Defect detection in PV solar cell images using local feature and texture feature extraction. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF ObadaAlzibak_201376030_MasterThesis_GS_V1.pdf Restricted to Repository staff only until 19 August 2022. Download (5MB)

Arabic Abstract

شهد توليد الكهرباء من الألواح الشمسية نموًا غير مسبوق في الآونة الأخيرة خاصة مع انخفاض أسعار الألواح وتحسّن كفاءة الطاقة. تتكون الألواح الشمسية عادة من السيليكون ومن عدة وحدات. كل وِحدَة من هذه الوَحدات لديها مجموعة من الخلايا إما أحادية أو متعددة البلورية. بسبب الخصائص الفيزيائية للمادة (التركيبية) أو طبيعة البيئة (الخارجية)، تخضع الخلايا الشمسية لأنواع مختلفة من الأعطال. تؤدي هذه الأعطال إلى تدهور أداء الخلايا الشمسية (تقليل الإنتاج إلى 70٪) ويمكن أن يتسبب بعضها في فشل تام. وبالتالي، من خلال اكتشاف الأعطال في المراحل المبكرة، يمكن إجراء مهام الصيانة التنبؤية المناسبة. لاكتشاف مثل هذه الأعطال، يمكن استخدام صور الخلايا الشمسية بكفاءة لتحديد الخلايا المعيبة وواكتشاف هذه الأعطال، بما في ذلك أعطال المواد أو الشقوق الدقيقة أو الانكسارات. للبحث في هذا المجال ، يتم حاليًا استخدام مجموعة بيانات Cornell العامة Electroluminescence PV (ELPV) كمعيار لمقارنة الخوارزميات المختلفة. لسوء الحظ ، وُجد أن مجموعة البيانات تعاني من عدم توازن بين الفئات بالاضافة الى بعض الاخطاء في ترميز الفئات. لمعالجة هذه المشكلات، قمنا أولاً بتحليل ومراجعة مجموعة بيانات ELPV باستخدام نهج المصادر الجماعية. ومن ثم، تم تقديم مجموعة بيانات محسنة جديدة. باستخدام قاعدة البيانات المحسّنة هذه ، قمنا بتطوير وجمع مجموعة خوارزميات لاستخراج السمات، واكتشاف الأعطال وتصنيفها بشكل قوي. في هذا العمل، تم اختبار سمات مختلفة لتحديد حالة (أو فئة) خلية شمسية معينة بدقة. علاوة على ذلك، اقترحنا خوارزمية جديدة لاستخراج السمات تجمع بين مجموعة من السمات. يؤدي الجمع بين العديد من السمات إلى تقليل تأثير تحيز السمة. في هذه الأطروحة ، قمنا بدمج السمات باستخدام خوارزمية VLAD ، ثم استخدمنا تقنية قياسية لتقليل السمات تعتمد على PCA. تشمل السمات التي تم النظر فيها كلاً من السمات المحلية والنسيجية، بما في ذلك SURF و KAZE و MSER و HOG و MEA و ORB والإنتروبيا والتباين والطاقة والتجانس والارتباط. من أجل التصنيف، اختبرنا طريقتين: SVM وDA. تُظهر النتائج التجريبية دقة تصنيف محسنة مقارنة بالنهج الحالي. ينتج عن سير العمل المقترح أداءً ممتازًا بنسبة خطأ أقل من 4٪ في التصنيف.

English Abstract

The generation of electricity from solar panels has witnessed an unprecedented growth over recent times especially with the falling prices of panels and the improved power efficiency. A typical Silicon solar panel consists of several modules. Each one of these has a set of either mono or poly crystalline cells. Due to either the physical properties of the material (intrinsic) or the nature of the environment (extrinsic), solar cells undergo different types of defects. Such defects degrade solar cell performance (70% output reduction) and some can cause total failure. Hence, by detecting defects in the early stages, proper predictive maintenance tasks can be performed. To detect such defects, images of solar cells can be used efficiently for identifying defective cells and identifying such defects, including material defects, micro-cracks, or breaks. For research in this area, the Cornell public Electroluminescence PV (ELPV) dataset is currently being used as a benchmark for comparing different algorithms. Unfortunately, the dataset is found to be suffering from high unbalance and miss classification. To address these issues, we first analyzed and revised the ELPV dataset using the crowd-sourcing approach. Hence, a new improved dataset was introduced. Using such an improved database, we developed of suite algorithms for feature extraction, and robust defect detection and classification. In this work, different features have been tested to accurately identify the status (or class) of a given solar cell. Furthermore, we proposed a new feature extraction algorithm combining a bag of features . Combining many features reduces the effect of feature bias. In this thesis, we combined the features using the VLAD algorithm, then used a standard PCA based feature reduction technique. The features considered include both local and texture features, including SURF, KAZE, MSER, HOG, MEA, ORB, entropy, contrast, energy, homogeneity, and correlation. For classification, we tested two approaches: the SVM and Discriminant Analysis. The experimental results show improved classification accuracy compared to existing approaches. The proposed workflow results in an excellent performance of less than 4% error in classification.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Belhaj, Chokri
Committee Members:	Mahmoud, Kassas and Motaz, Alfarraj and Tarek, Sheltami
Depositing User:	OBADA AL ZIBAK (g201376030)
Date Deposited:	20 Dec 2021 12:29
Last Modified:	20 Dec 2021 12:29
URI:	http://eprints.kfupm.edu.sa/id/eprint/141993