A fault classification for defective solar cells in electroluminescence imagery based on deep learning approach
Derin öğrenme yaklaşımına dayanarak elektrolüminesans görüntülerindeki kusurlu güneş hücreleri için hata sınıflandırması
- Tez No: 830968
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nüfusun artması ve teknolojideki ilerlemeler nedeniyle küresel enerji talebi, kullanılabilirliği aşılmaktadır. Gelecekteki enerji tüketiminin karşılanması için güvenilir, ekonomik ve sürdürülebilir enerji kaynağına yaklaşmak için. Fotovoltaik (PV) enerji de dahil olmak üzere tüm alternatif enerji kaynakları, enerji kriziyle birlikte devam eden bu sorunları çözmek için hayatta kalma kaynağı olma potansiyeline sahiptir. Fotovoltaik (PV) sistemlerinde, çevredeki ortamın dinamik ve değişken özelliklerine tabidir ve bu da çeşitli kusurların ortaya çıkmasına neden olabilir. Fotovoltaik panelin kusurlarının, kırıntılarının ve arızalarının temizliğinin korunmasını sağlamak için herhangi bir kusurun kusur tespiti ve kırılması önemlidir. Manuel veya görsel kontrol sınırlamaları ve PV modüllerinin artan üretimi nedeniyle fotovoltaik (PV) kullanımı otomatik hata tespitinin önemi artmaktadır. Bu çalışma amacı, daha spesifik olarak Evrişimli Sinir Ağları CNN'nin kan yoluyla, PV görünümlerindeki EL görüntülerindeki kusurları doğru bir şekilde sınıflandırabilen ve tespit edebilen bir derin öğrenme sistemidir. bölgedeki bir şekilde, önerilen PV arıza tespit modeli, mevcut olanları çözerek bulunan PV arıza tespit sistemlerinden daha iyi gösterildi. Önerilen model ayrıca doğruluk, kayıp, geri çağırma, f1 görüntüleri ve kesinlik açısından değerlendirildi. Hassasiyet %97,4 ve doğruluk %91,2 idi. daha spesifik olarak Evrişimli Sinir Ağları CNN'nin kan yoluyla, PV kayıtlarındaki EL görüntülerindeki kusurları doğru bir şekilde sınıflandırabilen ve tespit edilebilen bir derin öğrenme sistemi gelişir. bölgedeki bir şekilde, önerilen PV arıza tespit modeli, mevcut olanları çözerek bulunan PV arıza tespit sistemlerinden daha iyi gösterildi. Önerilen model ayrıca doğruluk, kayıp, geri çağırma, f1 görüntüleri ve kesinlik açısından değerlendirildi. Hassasiyet %97,4 ve doğruluk %91,2 idi. daha spesifik olarak Evrişimli Sinir Ağları CNN'nin kan yoluyla, PV kayıtlarındaki EL görüntülerindeki kusurları doğru bir şekilde sınıflandırabilen ve tespit edilebilen bir derin öğrenme sistemi gelişir. bölgedeki bir şekilde, önerilen PV arıza tespit modeli, mevcut olanları çözerek bulunan PV arıza tespit sistemlerinden daha iyi gösterildi. Önerilen model ayrıca doğruluk, kayıp, geri çağırma, f1 görüntüleri ve kesinlik açısından değerlendirildi. Hassasiyet %97,4 ve doğruluk %91,2 idi. Önerilen model ayrıca doğruluk, kayıp, geri çağırma, f1 görüntüleri ve kesinlik açısından değerlendirildi. Hassasiyet %97,4 ve doğruluk %91,2 idi. Önerilen model ayrıca doğruluk, kayıp, geri çağırma, f1 görüntüleri ve kesinlik açısından değerlendirildi. Hassasiyet %97,4 ve doğruluk %91,2 idi.
Özet (Çeviri)
The global demand for energy is surpassing its availability owing to the increase in population and advancements in technology. It is essential to move closer to a dependable, economical, and sustainable renewable energy source to meet future energy demands. All alternative energy sources, including photovoltaic (PV) energy, have the potential to be renewable resources that can be used to address these ongoing issues with the energy crisis. Photovoltaic (PV) systems are subject to the dynamic and fluctuating nature of the surrounding environment, which can lead to the manifestation of a diverse array of defects. It is essential to promptly identify and rectify any defects in order to ensure that the photovoltaic panel's efficiency, endurance, and durability remain uncompromised. The significance of automated defect detection is increasing in the photovoltaic (PV) industry due to the limitations of manual or visual inspection and the expanding production of PV modules. The aim of this study is to develop a deep learning system that can accurately classify and detect defects in EL images of PV cells, more specifically through implementing Convolutional Neural Networks CNN. Surprisingly, the suggested PV fault detection model outperformed commercially available PV fault detection systems by resolving existing challenges. The proposed model was further evaluated in terms of accuracy, loss, recall, f1 measure, and precision. The precision measure was 97.4% and the accuracy was 91.2%.
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
- 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
- Vısıon transformer ve yolo tabanlı hatalı ürün tespit-sınıflandırma sistemi
Vision transformer and yolo-based faulty product detection-classification system
IBRAHIMA KALIL CONDE
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SOLAK
- A sensor-driven machine learning pipeline and llm-based decision support agent for plastic injection molding quality control
Plastik enjeksiyon kalıplama kalite kontrolü için sensör tabanlı makine öğrenmesi hattı ve llm tabanlı karar destek ajanı
EYYÜB BATUHAN ÜNAL
Yüksek Lisans
İngilizce
2026
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ ERİNÇ ALBEY
- Fault detection and diagnostics in universal motors by signal processing
Universal motorlarda sinyal işleme yordamları ile arıza sezme ve tanımlama
CANDEMİR ÇELİK
Yüksek Lisans
İngilizce
1996
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiPROF.DR. BÜLENT SANKUR