Detection of faulty solar panels using artificial intellegence methods
Yapay zekâ yöntemleri kullanılarak arızalı güneş panellerinin tespiti
- Tez No: 814843
- Danışmanlar: DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Güneş enerjisi, yenilenebilir bir enerji kaynağı olarak popülerlik kazanmaktadır, ancak güneş panellerinin verimliliğini korumak, potansiyel hatalar nedeniyle önemli enerji üretim kayıplarına neden olabilecek zorluklar yaratmaktadır. Bu tezin amacı, hatalı güneş panellerini tespit etmek için derin öğrenme tekniklerini kullanarak doğru ve güvenilir bir sınıflandırma modeli geliştirmektir. Önerilen yöntem, Evrişimli Sinir Ağları (CNN'ler) ve aktarma öğrenme tekniklerine dayanarak yüksek doğruluk elde etmek için kullanılmaktadır ve önerilen CNN modelini kullanarak hatalı güneş panellerini %93 doğrulukla sınıflandırmaktadır. Aktarma öğrenme mimarileri olan DenseNet121, ResNet50, MobileNetV2 ve Xception modelleri ise sırasıyla %81.66, %51.21, %77.47 ve %90.31 doğruluk oranlarıyla uygulanmıştır. Bu çalışma, uygun veri ön işleme yöntemleriyle birlikte derin öğrenme tekniklerinin kullanılmasının, hatalı güneş panellerinin sınıflandırmasını geliştirmede etkinliğini göstermektedir.
Özet (Çeviri)
Solar energy is gaining popularity as a renewable energy source, but maintaining the efficiency of solar panels poses challenges due to potential defects that can lead to significant energy production losses. The objective of this thesis is to develop an accurate and robust classification model using deep learning techniques to detect faulty solar panels. The proposed method relies on Convolutional Neural Networks (CNNs) and transfer learning techniques to achieve high accuracy, reaching 93% in accurately classifying faulty solar panels using the proposed CNN model. The transfer learning architectures are DenseNet121, ResNet50, MobileNetV2, and Xception models, were implemented with accuracies of 81.66%, 51.21%, 77.47%, and 90.31% respectively. This study demonstrates the effectiveness of employing deep learning techniques alongside suitable data preprocessing methods to develop the classification of defective solar panels.
Benzer Tezler
- Detection of faulty solar panels us-ing artificial intelligence techniques
Yapay zekâ teknikleriyle arızalı güneş panellerinin tespiti
ASMAIL ABRAHIM FANIAR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CİHAT ŞEKER
- Transfer öğrenme tabanlı derin öğrenme modelleri kullanılarak güneş panellerindeki temiz ve hatalı görüntülerin sınıflandırılması
Classification of clean and faulty images in solar panels using transfer learning based deep learning models
ROJBİN AKINCA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiYenilenebilir Enerji Kaynakları Ana Bilim Dalı
DOÇ. DR. MEHMET EMİN ASKER
- Termal İHA görüntüleri kullanılarak güneş panellerindeki arızaların tespiti
Detection of faults in solar panels using thermal UAV images
KUTLUHAN GÜMRÜKÇÜOĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYRETTİN ACAR
- 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
CoğrafyaEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. UĞUR AVDAN
- Güneş panellerinin dört rotorlu iha kullanılarak termografi yöntemiyle derin öğrenme tabanlı hata tespit ve teşhisi
Deep learning based fault detection and diagnosis of solar panels using four rotor uav with termography method
BARIŞ KAYCI
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BATIKAN ERDEM DEMİR