Derin öğrenme algoritmaları kullanılarak elektrolüminesans görüntüleri ile fotovoltaik hücrelerde kusur tespiti

Güneş enerjisi santrallerinin küresel ölçekte artan kurulum kapasitesi, PV modüllerin işletme ömrü ve verimliliğinin sürdürülebilirliğini kritik bir mühendislik problemi hâline getirmiştir. Üretim, nakliye ve saha montajı süreçlerinde hücre yüzeyinde oluşan mikro çatlaklar ve yapısal deformasyonlar, zamanla ciddi enerji kayıplarına neden olmaktadır. Bu kusurların tespitinde kullanılan EL görüntüleme tekniği endüstriyel standart olsa da elde edilen görüntülerin manuel analizi yüksek uzmanlık gerektirmekte ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında, PV hücre kusurlarının otonom, hızlı ve piksel hassasiyetinde tespiti için nesne tespiti ve bölütleme yaklaşımlarını birleştiren hibrit derin öğrenme mimarisi önerilmiştir. Çalışma kapsamında, literatürdeki güncel tek aşamalı tespit algoritmalarından YOLOv11 mimarisi ile temel segmentasyon modeli olan SAM 2 entegre edilmiştir. Önerilen yöntem, YOLOv11 aracılığıyla kusurların konumunu sınırlayıcı kutularla belirlemekte ve bu koordinatları "kutu istemi" olarak SAM 2 modeline ileterek kusurların morfolojik sınırlarını hassas şekilde maskelemektedir. Modelin eğitimi ve testi, EL2021 v10 açık kaynak veri seti ve saha çalışmalarından elde edilen özgün görüntülerin birleştirilmesiyle oluşturulan, toplam 13.631 görselden oluşan kapsamlı veri havuzu üzerinde gerçekleştirilmiştir. Deneysel sonuçlar, geliştirilen hibrit modelin "black_core", "crack", "finger", "horizontal_dislocation", "short_circuit", "star_crack" ve "thick_line" kusur sınıfları genelinde 0.885 mAP@0.5 değerine ulaştığını göstermektedir. Sınıf bazlı analizlerde, "black core" ve "short circuit" gibi belirgin kusurlar %99,5 gibi yüksek AP ile tespit edilirken, tespitin en zor olduğu çatlak sınıfında da literatürle rekabetçi sonuçlar elde edilmiştir. Bu çalışma, YOLOv11'in gerçek zamanlı tespit hızı ile SAM 2'nin "zero-shot" segmentasyon yeteneğini birleştirerek, manuel etiketleme maliyetlerini düşüren ve endüstriyel kalite kontrol süreçlerinde uygulanabilir, yüksek doğruluklu otonom sistem ortaya koymaktadır.