithms
HATİCE KÜBRA KÜÇÜKKARTAL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT AKINLAR
- Derin öğrenme algoritmaları kullanılarak EEG sinyallerinden yalan tespiti
Lie detection from EEG signals using deep learning algorithms
MUSA ASLAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET BAYKARA