Derin öğrenme ile güneş panellerindeki kirliliğin sınıflandırılması

Abstract

İnsan ihtiyacı olan enerjiyi kullanmadan önce üretmesi gerekmektedir. Enerjiyi üretmek için öncelikle fosil yakıtları tercih ettiler. Dünya ortaya çıkan çevre kirliliği sonucunda yeni enerji kaynakları aramaya başladılar. Arama sonucunda ortaya yenilenebilir enerji kaynaklarını kullanmaya başladılar. Dünya var olduğundan beri kullanılan ve çevreye zararı olmayan enerji kaynaklarından faydalanmaya başladılar. Yenilenebilir enerji kaynakları olarak rüzgâr, güneş, jeotermal, biyokütle ve dalga enerjisinden enerji üretimi gerçekleştirdiler. Yenilenebilir enerji kaynaklarının çevreci olması sebebiyle ülkeler daha çok arge çalışmaları yapmaya başladılar. Fosil yakıtların azalması, çevreye zararları ve dışa bağımlılık nedeniyle enerji üretiminde yenilenebilir enerji kaynaklarını tercih ettiler. Yenilenebilir enerji kaynaklarından en büyük ve enerji kaynağı en büyük olan güneş en çok tercih edilen enerji üretim kaynağıdır. Güneş enerjisinden fotovoltaik paneller vasıtası ile enerji üretilmektedir. Sadece kurulum açısından maliyeti olan fotovoltaik paneller, güneşin doğumu ile başlayarak güneşin batımına kadar olan sürede en az insan gücüne ihtiyaç duyarak enerji üretimi gerçekleştirmektedir. Dünyada hava şartları sebebi ile kirlenen fotovoltaik paneller enerji üretimini olumsuz etkilemektedir. Kirlenen fotovoltaik panellerdeki enerji üretimi düşmektedir. Yaptığım literatür çalışmasında temiz fotovoltaik paneller ile üretilen enerji miktarı arasında doğru orantı olduğu görülmektedir. Güneş panelleri üzerine yapılan araştırmalara bakıldığında daha çok kirli panellerin elektrik üretimleri incelenmiştir. Fotovoltaik panellerin verimli kullanılabilmesi için temiz olması gerekmektedir. Bu tez çalışmasında fotovoltaik paneller kirlilik seviyesi, güneş panel resimleri üzerinden derin öğrenme yöntemlerinden NasnetLarge ve MobilNet algoritmaları ile sınıflandırma analizi yapılmıştır. NasnetLarge ile yapılan sınıflandırma analizi %97, MobileNet ile yapılan sınıflandırma analizi %98 olarak bulunmuştur.Bu tez çalışması ile büyük alanlara kurulan güneş panellerinin kirlilik sınıflandırılması derin öğrenme ile hızlı ve daha kısa sürede yapılarak ilgili birimlere panellerin temizlenmesi için bildirilmesi hedeflenmiştir.

Before people can use the energy they need, they must produce it. They primarily preferred fossil fuels to produce energy. The world began to look for new energy sources as a result of environmental pollution. As a result of the search, they started to use renewable energy sources. They started to benefit from energy sources that have been used since the world existed and that are not harmful to the environment. As renewable energy sources, they produced energy from wind, solar, geothermal, biomass and wave energy. Due to the environmental friendliness of renewable energy sources, countries have started to do more R&D studies. They preferred renewable energy sources in energy production due to the decrease in fossil fuels, their damage to the environment and foreign dependency. The sun, which is the largest renewable energy source and the largest energy source, is the most preferred energy production source. Energy is produced from solar energy by means of photovoltaic panels. Photovoltaic panels, which are only costly in terms of installation, produce energy by requiring the least manpower from the sunrise to the sunset. Photovoltaic panels polluted due to weather conditions in the world negatively affect energy production. Energy production in polluted photovoltaic panels decreases. In the literature study I have done, it is seen that there is a direct ratio between clean photovoltaic panels and the amount of energy produced. Considering the researches on solar panels, the electricity production of dirty panels has been examined. Photovoltaic panels must be clean in order to be used efficiently. In this thesis study, photovoltaic panels pollution level, classification analysis was made on solar panel pictures with NasnetLarge and MobilNet algorithms, which are deep learning methods. Classification analysis with NasnetLarge was 97%, and classification analysis with MobileNet was 98%. With this thesis, it is aimed to make the pollution classification of the solar panels installed in large areas quickly and in a shorter time with deep learning and to notify the relevant units for cleaning the panels.