Elektrolumineszenz-Bilder zur Fehlererkennung von Solarzellen mithilfe von Deep Learning für binäre und Multiklassenklassifikation

In dieser Studie wurde ein automatisches System zur Fehlererkennung und -klassifikation von Solarenergieanlagen unter Verwendung von Deep Learning vorgeschlagen. Diese Studie konzentriert sich auf Solarfehler in photovoltaischen Systemen, die durch Elektrolumineszenz (EL)-Bilder identifiziert wurden, indem ein Deep-Learning-Rahmen verwendet wird, der sowohl traditionelle Convolutional Neural Networks (CNNs) als auch ein vortrainiertes VGG16- und VGG19-Netzwerk zur Merkmalsextraktion nutzt. Dieser Ansatz wurde entwickelt, um die Genauigkeit und Effizienz der Klassifikation von Solarfehlern zu erhöhen. Der Rahmen ist in drei Hauptphasen unterteilt: Bildvorverarbeitung, Merkmalsextraktion mittels CNNs, Histogramm der orientierten Gradienten (HOG) und künstlichen neuronalen Netzen (ANN), sowie Klassifikation durch ein Deep Neural Network (DNN). Während der Vorverarbeitung werden die Bilder auf einheitliche Abmessungen skaliert, um ein konsistentes Lernen zu gewährleisten. Es wurden zwei Klassifikationsstrategien angenommen: binäre Klassifikation (defekt oder nicht defekt) und Multiklassenklassifikation; die Klassennamen sind 0%, 33%, 67% und 100% (hier steht % für den Prozentsatz an Defektionsrate), was die Wahrscheinlichkeit eines Defekts darstellt. Um die Leistung des Modells zu verfeinern, wurde eine Technik zur Datenaugmentation auf dem Datensatz verwendet. Die Effektivität des Modells wurde mit verschiedenen Metriken bewertet, darunter Präzision, Recall, F1-Score und Genauigkeit für zwei und vier Klassen, unterstützt durch Verwirrungsmatrizen. Das VGG-19-Modell übertraf andere Modelle und erzielte jeweils 90% Präzision, Recall, F1-Score und Genauigkeit für zwei Klassen und 94% für vier Klassen. Diese Studie vergleicht zwei Klassifikationsmethoden, um die Fähigkeit des Deep-Learning-Rahmens zur automatischen Erkennung und Klassifizierung von Solarfehlerbildern zu bewerten.