Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
- Tez No: 899570
- Danışmanlar: DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ, DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 133
Özet
Güneş enerjisi sistemlerinin en önemli bileşenlerinden biri olan FotoVoltaik (FV) paneller üretim, montaj ve işletme aşamalarında farklı arızalarla karşı karşıya kalmaktadırlar. Bu arızaların bazı tipleri panellerin ömrünü ciddi biçimde kısaltmakta ve önemli güç kayıplarına sebep olmaktadır. Bu sebeple FV panel hasarlarının etkili bir biçimde tespiti büyük önem arz etmektedir. Elektrolüminesans (EL) görüntüleme, güneş panelinin yapısını bozmadan akım beslenmesiyle ortaya çıkan ışınımı özel tipte bir kamera vasıtasıyla yakalayan bir görüntüleme yöntemidir. Bu yöntem özellikle gözle görülmeyen mikro çatlak, parmak kesintisi ve devreden çıkmış hücreler gibi kusurların tespitinde çok etkili olabilmektedir. Bununla birlikte EL görüntülerinin yorumlanması bir uzmanlık işidir ve birden çok hücreden meydana gelen çok sayıda FV panel için bu iş çok zaman alıcı ve maliyetli olabilmektedir. Bu tez çalışmasında bu probleme etkili çözümler üretmek amacıyla ilk aşamada literatürde bulunan standart bir veri seti ile çalışmalar yapılarak bir dizi derin öğrenme tabanlı sınıflandırıcı model geliştirilmiş ve transfer öğrenme yöntemiyle sınıflandırma yapılmıştır. İkinci aşamada veri çoğaltma yöntemleri araştırılarak ve sentetik veriler üretilerek geliştirilen modellerin sınıflandırma performansı arttırılmıştır. Sonraki aşamada, oluşturulan modellerin genelleştirme kapasitesini görmek ve veri setini genişletmek üzere üreticiden alınan EL görüntüler işlenerek ve etiketlenerek ek bir EL görüntü veri seti oluşturuldu. Geliştirilen özelleştirilmiş ağ mimarileri kullanılarak çok sınıflı veri setinde yüksek başarım elde edilmiştir. Son olarak elde edilen modeller kullanılarak tam otomatik bir FV panel test yazılımı geliştirilmiştir. Bu çalışmada hem derin öznitelik tabanlı sınıflandırıcılar hem de sıfırdan Evrişimli Sinir Ağı (ESA) mimarisi oluşturulmuş ve sonuç olarak yüksek başarımlı sınıflandırıcı modeller elde edilmiştir. Bu kapsamda gerçek zamanlı olarak çalışabilen yapay zekâ tabanlı bir otomatik FV panel test yazılımı geliştirilmiştir. Yapılan çalışmalar sonucunda geliştirilen sistem ile FV hücre kusurlarının hızlı ve etkili bir biçimde tespiti yapılarak üretim tesislerinde kalite kontrol süreçlerinin hızlanmasına ve otomatikleştirilmesine katkıda bulunabilecek bir karar destek sistemi oluşturulmuştur. Yapılan çalışmalar sonucunda derin öznitelik tabanlı yöntemler ile ELPV veri setinde 4 sınıf ve 2 sınıf için sırasıyla %90.42 ve %94.52 başarım elde edilmiştir. Veri çoğaltma yöntemlerinin araştırıldığı kısımda ise oluşturulan veri setleri ile %94.11 doğruluk elde edilerek orijinal veri setine kıyasla %4.41 doğruluk ve %17.83 duyarlılık artışı sağlanmıştır. Oluşturulan çok sınıflı özel veri seti ile yapılan çalışmalarda ise geliştirilen ESA ve Görü Dönüştürücü (GD) tabanlı sistemler ile sırasıyla %98.23 ve %98.71 doğruluk ile arızalı hücreler sınıflandırılmıştır.
Özet (Çeviri)
Photovoltaic (PV) modules, one of the most important components of solar energy systems, are faced with different failures during the production, assembly and operation stages. Some of these failures seriously shorten the life of the modules and cause significant power losses. Therefore, effective detection of PV module defects is of great importance. Electroluminescence (EL) imaging is a non destructive imaging method in which a special-type camera captures the radiation produced by a current-fed solar module. This method can be very effective in detecting defects such as micro cracks, finger interruptions and disconnected cells that are not visible to the naked eye. However, interpretation of EL images is a matter of expertise, and given the large number of PV modules consisting of multiple cells, this process could be time-consuming and costly. In this thesis, in order to produce effective solutions to this problem, a series of deep learning-based classifier models were developed by working with a benchmark dataset in the literature in the first stage and classification was performed with the transfer learning method. In the second stage, data augmentation methods were investigated, and synthetic data were generated to increase the classification performance of the developed models. In the next stage, to see the generalization capacity of the created models and to expand the dataset, an additional EL image dataset was created by processing and labeling the EL images received from the manufacturer. High performance was achieved in the multi-class dataset using the developed customized network architectures. Finally, a fully automatic PV module test software was developed using the obtained models. In this study, both deep feature-based classifiers and a Convolutional Neural Network architecture were created from scratch and as a result, high performance classifier models were obtained. An artificial intelligence-based automatic PV module test software that can work in real time was developed. This decision support system can contribute to the acceleration and automation of quality control processes in production facilities by detecting PV cell defects quickly and effectively. As a result of the studies, in the ELPV data set, 90.42% and 94.52% performance were achieved with deep feature-based methods for 4 classes and 2 classes, respectively. In the part where data augmentation methods were investigated, 94.11% accuracy was attained with the created datasets, and 4.41% accuracy and 17.83% recall improvement were achieved compared to the original dataset. In the studies conducted with the created multi-class custom dataset, defective cells were classified with 98.23% and 98.71% accuracy by the developed CNN and ViT based systems, respectively.
Benzer Tezler
- 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
- Detection of solar panel defects in electroluminescence images using deep learning
Derin öğrenme kullanılarak elektrolüminesans görüntülerinde güneş paneli hatalarının tespiti
BAHAA SALIH MANDEEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Design of frequency selective surface based on reflection coefficients in C and X bands using nested convolutional neural network
İçiçe evrişimli sinir ağları kullnarak C ve X bantlarında yansıma katsayısı temelli frekans seçici yüzey tasarımı
ERKAN KIYMIK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Heuristic vectorized learning method based PV forecasting by using image recognition-based sky camera integration within sensor set
Görüntü tanıma tabanlı gökyüzü kamerası entegrasyonunu kullanarak sezgisel vektörize öğrenme yöntemine dayalı PV tahmini
LEVENT YAVUZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖNEN
- Fotovoltaik enerji sistemleri için öngörü modellerinin geliştirilmesi: Veri madenciliği ve derin öğrenme yaklaşımları
Development of forecasting models for photovoltaic energy systems: Data mining and deep learning approaches
FATMA DİDEM ALAY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TAHİR GÜLLÜOĞLU
DR. ÖĞR. ÜYESİ NAGEHAN İLHAN