| تشخیص خطا در تصاویر الکترولومینسانس ماژول فتوولتائیک با استفاده از شبکه عصبی |
| کد مقاله : 1041-ST |
| نویسندگان |
|
ناصر نوروزی *1، علی نعیمی2 1هیات علمی 2شرکت مخابرات ایران، منطقه گلستان |
| چکیده مقاله |
| نوسانات دمایی شدید و سایر فشارهای محیطی معمولاً از علل خرابی‌ها در صنعت تولید سلول‌های فتوولتائیک (PV) هستند. در بازرسی‌های دستی، احتمال بروز خطا وجود دارد و این فرآیند ممکن است زمان بر باشد. همچنین هزینه‌ها ممکن است به سرعت افزایش یابد. در این مقاله از روش‌های یادگیری عمیق برای حل این مشکلات استفاده می‌شود. این روش‌ها می‌توانند به طور خودکار مشکلات ماژول‌های PV را شناسایی کنند. در در این مقاله، از دو مدل EfficientNetV2L و CNN استفاده شده است. از یک الگوریتم طبقه‌بندی باینری بر روی یک مجموعه داده شامل ۲۶۲۴ تصویر الکترولومینسانس (EL) برای تمایز بین سلول‌های PV با نقص و بدون نقص استفاده شده است. مدل EfficientNetV2L با دقت 85/90% عملکرد بهتری را از خود نشان می دهد. این دقت کمی بیشتر از 86% دقت مدلCNN پیشنهادی است. نتایج می دهد که هم مدل‌های پیش‌آموزش دیده و هم مدل‌های طراحی شده قادر به شناسایی مشکلات در ماژول‌های PV هستند. |
| کلیدواژه ها |
| CNN، فتوولتائیک (PV)، EfficientNetV2L ، الکترولومینسانس (EL)، تشخیص نقص |
| وضعیت: پذیرفته شده |