GÜNEŞ ENERJİ SİSTEMLERİNDEKİ FOTOVOLTAİK HÜCRE ÇATLAKLARININ ELEKTROLÜMİNESANS GÖRÜNTÜLER ÜZERİNDEN MAKİNE ÖĞRENMESİ TABANLI YAKLAŞIMLARLA TESPİTİ VE SINIFLANDIRMASI

Abstract

Elektrolüminesans (EL) görüntüleme, güneş panellerinin üretim, kurulum ve işletiminin her aşamasında kusurları tespit etmek için en yaygın kullanılan teşhis tekniğidir. Bu yöntem, mikro çatlaklar ve parmak hatlarındaki kırılmalar gibi güneş paneli arızalarını tespit edip gidererek elektrik kesintilerini potansiyel olarak azaltabilir. EL testi güvenilir bir inceleme yöntemidir, ancak karmaşık hata modelleri ve heterojen arka planlar nedeniyle EL görüntülerini yorumlamak zor olabilir. Sonuç olarak, kusurlu hücreleri değerlendirmek ve bir sorunun ciddiyetini belirlemek özel bilgi gerektirir, bu da bu yöntemlerin her hücre için manuel olarak yürütülmesini zaman alıcı hale getirir. Bu nedenle, güneş pillerinin otomatik görsel denetimi çok önemli hale gelmektedir. Bu çalışmada, güneş pili hatalarının otomatik olarak belirlenmesi ve sınıflandırılması için derin öğrenme tabanlı bir model sunulmaktadır. Derin özellikleri çıkarmak için CNN tabanlı modelden çıkarılmıştır. Derin özellikler altı farklı makine öğrenmesi sınıflandırıcısında değerlendirilmiştir. Önerilen metodolojiyi test etmek için iki sınıflı popüler ELPV veri kümesi kullanılmıştır. Anahtar Kelimeler: – Elektrolüminesans görüntüleme, güneş panelleri, derin öğrenme, kusur, sınıflandırma

Electroluminescence (EL) imaging is the most widely used diagnostic technique to detect defects at all stages of solar panel manufacturing, installation, and operation. This method can potentially reduce power outages by detecting and repairing solar panel faults such as microcracks and finger line breaks. EL testing is a reliable inspection method, but EL images can be difficult to interpret due to complex fault patterns and heterogeneous backgrounds. As a result, evaluating defective cells and determining the severity of a problem requires specific knowledge, making these methods time-consuming to execute manually for each cell. Therefore, automatic visual inspection of solar cells becomes very important. In this study, a deep learningbased model is presented for automatic detection and classification of solar cell faults. CNN-based model is extracted to extract deep features. Deep features are evaluated on six different machine learning classifiers. The popular two-class ELPV dataset is used to test the proposed methodology. Keywords: Electroluminescence imaging, solar panels, deep learning, defect, classification