Güneş paneli kusurlarının derin öğrenme tabanlı sınıflandırılması
Classification of solar panels defects based on deep learning
- Tez No: 897922
- Danışmanlar: DR. ÖĞR. ÜYESİ TUĞBA ÖZGE ONUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Yenilenemez enerji kaynaklarının çevreye ve ekolojiye verdiği zararlar, yenilenebilir enerji kaynaklarına olan ilginin artmasına neden olmaktadır. Fotovoltaik (FV) enerji üretimi, temiz ve sürdürülebilir enerji üretimi için mükemmel enerji alternatiflerinden biridir. FV paneller üzerindeki kar, toz, kuş pisliği, mekaniksel hasar, fiziksel hasar ve gölgelenme gibi etkenler enerji üretimindeki verimi azaltmaktadır ve bu yüzden panel bakımı düzenli olarak yapılmalıdır. Bakımlar manuel olarak yapıldığında hatalar olmakta ve uzun zaman almaktadır. Bu nedenle güneş paneli kusurları son zamanlarda geliştirilen görüntü işleme ve derin öğrenme algoritmaları kullanılarak tespit edilebilmektedir. Bu çalışmada, derin öğrenme tekniği kullanılarak güneş panelleri üzerinde hasar tespiti sınıflandırması yapılmıştır. Çalışma iki aşamadan oluşmaktadır. İlk aşama, ön işleme aşamasıdır ve bu aşamada veri setinin yetersiz olması nedeniyle veri seti görüntüyü döndürme, görüntünün simetriğini alma ve görüntüye gürültü ekleme gibi veri çoğaltma teknikleri kullanılarak arttırılmıştır. İkinci aşama olan eğitim aşamasında ise çoğaltılan veri seti önerilen derin öğrenme modeliyle eğitilmiştir. Ayrıca veri seti önceden eğitilmiş VGG-19, InceptionV3 ve Resnet101 modelleriyle de eğitilmiş ve sonuçlar önerilen modelle karşılaştırılmıştır. Eğitim sonucunda önerilen modelin 7 farklı kusurun sınıflandırılmasında %97,19 başarıyla sınıflandırma yapabildiği gözlenmiştir.
Özet (Çeviri)
The damage caused by non-renewable energy sources to the environment and ecology causes an increase in interest in renewable energy sources. Photovoltaic (PV) energy production is one of the excellent energy alternatives for clean and sustainable energy production. Factors such as snow, dust, bird droppings, mechanical damage, physical damage and shading on PV panels reduce the efficiency in energy production, and therefore panel maintenance should be done regularly. When maintenance is done manually, errors occur and it takes a long time. Therefore, solar panel defects can be detected using recently developed image processing and deep learning algorithms. In this study, damage detection classification was made on solar panels using the deep learning technique. The study consists of two stages. The first stage is the pre-processing stage, and at this stage, due to insufficient data set, it is increased by using data augmentation techniques such as rotating the image, taking the symmetry of the image and adding noise to the image. In the second stage, the training stage, the replicated data set was trained with the proposed deep learning model. In addition, the dataset was trained with pre-trained VGG-19, InceptionV3 and Resnet101 models and the results were compared with the proposed model. As a result of the training, it was observed that the proposed model was able to classify 7 different defects with asuccess rate of 97,19%.
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
- Investigation on solar PV defaults by using artificial intelligence and deep learning
Solar PV panellerin arızalarının yapay zeka ve derin öğrenme kullanarak araştırılması
ALHASSAN ISSAH FOFANA
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Aydın ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VEDAT ÖZTÜRK
- Future changes in hourly extreme precipitation, return levels, and non-stationary impacts in Türkiye
Türkı̇ye'de saatlı̇k aşırı yağışlarda gelecektekı̇ değı̇şı̇mler, tekerrür miktarı ve durağan olmayan etkı̇ler
KUTAY DÖNMEZ
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. YURDANUR ÜNAL