Güneş enerji sistemlerindeki fotovoltaik hücre çatlaklarının elektrolüminesans görüntüler üzerinden makine öğrenmesi tabanlı yaklaşımlarla tespiti ve sınıflandırması
Detection and classification of photovoltaic cell cracks in solar energy systems using machine learning based approaches via
- Tez No: 951711
- Danışmanlar: DOÇ. DR. FATİH DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: – Elektrolüminesans görüntüleme, güneş panelleri, derin öğrenme, kusur, sınıflandırma, Electroluminescence imaging, solar panels, deep learning, defect, classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Ekobilişim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrolüminesans (EL) görüntüleme, güneş panellerinin üretim, kurulum ve işletiminin her aşamasında kusurları tespit etmek için en yaygın kullanılan teşhis tekniğidir. Bu yöntem, mikro çatlaklar ve parmak hatlarındaki kırılmalar gibi güneş paneli arızalarını tespit edip gidererek elektrik kesintilerini potansiyel olarak azaltabilir. EL testi güvenilir bir inceleme yöntemidir, ancak karmaşık hata modelleri ve heterojen arka planlar nedeniyle EL görüntülerini yorumlamak zor olabilir. Sonuç olarak, kusurlu hücreleri değerlendirmek ve bir sorunun ciddiyetini belirlemek özel bilgi gerektirir, bu da bu yöntemlerin her hücre için manuel olarak yürütülmesini zaman alıcı hale getirir. Bu nedenle, güneş pillerinin otomatik görsel denetimi çok önemli hale gelmektedir. Bu çalışmada, güneş pili hatalarının otomatik olarak belirlenmesi ve sınıflandırılması için derin öğrenme tabanlı bir model sunulmaktadır. Derin özellikleri çıkarmak için CNN tabanlı modelden çıkarılmıştır. Derin özellikler altı farklı makine öğrenmesi sınıflandırıcısında değerlendirilmiştir. Önerilen metodolojiyi test etmek için iki sınıflı popüler ELPV veri kümesi kullanılmıştır.
Özet (Çeviri)
Electroluminescence (EL) imaging is the most widely used diagnostic technique to detect defects at all stages of solar panel manufacturing, installation, and operation. This method can potentially reduce power outages by detecting and repairing solar panel faults such as microcracks and finger line breaks. EL testing is a reliable inspection method, but EL images can be difficult to interpret due to complex fault patterns and heterogeneous backgrounds. As a result, evaluating defective cells and determining the severity of a problem requires specific knowledge, making these methods time-consuming to execute manually for each cell. Therefore, automatic visual inspection of solar cells becomes very important. In this study, a deep learningbased model is presented for automatic detection and classification of solar cell faults. CNN-based model is extracted to extract deep features. Deep features are evaluated on six different machine learning classifiers. The popular two-class ELPV dataset is used to test the proposed methodology.
Benzer Tezler
- Landsat uydusu aracılığı ile elde edilen görüntülerin sınıflandırılmaları ve bunlara ilişkin bilgisayar programlarının hazırlanması
Başlık çevirisi yok
G. FERZAN KÜÇÜKA
Yüksek Lisans
Türkçe
1985
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİS PÜSKÜLCÜ
- Pasif güneş enerjisi sistemi ile bina ısıtılmasının ekonomik analizi
Başlık çevirisi yok
AHMET AKDENİZ
- Matris lie grupları üzerine
Başlık çevirisi yok
RIFAT GÜNEŞ
Yüksek Lisans
Türkçe
1986
Matematikİnönü ÜniversitesiMatematik Ana Bilim Dalı
YRD. DOÇ. DR. NURİ KURUOĞLU
- The Effect of government price support on wheat farming and wheat marketing in Turkey
Başlık çevirisi yok
GÜNEŞ GÜLSEN ÖZEL
Yüksek Lisans
İngilizce
1987
EkonomiOrta Doğu Teknik ÜniversitesiYöneylem Araştırması Ana Bilim Dalı
PROF. DR. HALİM DOĞRUSÖZ
- Azeri Şivesi Güney Azerbaycan ağızlarından Serap ağzı
Başlık çevirisi yok
K.MEHMET GECE
Yüksek Lisans
Türkçe
1985
Türk Dili ve EdebiyatıGazi ÜniversitesiTürk Dili ve Edebiyatı Ana Bilim Dalı
DOÇ. DR. A. BİCAN ERCİLASUN