Transfer öğrenme tabanlı derin öğrenme modelleri kullanılarak güneş panellerindeki temiz ve hatalı görüntülerin sınıflandırılması

Güneş enerjisi yenilenebilir, tükenmez ve temiz bir enerji kaynağıdır. Karbon salınımının ve fosil yakıtlara olan bağımlılığın azaltılması amacıyla özellikle son yıllarda güneş enerjisi büyük oranda kullanılmaya başlanmıştır. Güneş enerjisinin verimli bir şekilde elde edilmesinde fotovoltaik paneller önemli bir rol oynamaktadır. Fotovoltaik panellerde çevresel faktörlerden veya elektriksel düzensizliklerden dolayı hatalar meydana gelebilmektedir. Panellerde oluşan hataların erken ve hızlı tespit edilmesi verimliliği artırmak ve enerjiyi kayıpsız elde etmek açısından büyük önem taşımaktadır. Ancak bu hataların manuel olarak tespit edilmesi hem maliyetlidir hem de zaman alıcıdır. Bu nedenle günümüzde bu hataların saptanması için pek çok derin öğrenme modeli kullanılmaktadır. Bu tez çalışmasında, güneş paneli görüntülerindeki hataları sınıflandırmak için transfer öğrenme tabanlı derin öğrenme modellerinden ResNet ve EfficientNet'i birleştiren bir model önerilmiştir. Deneysel çalışmalar için altı sınıflı bir güneş paneli veri seti kullanılmıştır. 885 görüntüden oluşan veri seti; kirli, temiz, elektriksel hasarlı, fiziksel hasar, karla kaplı ve kuş damlaları sınıflarından meydana gelmektedir. Çalışmada ayrıca transfer öğrenme tabanlı mimariler (VGG16, VGG19, MobileNet, DenseNet) kullanılarak bireysel olarak ölçümler gerçekleştirilmiş ve önerilen model ile karşılaştırılarak sonuçlar verilmiştir. Sonuçlar karşılaştırıldığında önerilen modelin daha üstün performans gösterdiği gözlemlenmiştir. Önerilen modelde kullanılan ResNet mimarisi, gradyan sorununu azaltarak, artık bağlantıları sayesinde derin ağların daha sağlıklı bir şekilde eğitilmesine olanak tanımaktadır. EfficientNet mimarisi ise ağın derinliğini, çözünürlüğünü ve genişliğini optimize ederek daha verimli sonuçların elde edilmesini sağlamaktadır. ResNet ve EfficientNet'in tüm mimarileri kullanıldığında en yüksek doğruluk ResNet101 ve EfficientNet B1 ile hesaplanmıştır. ResNet101 ile EfficientNetB1 birleşimi %87,55 doğruluk, %87,92 kesinlik, %88,75 geri çağırma ve %88,13 F1-skoru ile en iyi sonuçlara ulaşılmasını sağlamıştır.