DETECTION OF SOLAR PANEL DEFECTS IN ELECTROLUMINESCENCE IMAGES USING DEEP LEARNING

Abstract

ABSTRACT

Extreme temperature swings and other environmental stresses are typical causes of breakdowns in the photovoltaic (PV) cell production industry. Manual inspections were formerly the go-to method for finding these defects. Nevertheless, there is a chance of making errors, and the process might be lengthy when utilising this approach. The expense might add up quickly as well. Our study makes use of deep learning methods to address these difficulties. Problems with PV modules may be detected automatically using these methods. During our assessment, we used many models, including an internally developed convolutional neural network (CNN). The InceptionV3 and ResNet-50 models, which were pre-trained, were also used. Moreover, we created a hybrid model that integrates characteristics from the InceptionV3 and ResNet-50 models.

We used a binary classification algorithm on a dataset of 2,624 electroluminescence (EL) pictures to distinguish between PV cells with and without faults. With a 91% accuracy rate, the ResNet-50 model outperformed the others. This is marginally more accurate than the 90.88% accuracy of the InceptionV3 model. At 89.47%, the custom CNN models were the least accurate. We employed a modified model, and it outperformed all of the others. Its 98.43% accuracy percentage is quite remarkable. It has been shown that both pre-trained and custom-designed deep learning models are capable of identifying problems in PV modules. As a result, variables like processing power and available resources may be adjusted to make these models work for a particular purpose. Researchers have shown that machine learning significantly improves renewable energy systems, according to this study. The solar business stands to gain a great deal by automating crucial quality control operations.

ÖZET

Aşırı sıcaklık dalgalanmaları ve diğer çevresel stresler, fotovoltaik (PV) hücre üretim endüstrisindeki arızaların tipik nedenleridir. Manuel incelemeler eskiden bu kusurları bulmak için başvurulan yöntemdi. Ancak bu yaklaşımı kullanırken hata yapma ihtimali vardır ve süreç uzun olabilir. Masraf da hızla artabilir. Çalışmamızda bu zorlukların üstesinden gelmek için derin öğrenme yöntemlerinden yararlanılmaktadır. Bu yöntemler kullanılarak PV modüllerindeki sorunlar otomatik olarak tespit edilebilir. Bu çalışmada kendi inşa ettiğimiz evrişimsel sinir ağı (CNN) dahil olmak üzere birkaç model kullandık. Ayrıca önceden eğitilmiş olan InceptionV3 ve ResNet-50 modelleri de kullanıldı. Son olarak InceptionV3 ve ResNet-50 modellerinin özelliklerini birleştiren hibrit bir model oluşturduk.

Arızalı ve arızasız PV hücrelerini ayırt etmek için 2.624 elektrolüminesans (EL) resminden oluşan bir veri kümesi üzerinde ikili sınıflandırma algoritması kullandık. ResNet-50 modeli %91 doğruluk oranıyla diğerlerinden üstün performans gösterdi. Bu, InceptionV3 modelinin %90,88 doğruluğundan biraz daha doğrudur. Özel CNN modelleri %89,47 ile en az doğruluğa sahip modeller oldu. Değiştirilmiş bir model kullandık ve diğerlerinden daha iyi performans gösterdi. %98,43'lük doğruluk yüzdesi oldukça dikkat çekicidir. Hem önceden eğitilmiş hem de özel olarak tasarlanmış derin öğrenme modellerinin, PV modüllerindeki sorunları tespit edebildiği gösterilmiştir. Sonuç olarak, işlem gücü ve mevcut kaynaklar gibi değişkenler, bu modellerin belirli bir amaç için çalışmasını sağlayacak şekilde ayarlanabilir. Bu çalışmaya göre araştırmacılar, makine öğreniminin yenilenebilir enerji sistemlerini önemli ölçüde iyileştirdiğini gösterdi. Güneş enerjisi sektörü, kritik kalite kontrol operasyonlarını otomatikleştirerek büyük kazanç elde edecek gibi görünüyor.