Transfer öğrenme tabanlı derin öğrenme modelleri kullanılarak güneş panellerindeki temiz ve hatalı görüntülerin sınıflandırılması
Classification of clean and faulty images in solar panels using transfer learning based deep learning models
- Tez No: 952072
- Danışmanlar: DOÇ. DR. MEHMET EMİN ASKER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Enerji, Electrical and Electronics Engineering, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Güneş enerjisi yenilenebilir, tükenmez ve temiz bir enerji kaynağıdır. Karbon salınımının ve fosil yakıtlara olan bağımlılığın azaltılması amacıyla özellikle son yıllarda güneş enerjisi büyük oranda kullanılmaya başlanmıştır. Güneş enerjisinin verimli bir şekilde elde edilmesinde fotovoltaik paneller önemli bir rol oynamaktadır. Fotovoltaik panellerde çevresel faktörlerden veya elektriksel düzensizliklerden dolayı hatalar meydana gelebilmektedir. Panellerde oluşan hataların erken ve hızlı tespit edilmesi verimliliği artırmak ve enerjiyi kayıpsız elde etmek açısından büyük önem taşımaktadır. Ancak bu hataların manuel olarak tespit edilmesi hem maliyetlidir hem de zaman alıcıdır. Bu nedenle günümüzde bu hataların saptanması için pek çok derin öğrenme modeli kullanılmaktadır. Bu tez çalışmasında, güneş paneli görüntülerindeki hataları sınıflandırmak için transfer öğrenme tabanlı derin öğrenme modellerinden ResNet ve EfficientNet'i birleştiren bir model önerilmiştir. Deneysel çalışmalar için altı sınıflı bir güneş paneli veri seti kullanılmıştır. 885 görüntüden oluşan veri seti; kirli, temiz, elektriksel hasarlı, fiziksel hasar, karla kaplı ve kuş damlaları sınıflarından meydana gelmektedir. Çalışmada ayrıca transfer öğrenme tabanlı mimariler (VGG16, VGG19, MobileNet, DenseNet) kullanılarak bireysel olarak ölçümler gerçekleştirilmiş ve önerilen model ile karşılaştırılarak sonuçlar verilmiştir. Sonuçlar karşılaştırıldığında önerilen modelin daha üstün performans gösterdiği gözlemlenmiştir. Önerilen modelde kullanılan ResNet mimarisi, gradyan sorununu azaltarak, artık bağlantıları sayesinde derin ağların daha sağlıklı bir şekilde eğitilmesine olanak tanımaktadır. EfficientNet mimarisi ise ağın derinliğini, çözünürlüğünü ve genişliğini optimize ederek daha verimli sonuçların elde edilmesini sağlamaktadır. ResNet ve EfficientNet'in tüm mimarileri kullanıldığında en yüksek doğruluk ResNet101 ve EfficientNet B1 ile hesaplanmıştır. ResNet101 ile EfficientNetB1 birleşimi %87,55 doğruluk, %87,92 kesinlik, %88,75 geri çağırma ve %88,13 F1-skoru ile en iyi sonuçlara ulaşılmasını sağlamıştır.
Özet (Çeviri)
Solar energy is a renewable, inexhaustible and clean energy source. In order to reduce carbon emissions and dependence on fossil fuels, solar energy has been widely used, especially in recent years. Photovoltaic panels play an important role in obtaining solar energy efficiently. Failures may occur in photovoltaic panels due to environmental factors or electrical irregularities. Early and fast detection of faults in panels is of great importance in terms of increasing efficiency and obtaining energy without loss. However, manual detection of these faults is both costly and time consuming. For this reason, many deep learning models are currently used to detect these faults. In this thesis, a model combining ResNet and EfficientNet, two transfer learning based deep learning models, is proposed to classify the defects in solar panel images. A six-class solar panel dataset is used for the experimental studies. Consisting of 885 images, the dataset consists of dirty, clean, electrically damaged, physical damage, snow covered and bird drops classes. In the study, individual measurements were performed using transfer learning based architectures (VGG16, VGG19, MobileNet, DenseNet) and the results were compared with the proposed model. When the results are compared, it is observed that the proposed model shows superior performance. The ResNet architecture used in the proposed model reduces the gradient problem and allows deep networks to be trained in a healthier way thanks to their residual connections. EfficientNet architecture, on the other hand, optimizes the depth, resolution and width of the network to achieve more efficient results. When all architectures of ResNet and EfficientNet were used, the highest accuracy was calculated with ResNet101 and EfficientNet B1. The combination of ResNet101 and EfficientNetB1 achieved the best results with 87.55% accuracy, 87.92% precision, 88.75% recall and 88.13% F1-score.
Benzer Tezler
- Building energy efficiency: A data-driven machine learning approach for energy optimization
Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı
AHMAD REZA DARABI
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Türkçe'de varlık ismi tanıma
Named entity recognition in Turkish
ASIM GÜNEŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CÜNEYD TANTUĞ
- 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
- Diz MRI görüntüleri üzerinde veri artırım teknikleri kullanılarak derin öğrenme tabanlı yaralanma tespiti
Deep learning-based injury detection using data augmentation techniques on knee MRI images
ELİF NUR KÜÇÜK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Bakır malzemelerde kaynak hatası tespiti için yeni bir derin öğrenme algoritması tasarımı
Design of a new deep learning algorithm for welding defect detection in copper materials
HALİL İBRAHİM ŞEKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İHSAN PEHLİVAN