Geri Dön

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

PDF İndir

  1. Tez No: 1016013
  2. Yazar: HAKAN TATAR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED FURKAN KÜÇÜK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Endüstriyel üretim sahalarında üretimdeki kalite kontrol ve kusur tespit süreçlerinin otomatikleştirilmesi, üretim güvenilirliğinin ve veriminin artırılması açısından kritik bir öneme sahiptir. Makine öğrenmesi tabanlı sistemler uzun yıllardır bu uygulamalarda kullanılmakta olup; son dönemlerde derin öğrenme yaklaşımları özellik çıkarımı ve sınıflandırma süreçlerini bütünleşik bir yapı altında ele alarak bu alanda önemli gelişmeler sağlamıştır. Gerçekleştirilen bu tez çalışmasında, gerçek bir üretim sahasındaki kusurların tespiti amacıyla gömülü sisteme uyum sağlayabilen, hesaplama maliyeti düşük bir Evrişimli Sinir Ağı mimarisi önerilmektedir. Çalışma kapsamında kullanılan görüntüler, PV paneller için JB üretimi yapılan bir fabrikadan toplanarak özgün ve pratikte kullanılabilir bir veri seti oluşturulmuştur. Bu görüntülere model girişinden önce Sobel operatörü ile kenar tabanlı bir ön işleme adımı uygulanmıştır. Böylelikle görüntülerde bulunan süreksizlikler belirginleştirilmiş ve gradyan büyüklüğü temelli temsiller oluşturulmuştur. Elde edilen veriler daha sonra modele giriş olarak verilmiş ve eğitim gerçekleştirilmiştir. Çalışmanın ilerleyen aşamalarında önerilen modelin performansının değerlendirilebilmesi amacıyla aynı veriler transfer öğrenme tabanlı MobileNetV2 mimarisi ile eğitilmiştir. Eğitilen her iki modele ait başarı parametreleri paylaşılarak karşılaştırılmıştır. Bu karşılaştırma hem çevrim dışı hem de gerçek zamanlı olarak test edilmiştir. Endüstriyel üretim sahalarında üretimdeki kalite kontrol ve kusur tespit süreçlerinin otomatikleştirilmesi, üretim güvenilirliğinin ve veriminin artırılması açısından kritik bir öneme sahiptir. Makine öğrenmesi tabanlı sistemler uzun yıllardır bu uygulamalarda kullanılmakta olup; son dönemlerde derin öğrenme yaklaşımları özellik çıkarımı ve sınıflandırma süreçlerini bütünleşik bir yapı altında ele alarak bu alanda önemli gelişmeler sağlamıştır. Gerçekleştirilen bu tez çalışmasında, gerçek bir üretim sahasındaki kusurların tespiti amacıyla gömülü sisteme uyum sağlayabilen, hesaplama maliyeti düşük bir Evrişimli Sinir Ağı mimarisi önerilmektedir. Çalışma kapsamında kullanılan görüntüler, PV paneller için JB üretimi yapılan bir fabrikadan toplanarak özgün ve pratikte kullanılabilir bir veri seti oluşturulmuştur. Bu görüntülere model girişinden önce Sobel operatörü ile kenar tabanlı bir ön işleme adımı uygulanmıştır. Böylelikle görüntülerde bulunan süreksizlikler belirginleştirilmiş ve gradyan büyüklüğü temelli temsiller oluşturulmuştur. Elde edilen veriler daha sonra modele giriş olarak verilmiş ve eğitim gerçekleştirilmiştir. Çalışmanın ilerleyen aşamalarında önerilen modelin performansının değerlendirilebilmesi amacıyla aynı veriler transfer öğrenme tabanlı MobileNetV2 mimarisi ile eğitilmiştir. Eğitilen her iki modele ait başarı parametreleri paylaşılarak karşılaştırılmıştır. Bu karşılaştırma hem çevrim dışı hem de gerçek zamanlı olarak test edilmiştir. Çalışmanın son aşamasında her iki model de Raspberry Pi'a aktarılarak gerçek zamanlı çıkarım için denemeler yapılmıştır. Çalışma sonucunda önerilen modelin çok daha az parametre sayısı, uygun maliyeti ve düşük işlem gereksinimi ile MobileNetV2 mimarisine bir alternatif olabileceği görülmektedir.

