Fotovoltaik enerji santrallerinde yolo tabanlı görüntü işleme algoritmaları ile sıcak nokta anomalilerinin tespiti

Fotovoltaik (FV) enerji santrallerinin verimliliği ve operasyonel güvenliği, panellerde meydana gelen sıcak nokta gibi anomalilerin erken tespitiyle doğrudan ilişkilidir. Bu tez çalışmasının temel amacı, derin öğrenme tabanlı nesne tespiti algoritmalarından olan YOLO'nun (You Only Look Once) dört farklı versiyonunu (YOLOv9, YOLOv10, YOLOv11 ve YOLOv12) kullanarak FV panellerdeki sıcak nokta anomalilerinin tespit performansını karşılaştırmalı olarak analiz etmektir. Çalışma kapsamında, bir güneş enerji santralinden İnsansız Hava Aracı (İHA) ile toplanan termal görüntülerden oluşan bir veri seti kullanılmıştır. Modellerin performansı; kesinlik, duyarlılık, F1 skoru, mAP50 ve mAP50-95 gibi standart metrikler kullanılarak nesnel bir biçimde değerlendirilmiştir. Yapılan analizler neticesinde, özellikle YOLOv9 m ve YOLOv11 s modellerinin, diğer modellere kıyasla sıcak nokta tespiti görevinde daha istikrarlı ve yüksek doğrulukta sonuçlar ürettiği gözlemlenmiştir. YOLOv11 s modeli, yüksek duyarlılık ve F1 skoru ile öne çıkarken; YOLOv9 m modeli ise özellikle zorlu tespit koşullarını yansıtan mAP50-95 metriğinde en yüksek başarıyı göstermiştir. Bu bulgular, söz konusu modellerin FV santrallerinin bakım ve denetim süreçlerinde pratik olarak etkin bir şekilde kullanılabileceğini ortaya koymaktadır. Ayrıca, tez kapsamında geliştirilen ve tespit edilen anomalilerin coğrafi koordinatlarla haritalandırılmasına dayalı metodoloji, bakım operasyonlarının otomasyonu ve optimizasyonu için önemli bir potansiyel sunmaktadır.