Detection of Hotspot Defects in Solar Power Plants with YOLO Algorithms

Abstract

The rapid and accurate detection of defects in solar energy plants is of great importance to reduce efficiency losses and extend the lifespan of photovoltaic systems. In this study, the effectiveness and advantages of You Only Look Once (YOLO) algorithms for hotspot detection in solar energy plants have been investigated. YOLO algorithms can be efficiently used in large-scale facilities due to their ability to detect objects in images in a single scan at high speeds. In this context, the performances of YOLOv5, YOLOv6, YOLOv7, and YOLOv8 algorithms were compared, and the best-performing model was determined. According to the results of the experiments, 80% of the 100 images obtained by an unmanned aerial vehicle in the dataset were used for training, and the remaining 20% were used for testing the YOLO algorithms. The results indicated that the YOLOv8 algorithm outperformed other models with 88.7% specificity, 80.5% sensitivity, and 83.8% mean Average Precision (mAP) values. The dataset used in the study consisted of images obtained from real solar panels, ensuring that the results of the study were tested in accordance with real-world scenarios. The findings demonstrate that YOLO algorithms are an effective method for detecting hotspot defects in solar panels. This study highlights the importance of using object detection algorithms to make solar energy plants more efficient. Additionally, it can be considered as a guiding and contributing study to the literature, providing insights for future research.

Güneş enerjisi santrallerindeki kusurların hızlı ve doğru bir şekilde tespit edilmesi, fotovoltaik (PV) sistemlerinde verim kaybını azaltmak ve ömrünü uzatmak açısından büyük bir öneme sahiptir. Bu çalışmada, güneş enerjisi santrallerindeki, PV modüllerdeki hotspot (sıcak nokta) tespiti için You Only Look Once (YOLO) algoritmalarının etkililiği ve avantajları incelenmiştir. YOLO algoritmaları, yüksek hızda çalışarak tek bir taramada görüntüdeki nesneleri tespit edebilme özelliği sayesinde büyük ölçekli santrallerde verimli bir şekilde kullanılabilmektedir. Bu doğrultuda, YOLOv5, YOLOv6, YOLOv7 ve YOLOv8 algoritmalarının performansları karşılaştırılmış ve en iyi sonuç veren model belirlenmiştir. Yapılan deneyler sonucuna göre, veri kümesinde kullanılan insansız hava aracı tarafından elde edilen 100 adet görüntünün %80’i eğitim kümesi %20’si ise test kümesi için kullanılarak YOLO algoritmaları karşılaştırmaları yapılmıştır. Elde edilen sonuçlar doğrultusunda, YOLOv8 algoritmasının %88.7 özgüllük, %80.5 duyarlılık ve %83.8 mAP değerleri ile diğer modellere göre daha iyi sonuçlar verdiğini göstermiştir. Çalışmada kullanılan veri seti gerçek güneş panellerinden elde edilen görüntülerden oluşmuştur ve bu sayede çalışmanın sonuçları gerçek dünya senaryolarına uygun bir şekilde test edilmiştir. Elde edilen sonuçlar, YOLO algoritmalarının güneş panellerindeki sıcak nokta kusurlarının tespiti için etkili bir yöntem olduğunu göstermektedir. Bu çalışma, güneş enerjisi santrallerinin daha verimli hale getirilmesi için nesne tespiti algoritmalarının kullanımının önemini vurgulamaktadır. Ayrıca, ilerideki çalışmalara yol gösteren ve literatüre katkı sağlayan bir çalışma olarak değerlendirilebilir.