Image-based fault detectıon ın photovoltaıc panels usıngmachıne learnıng
Makıne öğrenımı kullanılarak fotovoltaık panellerdegörüntü tabanlı arıza tespıtı
- Tez No: 1004562
- Danışmanlar: DOÇ. DR. CEVAT RAHEBİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Destek vektör makineleri, Elektrolüminesans, Fotovoltaik enerji, Makine öğrenmesi, Deep learning, Support vector machines, Electroluminescence, Photovoltaic energy, Machine learning
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Topkapı Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada yazarlar, kısıtlı veri setleri ve sınırlı hesaplama kaynakları altında, güneş ya da“fotovoltaik”(PV) hücrelerde arızalı hücrelerin otomatik olarak tespit edilmesi için hafif bir, görüntü tabanlı makine öğrenmesi yaklaşımının kullanımını tartışmaktadır. Yazarlar, güneş hücrelerinin elektrolüminesans görüntülerinden oluşan, kamuya açık ELPV kıyaslama (benchmark) görüntü veri setini kullanmaktadır. Çalışmada, arızalı ve arızasız güneş hücrelerinin ayrımına ilişkin problem, ikili sınıflandırma (binary classification) problemi olarak formüle edilmektedir. Bu ikili sınıflandırma problemi için iki farklı işlem hattı (pipeline) önerilmektedir. İlk yaklaşımda yazarlar, anahtar nokta (keypoint) temelli yerel görüntü tanımlayıcılarının, yerel tanımlayıcıların vektörü (VLAD – Vector of Locally Aggregated Descriptors) ve doğrusal bir Destek Vektör Makineleri (SVM) sınıflandırıcısının birlikte kullanıldığı geleneksel bir bilgisayarlı görü paradigmasını izlemektedir. Yazarlar ayrıca, transfer öğrenmesi (transfer learning) kavramından esinlenen bir derin öğrenme yaklaşımını da ele almaktadır. Ancak, VGG19 Evrişimsel Sinir Ağı (CNN) modeli, güneş hücresi görüntüleriyle kullanılmak üzere yazarlar tarafından uyarlanmıştır. Önerilen yaklaşımların performanslarını değerlendirmek için doğruluk (accuracy), kesinlik (precision), karmaşıklık matrisi (confusion matrix) ve ROC eğrileri gibi çeşitli parametreler kullanılmaktadır. Yapılan analizler sonucunda, VGG19 yaklaşımının çoğunluk sınıfına güçlü bir baskınlık gösterdiği, bu nedenle yüksek doğruluk değerleri elde edilmesine rağmen arızalı hücrelerin tespitinde zayıf performans sergilediği görülmektedir. Buna karşılık, yazarların önerdiği ORB-VLAD-SVM yaklaşımı genel doğruluk açısından daha düşük sonuçlar üretse de, arızalı hücreleri daha iyi tespit etmekte ve bu nedenle dengesiz güneş hücresi veri seti için daha yüksek dayanıklılık (robustluk) sağlamaktadır.
Özet (Çeviri)
In this study , the authors discuss the use of a light-weight image-based machine learning paradigm for automated faulty cell identification for solar, or 'photovoltaic' (PV), cells within constrained data sets and computing requirements. The authors use the publicly accessible ELPV benchmark image dataset of electroluminescence images of solar cells. The authors formulate the problem of the discrimination of faulty vs. non-faulty solar cells, using a binary classification problem. Two different pipelines are proposed for this binary classification problem. In the first approach, the authors follow a traditional computer vision paradigm that integrates the use of keypoints-based local image descriptors, vector of locally Aggregated Descriptors (VLAD), and a linear Support Vector Machine (SVM) classifier. The authors also follow a deep learning approach that is inspired by the concept of transfer learning. However, the authors modify the VGG19 CNN model for use with solar cell images. The authors use various parameters, including accuracy, precision, confusion matrices, and ROC graphs, for the evaluation of the performances of the proposed approaches. By the analyses, it appears that the VGG19 approach demonstrates a high level of majority class predominance, leading to high accuracy of results, but poor faulty cell identification. However, the authors' proposed ORB-VLAD-SVM approach demonstrates lower accuracy of results, but better faulty cell identification, hence better robustness for the imbalanced solar cell dataset.
Benzer Tezler
- Güneş enerji sistemlerindeki fotovoltaik hücre çatlaklarının elektrolüminesans görüntüler üzerinden makine öğrenmesi tabanlı yaklaşımlarla tespiti ve sınıflandırması
Detection and classification of photovoltaic cell cracks in solar energy systems using machine learning based approaches via
ZÜBEYİR FURKAN HAROĞLU
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DOÇ. DR. FATİH DEMİR
- Fotovoltaik bağlantı kutusu üretim sürecindeki hataların derin öğrenme modelleri ile tespitine yönelik gerçek zamanlı sistem tasarımı
Real-time system design for detecting faults in photovoltaic junction box manufacturing process using deep learning models
HAKAN TATAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FURKAN KÜÇÜK
- Güneş panellerinde termal kameralı insansız hava aracı kullanılarak derin öğrenme tabanlı arıza tespiti
Deep learning-based fault detection using thermal camera-equipped unmanned aerial vehicles in solar panels
ENES BUĞRA ACAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİzmir Bakırçay ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BAYRAM KÖSE
- Fotovoltaik güneş panellerinin uydu görüntü işleme ve füzyon teknikleri kullanılarak tespiti: Konya Çumra örneği
Detection of photovoltaic solar panels using satellite image processing and fusion techniques: The case of Konya Cumra
ORHAN ÜMİT
Yüksek Lisans
Türkçe
2025
EnerjiEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. UĞUR AVDAN
- Fotovoltaik enerji santrallerinde yolo tabanlı görüntü işleme algoritmaları ile sıcak nokta anomalilerinin tespiti
Detection of hot spot anomalies in photovoltaic power plants using yolo-based image processing algorithms
MUSTAFA DANACI
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBurdur Mehmet Akif Ersoy ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇİFCİ