Hasarlı güneş paneli hücrelerinin derin öğrenme yöntemleriyle sınıflandırılması

Abstract

Güneş enerjisi alternatif enerji kaynağıdır. Bir güneş enerjisi sisteminin temelini oluşturan güneş pilleri, esas olarak kristal silikon yapıdadır. Güneş panel hücrelerinde üretim esnasında veya kurulum sonrasında hatalar oluşabilir. Geleneksel görüntüleme yöntemleri ile güneş hücrelerindeki hataları tespit etmek çok zordur. Güneş hücrelerindeki bu hatalar, özel ekipmanlar ile çekilen elektrolüminans görüntüler ile tespit edilebilmektedir. Bu çalışmada, derin öğrenme yöntemi ile güneş panel hücrelerinin elektrolüminans (EL) görüntülerinden hasar tespiti yapılmıştır. 6528 adet monokristal ve polikristal yapıdaki farklı güneş panel hücrelerinin elektrolüminans (EL) görüntüleri kullanılmıştır. Görüntü sınıflandırmada, hızlı ve başarılı sonuçlar elde etmek için derin öğrenme algoritmaları kullanılmıştır. 300x300 boyutundaki görüntüler sağlam, kırık ve çatlak şeklinde kategorilere ayrılarak evrişimli sinir ağları ile eğitilmiştir. Çalışmada CNN modellerinden Xception, Vgg16, Vgg19, Resnet50, DenseNet201 ve MobileNet kullanılmıştır. Monokristal ve polikristal güneş hücreleri, CNN modelleri ile ayrı ayrı analiz edilmiştir. Modellerin doğruluk ve sınıflandırma sonuçlarına göre evrişimli sinir ağı modelleri ile başarılı tespitler yapılmıştır.

Solar energy is an alternative energy source. Solar cells, which form the basis of a solar energy system, are mainly of crystalline silicon structure. Errors may occur in solar panel cells during production or after installation. It is very difficult to detect errors in solar cells with conventional imaging methods. These errors in solar cells can be detected with electroluminescent images taken with special equipment. In this study, damage detection was performed from electroluminance (EL) images of solar panel cells using deep learning method. Electroluminance (EL) images of 6528 monocrystalline and polycrystalline different solar panel cells were used. In image classification, deep learning algorithms are used to obtain fast and successful results. Images with the size of 300x300 were divided into categories as intact, broken and cracked and trained with convolutional neural networks. In the study, CNN models Xception, Vgg16, Vgg19, Resnet50, DenseNet201 and MobileNet were used. Monocrystalline and polycrystalline solar cells were analyzed separately with CNN models. According to the accuracy and classification results of the models, successful determinations were made with convolutional neural network models.