Derin öğrenme ile güneş panellerindeki kirliliğin sınıflandırılması

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.