Hasarlı güneş paneli hücrelerinin derin öğrenme yöntemleriyle sınıflandırılması

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.