Geri Dön

Gömülü sistemler ile güneş panellerinde toz tespiti

Solar panel dust detection using embedded systems

PDF İndir

  1. Tez No: 921497
  2. Yazar: MUHAMMED EMİN YERLİ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYDIN TARIK ZENGİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 97

Özet

Tez çalışmamda, güneş panellerinde toz, kir, kar ve fiziksel hasar gibi çevresel etkenlerin tespitine yönelik bir nesne tanıma sistemi geliştirilmiştir. Güneş panelleri, açık alanlarda maruz kaldıkları bu olumsuz etkiler sonucunda performans kaybı yaşamakta ve bakım ihtiyaçları artmaktadır. Bu çalışmanın amacı, gömülü sistemler kullanarak güneş panellerinde bu tür kirliliklerin ve hasarların otomatik olarak tespit edilmesini sağlayan bir sistem oluşturmaktır. Çalışmanın ilk aşamasında, Kaggle platformundan elde edilen ve güneş paneli görüntülerini içeren bir veri seti,“temiz,”“kirli,”“hasarlı”ve“karla kaplı”olmak üzere dört sınıfa ayrılmıştır. Toplamda 7485 görüntü ve 9202 nesneden oluşan bu veri seti, LabelImg programı ile manuel olarak etiketlenmiştir. Her bir görüntüdeki nesneler, doğru sınıflara ayrılarak sistemin eğitimi için hazır hale getirilmiştir. Veri seti, TensorFlow platformunda dört farklı derin öğrenme modelinin eğitimi için kullanılmıştır. Bu modeller arasında SSD Mobilenet V1, Faster R-CNN Inception V2 ve RFCN ResNet101 gibi popüler derin öğrenme modelleri bulunmaktadır. Eğitim süreçlerinde karşılaşılan zorluklar ve yapılan model değişiklikleriyle birlikte, her bir modelin eğitimi yaklaşık 200.000 adımda tamamlanmıştır. Eğitim işlemleri, Windows işletim sistemine sahip bir bilgisayar üzerinde gerçekleştirilmiş ve modellerin performansları doğruluk, başarı oranı ve tanıma süresi gibi metriklerle değerlendirilmiştir. Geliştirilen modeller, sonrasında gömülü sistem platformu olan NVIDIA Jetson Nano üzerinde test edilmiştir. Jetson Nano'nun düşük enerji tüketimi ve taşınabilirlik avantajları sunmasına rağmen, nesne tanıma süresi masaüstü bilgisayara göre belirgin şekilde daha uzun olmuştur. Masaüstü bilgisayarda 1 saniyenin altında tamamlanan nesne tanıma işlemi, Jetson Nano'da 100-200 saniyeye kadar uzamıştır. Bu sonuçlar, her iki platformun performans karşılaştırmasını detaylı şekilde sunmakta ve gömülü sistemlerin avantajları ile sınırlamalarını ortaya koymaktadır. Sonuç olarak, bu çalışma, güneş panellerinde çevresel etkilerin otomatik olarak tespit edilmesine yönelik bir gömülü sistem çözümü sunmaktadır. Geliştirilen sistemin, güneş enerjisi üretim tesislerinde bakım süreçlerini optimize ederek enerji verimliliğini artıracağı öngörülmektedir.

Özet (Çeviri)

