Güneş panellerinde yapay zeka tabanlı görüntü işleme ile arıza tespiti
Fault detection of solar panels with computer vision methods
- Tez No: 951329
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Güneş enerjisi santrallerinde, panel sağlığının düzenli takibi ve arızaların erken tespiti, sistemin güvenilirliği ve verimliliğinin sürdürülebilirliği açısından büyük önem taşımaktadır. Ancak bu tür kontrollerin geleneksel yöntemlerle manuel olarak gerçekleştirilmesi, zaman kaybına neden olmakta ve insan hatasına açık yapısıyla büyük ölçekli sistemlerde ciddi verim kayıplarına yol açabilmektedir. Bu sorunun önüne geçebilmek amacıyla, güneş panellerinde meydana gelen fiziksel arızaların otomatik olarak tespit edilebilmesini sağlayan bir sistem geliştirilmiştir. Bu kapsamda, derin öğrenme ve bilgisayarla görme tekniklerinden yararlanılmış; YOLO algoritmalarına dayalı bir nesne tanıma modeli oluşturulmuştur. Geliştirilen model sayesinde mikro çatlak, leke, kırık ve hot-spot gibi panel arızaları yüksek doğrulukla tespit edilebilmiştir. Çalışmada, açık kaynaklı ve simülasyon destekli görüntülerden oluşan 11.256 örnekten oluşan hibrit bir veri seti kullanılmıştır. Görüntü ön işleme, veri artırma ve katmanlı örnekleme gibi tekniklerle modelin başarımı optimize edilmiştir. YOLOv11 modeli, test verisi üzerinde %93,7 doğruluk, 0.93 F1 skoru ve 0.94 mAP değeriyle yüksek başarı göstermiştir. Bu performans, literatürde yer alan evrişimli sinir ağı, sistemin sektörel uygulanabilirliğini kanıtlamaktadır. Ayrıca sistem, farklı çevresel koşullarda da tutarlı performans sergileyerek saha uygulamaları için uygunluk göstermektedir. Çalışma sonucunda geliştirilen modelin, güneş panellerinin arıza tespiti süreçlerinde hızlı ve düşük maliyetli bir çözüm sunduğu ortaya konmuştur. Bu yönüyle çalışma, hem akademik literatüre katkı sağlamakta hem de sürdürülebilir enerji üretimi süreçlerinin dijital dönüşümüne destek olmaktadır.
Özet (Çeviri)
Regular monitoring of panel health and early fault detection in solar power plants are of critical importance for maintaining system reliability and ensuring sustainable efficiency. However, performing these inspections manually using traditional methods leads to time loss and introduces a high risk of human error, especially in large-scale systems, resulting in significant efficiency losses. To address this issue, a system has been developed to automatically detect physical faults occurring in solar panels. Within the scope of this study, deep learning and computer vision techniques were utilized, and an object detection model based on YOLO algorithms was implemented. Thanks to the developed model, panel defects such as microcracks, stains, fractures, and hotspots were detected with high accuracy. A hybrid dataset consisting of 11,256 examples, including both open-source and simulation-supported images, was used in the study. Techniques such as image preprocessing, data augmentation, and stratified sampling were employed to optimize the model's performance. The YOLOv11 model demonstrated high performance on the test dataset, achieving 93.7% accuracy, an F1 score of 0.93, and an mAP value of 0.94. This performance demonstrates the industrial applicability of the system, which is based on convolutional neural networks as also referenced in the literature. Moreover, the system exhibited consistent performance under varying environmental conditions, indicating its suitability for field applications. In conclusion, the developed model offers a fast and cost-effective solution for fault detection in solar panels. In this regard, the study contributes to the academic literature while also supporting the digital transformation of sustainable energy production processes.
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
- Güneş panellerinin dört rotorlu iha kullanılarak termografi yöntemiyle derin öğrenme tabanlı hata tespit ve teşhisi
Deep learning based fault detection and diagnosis of solar panels using four rotor uav with termography method
BARIŞ KAYCI
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BATIKAN ERDEM DEMİR
- Yapay zeka temelli maksimum güç noktası takibi
Artificial intelligence based maximum power point tracking
HALİL İBRAHİM TEMEL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA YÜKSEL
- Farklı makine öğrenme yöntemleri ile güneş panellerinin enerji üretim tahmini
Estimation of solar panel energy production with different machine learning methods
ZEKİ ARSLAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMET EMİN ŞAHİN
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