Fotovoltaik hücrelerdeki anomalilerin etiketlenmiş elektrolüminesans görüntüler üzerinden evrişimsel sinir ağı tabanlı yöntemlerle sınıflandırılması
Classification of anomalies in photovoltaic cells using convolutional neural network-based methods on labeled electroluminescence images
- Tez No: 992026
- Danışmanlar: PROF. DR. İSMAİL SERKAN ÜNCÜ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Elektrik ve Elektronik Mühendisliği, Energy, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güneş enerjisi, sürdürülebilir enerji üretimi ve çevresel hedeflere ulaşma konusunda hayati bir öneme sahiptir. Fotovoltaik (FV) panellerin yüksek verimlilikle çalışması, bu enerjinin etkin kullanımı için temel bir gerekliliktir. Ancak üretim sırasında veya saha koşullarında oluşan mikro-çatlak ve lehim hatası gibi kusurlar, panellerin performansını düşürür, kullanım ömrünü kısaltır ve işletme maliyetlerini artırır. Bu nedenle, FV panellerdeki kusurların üretim aşamasında erken ve doğru bir şekilde tespit edilmesi, kalite güvencesi ve ekonomik verimlilik için çok önemlidir. Günümüzde FV panel kalite kontrolü, genellikle insan gözüyle yapılan manuel denetimlere veya özel laboratuvar koşulları gerektiren elektrolüminesans (EL) görüntüleme gibi tekniklere dayanmaktadır. Ancak manuel denetimler yavaş, öznel ve hataya açıkken, laboratuvar tabanlı testler ise yüksek hacimli üretim hatlarının hızına adapte olamayıp süreci zaman alıcı ve maliyetli hale getirmektedir. Bu durumlar, üretim süreçlerine doğrudan entegre edilebilecek, anlık ve otomatik denetim sağlayabilen alternatif yöntemlerin gerekliliğini ortaya koymaktadır. Bu tez çalışmasında, PVEL-AD veri seti üzerinde Faster R-CNN, DETR ve özellikle YOLO serisi gibi modern derin öğrenme algoritmalarının etkinliği başarıyla ortaya konulmuştur. İncelenen modeller arasında, veri artırma ile eğitilen YOLOv12n augmented mimarisi, %93.6 mAP50 gibi yüksek bir skorla en başarılı sonucuvermiştir. Elde edilen bulgular, özellikle YOLOv12 mimarisinin ve veri artırma tekniğinin, FV panel kusur tespit başarımını artırmadaki rolü kanıtlarken; farklı model boyutlarının (nano, small, medium) hız-doğruluk analizi ise endüstriyel uygulamalar için en uygun modelin seçimine yönelik somut bir çerçeve sunmaktadır. Bu bulgu, derin öğrenme tabanlı otomatik kontrol sistemlerinin, FV panel üretim hatlarına entegre edilerek kalite kontrol süreçlerini daha verimli, hızlı ve isabetli hale getirme potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Solar energy is vital for sustainable energy production and environmental objectives. The high-efficiency operation of photovoltaic (PV) panels are essential for effectively utilizing this resource. However, defects such as micro-cracks and soldering faults, arising from manufacturing or field use, degrade panel performance, shorten their lifespan, and increase costs. Therefore, the early and accurate detection of defects during manufacturing is paramount for quality assurance and economic viability. Contemporary quality control for PV panels relies on manual inspections or techniques like electroluminescence (EL) imaging, which require specialized lab environments. Manual inspections are slow, subjective, and prone to error, while laboratory testing is time-consuming, costly, and fails to adapt to high-volume production lines. These limitations demand alternative methods integrated into production processes for real-time, automated inspection. This study validates the efficacy of models like Faster R-CNN, DETR and particularly the YOLO series, on the PVEL-AD dataset. Among the models investigated, the YOLOv12n architecture, trained with data augmentation, delivered the most successful results, achieving a 93.6% mAP@50 score. The results confirm the role of the YOLOv12 architecture and data augmentation in enhancing defect detection performance. Furthermore, the speed-accuracy analysis of different model sizes (bano, small, medium) provides a tangible framework for selecting the optimal model for industrial applications. This highlights the potential of deep learning-based automated control systems to be integrated into PV panel production lines, making quality control more efficient, rapid, and accurate.
Benzer Tezler
- Fotovoltaik destekli ısı pompası ünitesinin termodinamik analizi
Thermodynamic analysis of photovoltaic assisted heat pump unit
ALPEREN ZENGİN
Yüksek Lisans
Türkçe
2023
Kimya MühendisliğiAtatürk ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH SEVİM
DOÇ. DR. AHMET NUMAN ÖZAKIN
- Yenilikçi bir tasarım ile birlikte fotovoltaik panel verimliliğinin arttırılması
Increasing photovoltaic panel efficiency with an innovative design
HASAN MİTHAT DELİBAŞ
Yüksek Lisans
Türkçe
2021
Makine MühendisliğiKarabük ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. EMRAH DENİZ
- Photovoltaic modules fault detection and power output estimation: A deep learning approach based on electroluminescence images
Fotovoltaik modüllerde arıza tespiti ve güç çıkışı tahmini: Elektrolüminesans görüntülerine dayalı derin öğrenme yaklaşımı
ABDULLAH EMİR OZTURK
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiPolıtecnıco Dı MılanoElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMANUELE GİOVANNİ
- Şebeke bağlantılı FV eviriciler için yüksek gerilim kazançlı çok katmanlı değiştirilmiş Y-kaynaklı DA-DA dönüştürücüsünün tasarımı ve analizi
Design and analysis of a high step-up interleaved modified Y-source DC-DC converter for grid-connected PV inverters
HASAN BASRİ ALTINTAŞ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET AFŞİN KULAKSIZ
- Güneş enerji paneli üretim fabrikalarında hücre hattı halm makinesi verilerinin yapay zekâ modelleri kullanılarak sınıflandırılması
Classification of cell line cell machine data in solar energy panel production factories using artificial intelligence models
İRFAN YILMAZ
Yüksek Lisans
Türkçe
2024
EnerjiOstim Teknik ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT ŞİMŞEK