Detection of solar panel defects in electroluminescence images using deep learning
Derin öğrenme kullanılarak elektrolüminesans görüntülerinde güneş paneli hatalarının tespiti
- Tez No: 847508
- Danışmanlar: DOÇ. DR. HAKAN KUTUCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Aşırı sıcaklık dalgalanmaları ve diğer çevresel stresler, fotovoltaik (PV) hücre üretim endüstrisindeki arızaların tipik nedenleridir. Manuel incelemeler eskiden bu kusurları bulmak için başvurulan yöntemdi. Ancak bu yaklaşımı kullanırken hata yapma ihtimali vardır ve süreç uzun olabilir. Masraf da hızla artabilir. Çalışmamızda bu zorlukların üstesinden gelmek için derin öğrenme yöntemlerinden yararlanılmaktadır. Bu yöntemler kullanılarak PV modüllerindeki sorunlar otomatik olarak tespit edilebilir. Bu çalışmada kendi inşa ettiğimiz evrişimsel sinir ağı (CNN) dahil olmak üzere birkaç model kullandık. Ayrıca önceden eğitilmiş olan InceptionV3 ve ResNet-50 modelleri de kullanıldı. Son olarak InceptionV3 ve ResNet-50 modellerinin özelliklerini birleştiren hibrit bir model oluşturduk. Arızalı ve arızasız PV hücrelerini ayırt etmek için 2.624 elektrolüminesans (EL) resminden oluşan bir veri kümesi üzerinde ikili sınıflandırma algoritması kullandık. ResNet-50 modeli %91 doğruluk oranıyla diğerlerinden üstün performans gösterdi. Bu, InceptionV3 modelinin %90,88 doğruluğundan biraz daha doğrudur. Özel CNN modelleri %89,47 ile en az doğruluğa sahip modeller oldu. Değiştirilmiş bir model kullandık ve diğerlerinden daha iyi performans gösterdi. %98,43'lük doğruluk yüzdesi oldukça dikkat çekicidir. Hem önceden eğitilmiş hem de özel olarak tasarlanmış derin öğrenme modellerinin, PV modüllerindeki sorunları tespit edebildiği gösterilmiştir. Sonuç olarak, işlem gücü ve mevcut kaynaklar gibi değişkenler, bu modellerin belirli bir amaç için çalışmasını sağlayacak şekilde ayarlanabilir. Bu çalışmaya göre araştırmacılar, makine öğreniminin yenilenebilir enerji sistemlerini önemli ölçüde iyileştirdiğini gösterdi. Güneş enerjisi sektörü, kritik kalite kontrol operasyonlarını otomatikleştirerek büyük kazanç elde edecek gibi görünüyor.
Özet (Çeviri)
Extreme temperature swings and other environmental stresses are typical causes of breakdowns in the photovoltaic (PV) cell production industry. Manual inspections were formerly the go-to method for finding these defects. Nevertheless, there is a chance of making errors, and the process might be lengthy when utilising this approach. The expense might add up quickly as well. Our study makes use of deep learning methods to address these difficulties. Problems with PV modules may be detected automatically using these methods. During our assessment, we used many models, including an internally developed convolutional neural network (CNN). The InceptionV3 and ResNet-50 models, which were pre-trained, were also used. Moreover, we created a hybrid model that integrates characteristics from the InceptionV3 and ResNet-50 models. We used a binary classification algorithm on a dataset of 2,624 electroluminescence (EL) pictures to distinguish between PV cells with and without faults. With a 91% accuracy rate, the ResNet-50 model outperformed the others. This is marginally more accurate than the 90.88% accuracy of the InceptionV3 model. At 89.47%, the custom CNN models were the least accurate. We employed a modified model, and it outperformed all of the others. Its 98.43% accuracy percentage is quite remarkable. It has been shown that both pre-trained and custom-designed deep learning models are capable of identifying problems in PV modules. As a result, variables like processing power and available resources may be adjusted to make these models work for a particular purpose. Researchers have shown that machine learning significantly improves renewable energy systems, according to this study. The solar business stands to gain a great deal by automating crucial quality control operations.
Benzer Tezler
- Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
MUSTAFA YUSUF DEMİRCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Fotovoltaik elektrolüminesans görüntülerindeki bara kusurlarının derin öğrenme yöntemleri ile tespiti
Detection of busbar defects in photovoltai̇c electrolumi̇nescence i̇mages by deep learning methods
SAHRA ŞİMŞEK KAYA
Yüksek Lisans
Türkçe
2024
EnerjiHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR GÜMÜŞÇÜ
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
- 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
FEED AL-LAMI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Güneş paneli kusurlarının derin öğrenme tabanlı sınıflandırılması
Classification of solar panels defects based on deep learning
SEBAHATTİN YİĞİT LERMİ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞBA ÖZGE ONUR
- Derin öğrenme tabanlı segmentasyon yaklaşımları ile güneş panellerinin otomatik verimlilik tespiti
Automatic efficiency detection of solar panels using deep learning-based segmentation approaches
SÜMEYYE YANILMAZ
Yüksek Lisans
Türkçe
2024
EnerjiBingöl ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER ASLAN