This thesis focuses on the development of an object recognition system to detect environmental factors such as dust, dirt, snow, and physical damage on solar panels. Solar panels, when exposed to these negative conditions in outdoor environments, lose efficiency over time, leading to energy production losses and increased maintenance costs. The primary goal of this study is to create an embedded system-based framework capable of automatically detecting contaminants and damages on solar panels to optimize maintenance processes and enhance energy production efficiency. In the initial phase of the research, data was collected from Kaggle, a widely used platform for open-source datasets. This dataset was created by consolidating images from 8 different sources, resulting in a total of 12,567 images. To ensure data consistency and quality, duplicate and irrelevant images were systematically removed during preprocessing, resulting in a refined dataset of 7,492 images. Each image was then manually labeled using the LabelImg tool, categorizing the panels into four distinct classes: clean, dirty, snow-covered, and damaged. To prepare the dataset for training, the labeled data was divided into two subsets, with 80\% (6,005 images) allocated for training and 20\% (1,480 images) reserved for testing purposes. This separation ensured that the trained models could be evaluated effectively on unseen data, offering a robust framework for model performance assessment. For model training, four pre-trained TensorFlow models were selected based on their performance in terms of speed (inference time) and accuracy (COCO mAP—Mean Average Precision). These models included SSD MobileNet V1, Faster R-CNN Inception V2, RFCN ResNet101, and Faster R-CNN NAS. The selection criteria were based on balancing computational efficiency with detection accuracy to identify the most suitable models for real-time solar panel monitoring. Each of these models was fine-tuned using the solar panel dataset, leveraging their pre-trained weights to enhance their performance on this specific task. The training process for three of the models was carried out for 200,000 steps, while the fourth model was trained for 50,000 steps due to its computational complexity. Throughout the training phase, TensorBoard, a visualization tool provided by TensorFlow, was used to monitor the progress of the models. TensorBoard enabled real-time tracking of key metrics such as“loss”values, including the“localization\_loss,”which represents the error in detecting the position of objects in the image. The loss values were observed to decrease over time, approaching near-zero values, indicating that the models were learning effectively. The decision to terminate training was guided by the stabilization of these loss values, ensuring optimal performance without overfitting. The trained models were then evaluated on two platforms: a desktop computer running Windows and the NVIDIA Jetson Nano, an embedded system designed for energy-efficient applications. The desktop system provided faster inference times, completing object detection in under 1 second. In contrast, the Jetson Nano initially required between 100 to 200 seconds per image due to its limited processing power. However, performance optimizations were applied to the Jetson Nano to address this disparity. A new image processing algorithm was developed to resize all input images to 300x300 pixels, reducing the computational load. Additionally, instead of reloading the model into memory for each inference task, the model was loaded into RAM once and used repeatedly for subsequent object detection tasks. These optimizations reduced the model loading time to approximately 60 seconds, while the inference time for each image dropped to under 1 second. Despite these enhancements, the overall accuracy of the Jetson Nano remained lower compared to the desktop platform. While the desktop computer achieved higher detection accuracy across all four models, the Jetson Nano's performance was inconsistent. Object detection could only be successfully performed with one model (SSD Mobilenet V1 COCO), while the remaining three models failed to produce reliable results. These limitations highlight the challenges of deploying complex deep learning models on resource-constrained embedded systems like the Jetson Nano, particularly when balancing accuracy with efficiency. Detailed performance metrics, including accuracy, inference time, and energy efficiency, were recorded to compare the two platforms. While the desktop system excelled in processing speed and accuracy, the Jetson Nano demonstrated a balance between portability and computational capability, making it a practical solution for on-site solar panel monitoring despite its limitations. Its energy efficiency and portability offer significant advantages in real-world deployments where accessibility and operational costs are critical factors. In conclusion, this study presents an embedded system solution for the automatic detection of environmental effects on solar panels. The developed system reduces the reliance on manual inspections, minimizes energy losses, and optimizes maintenance schedules, thereby increasing the overall efficiency of solar energy production facilities. However, the performance differences between the platforms indicate that while the Jetson Nano can be a viable alternative for certain applications, its suitability may be limited for scenarios requiring high accuracy or complex model deployment. Furthermore, the system's adaptability across different platforms highlights its potential for scalability in large-scale solar farms. This research contributes to the integration of machine learning with renewable energy systems, offering sustainable and innovative solutions for the solar energy industry.

Benzer Tezler

  1. Tez No

    490086

    Development of renewable energy circuit component

    Yenilenebilir enerji devresi bileşeninin geliştirilmesi

    KALEID WALEED ABID

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiGaziantep Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGUN ERÇELEBİ

  2. Tez No

    869719

    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

    İngilizce

    2023

    Makine Mühendisliğiİstanbul Aydın Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ VEDAT ÖZTÜRK

  3. Tez No

    687146

    Güneş enerji santrallerinde yıldırım etkilerinin araştırılması

    Stduy of lightning strike activity in solar power plants

    EMRE DEMİREL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ KEÇEBAŞ

  4. Tez No

    863452

    Comparative evaluations of traditional house to achieved passive house standard in terms of global warming potential and energy efficiency

    Geleneksel ev ile ulaşılan pasif ev standardının küresel ısınma potansiyeli ve enerji verimliliği açısından karşılaştırılması

    SİMGE VAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. HATİCE SÖZER

  5. Tez No

    199533

    PIC mikrodenetleyici kullanarak ağ bağlantılı gömülü sistem tasarımı iklimlendirme cihaz kontrol ünitesi uygulaması

    Networked embedded system desing by using PIC microcontroller air conditioner control unit application

    EMRE KAÇMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnadolu Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF.DR. ALİ GÜNEŞ

Geri Dön