Özet (Çeviri)

Automating quality control and defect detection processes in industrial production areas is critical for increasing production reliability and efficiency. Machine learning-based systems have been used in these applications for many years; recently, deep learning approaches have made significant progress in this field by integrating feature extraction and classification processes. This thesis proposes a low-computational-cost Convolutional Neural Network architecture that can be adapted to embedded systems for the purpose of detecting defects in a real production area. The images used in the study were collected from a factory producing JB for PV panels, creating a unique and practically usable dataset. Before model input, an edge-based preprocessing step was applied to these images using the Sobel operator. This highlighted discontinuities in the images and created gradient magnitude-based representations. The obtained data was then fed as input to the model, and training was performed. Automating quality control and defect detection processes in industrial production areas is critical for increasing production reliability and efficiency. Machine learning-based systems have been used in these applications for many years; recently, deep learning approaches have made significant progress in this field by integrating feature extraction and classification processes. This thesis proposes a low-computational-cost Convolutional Neural Network architecture that can be adapted to embedded systems for the purpose of detecting defects in a real production area. The images used in the study were collected from a factory producing JB for PV panels, creating a unique and practically usable dataset. Before model input, an edge-based preprocessing step was applied to these images using the Sobel operator. This highlighted discontinuities in the images and created gradient magnitude-based representations. The obtained data was then fed as input to the model, and training was performed. In the later stages of the study, the same data was trained with the transfer learning-based MobileNetV2 architecture to evaluate the performance of the proposed model. The success parameters of both trained models were shared and compared. This comparison was tested both offline and in real-time. In the final stage of the study, both models were transferred to Raspberry Pi and experiments were conducted for real-time inference. As a result of the study, it was observed that the proposed model, with its much smaller number of parameters, reasonable cost, and low computational requirements, could be an alternative to the MobileNetV2 architecture.

Benzer Tezler

  1. Tez No

    895577

    Nemli ısı testi altında fotovoltaik modüllerde degradasyon kinetiğinin modellenmesi

    Modeling of degradation kinetics in photovoltaic modules under damp heat testing

    MELİKENUR GENÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriGebze Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDÜLKERİM GÖK

  2. Tez No

    779432

    Farklı gölgelenme örüntüleri ve fotovoltaik bağlantı türleriyle pıl tabanlı maksimum güç noktası takip sisteminin incelenmesi

    Investigation of pil based maximum power point tracking system with diffrent shading patterns and photovoltaic connection types

    ÇAĞRI BATUHAN OĞUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EnerjiDüzce Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE AVCI

    DOÇ. DR. SALİH BARIŞ ÖZTÜRK

  3. Tez No

    937482

    Performance, design and interconnection optimization of shingled solar cell for a photovoltaic module application

    Fotovoltaik modül uygulamalarında kiremitli güneş hücrelerinin performans, tasarım ve ara bağlantı optimizasyonu

    MERYEM EZGİ KARAHALLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik BilimleriOrta Doğu Teknik Üniversitesi

    Mikro ve Nanoteknoloji Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. RAŞİT TURAN

    DOÇ. DR. TALAT ÖZDEN

  4. Tez No

    738268

    Fotovoltaik santrallerinin şebeke bağlantısı için uygun bara seçimi

    Suitable busbar selection for grid connection in PV plants

    ALİ HAKAN ÇOLAKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERDAR ÖZYÖN

  5. Tez No

    776450

    Fotovoltaik enerji santrallerinde panellere ait verilerin uzaktan erişim ile izlenmesi ve kayıt altına alınması

    Monitoring and recording panel data by remote access in photovoltaic power plants

    MUHAMMET ŞAMİL KALAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    EnerjiMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAFAK SAĞLAM

    DR. BEYHAN KILIÇ

Geri Dön