صور الإضاءة الكهروضوئية لاكتشاف عيوب خلايا الطاقة الشمسية باستخدام التعلم العميق للتصنيف الثنائي ومتعدد الفئات

في هذه الدراسة، تم اقتراح نظام تلقائي لاكتشاف وتصنيف عيوب الطاقة الشمسية باستخدام التعلم العميق. تركز هذه الدراسة على عيوب الطاقة الشمسية في أنظمة الطاقة الكهروضوئية التي تم تحديدها من خلال صور الإضاءة الكهروضوئية (EL) من خلال استخدام إطار عمل للتعلم العميق يعتمد على كل من الشبكات العصبية التلافيفية التقليدية (CNNs) وشبكة VGG16 وVGG19 المدربة مسبقًا لاستخراج الميزات. تم تصميم هذا النهج لتعزيز دقة وكفاءة تصنيف عيوب الطاقة الشمسية. هيكل الإطار يتكون من ثلاث مراحل رئيسية: معالجة الصور، استخراج الميزات باستخدام CNNs، ومدرج التوزيع الاتجاهي (HOG) والشبكات العصبية الاصطناعية (ANN)، والتصنيف من خلال شبكة عميقة عصبية (DNN). خلال المعالجة المسبقة، يتم تقليل الصور إلى أبعاد موحدة لضمان تعلم متسق. اعتمدوا استراتيجيتين للتصنيف: التصنيف الثنائي (معطوبة أو غير معطوبة) والتصنيف متعدد الفئات؛ أسماء الفئات هي 0%، 33%، 67%، و100% (حيث تمثل % نسبة العيوب)، مما يمثل احتمالية العيب. لتحسين أداء النموذج، تم استخدام تقنية زيادة البيانات على مجموعة البيانات. تم تقييم فعالية النموذج باستخدام مقاييس مختلفة، بما في ذلك الدقة، الاستدعاء، ودرجة F1، والدقة لفئتين وأربع فئات، وتم الحصول عليها، مدعومة بمصفوفات الارتباك. نموذج VGG-19 تفوق على النماذج الأخرى وحقق دقة، استدعاء، ودرجة F1 ودقة بنسبة 90% لكل منهما لفئتين على التوالي وبنفس الطريقة 94% لأربع فئات. تقارن هذه الدراسة بين طريقتين للتصنيف لتقييم قدرة إطار عمل التعلم العميق لاكتشاف وتصنيف صور عيوب الطاقة الشمسية بشكل تلقائي.