DEEP LEARNING SYSTEM FOR IDENTIFICATION AND CLASSIFICATION OF SOLAR PHOTOVOLTAIC PANEL DEFECTS

DEEP LEARNING SYSTEM FOR IDENTIFICATION AND CLASSIFICATION OF SOLAR PHOTOVOLTAIC PANEL DEFECTS. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF
Hambal Tella Approved Thesis - Eprint.pdf
Restricted to Repository staff only until 5 November 2024.

Download (4MB)

Arabic Abstract

ركزت هذه الأطروحة على اكتشاف عيوب الألواح الشمسية في محطة الطاقة الشمسية الكهروضوئية باستخدام نماذج التعلم العميق. تمثل الألواح الشمسية مكونا في المصنع عرضة للعيوب الناجمة عن الظروف الجوية المختلفة وتشكل تحديات للصيانة الفعالة.غالبا ما تكون طرق الفحص البصري التقليدية المستخدمة لتحديد العيوب غير كافية ، خاصة في المنشآت الكبيرة.ومن ثم ، على وجه التحديد ، تتضمن الدراسة تجزئة الألواح الشمسية من الخلفية في الأنظمة الكهروضوئية باستخدام نموذج SegFormer . بعد ذلك ، تم تطبيق ستة نماذج متغيرة YOLO على مجموعة بيانات اللوحات المعيبة وغير المعيبة. من بين متغيرات YOLO ، يوضح نموذج YOLOS أداء أفضل ، ويتم تحقيق مزيد من التحسين من خلال ضبط أوزان الشبكات ، مما يعطي نموذج YOLOS-PV. بالإضافة إلى عيوب اللوحة ، يبحث البحث في تطبيق اثني عشر نموذجا للتعلم العميق لتصنيف عيوب الخلايا الشمسية. من خلال الاستفادة من ظاهرة التلألؤ الكهربائي ، تثبت هذه النماذج أنها أكثر فعالية في تصنيف العيوب. باختصار ، جرب هذا العمل استخدام نماذج التعلم العميق للكشف عن العيوب في الألواح الشمسية والتوسع في تصنيف العيوب في الخلايا الشمسية

English Abstract

This thesis focused on detecting defects of solar panels in a solar photovoltaic plant using deep learning models. Solar panels represent a component in the plant which are vulnerable to defects caused by various weather conditions and posing challenges for effective maintenance. Traditional visual inspection methods used for defects identification are often inadequate, especially in large installations. Hence, specifically, the study involves the segmentation of solar panels from the background in photovoltaic systems using SegFormer model. Then, the application of six YOLO variants models were applied on the defective and non-defective panels dataset. Among the YOLO variants, the YOLOS model demonstrates better performance, and further optimization is achieved through adjusting weights of the networks, giving the YOLOS-PV model. Further to the panel’s defects, the research investigates the application of twelve deep learning models to classify defects of solar cells. By leveraging electroluminescence phenomenon, these models prove to be more effective in defect classification. In summary, this work experimented the use of deep learning models for defect detection in solar panels and extending to defects classification in solar cells.

Item Type: Thesis (Masters)
Subjects: Computer
Engineering
General
Research
Research > Engineering
Electrical
Department: College of Engineering and Physics > Electrical Engineering
Committee Advisor: Mohandes, Mohamed and Alfarraj, Motaz and Waliullah, Shafiqur
Committee Co-Advisor: Bo, Liu
Committee Members: Luqman, Hamzah and Motaz, Alfarraj and Shafiqur, Waliullah
Depositing User: BABATUNDE TELLA (g202101450)
Date Deposited: 10 Dec 2023 07:47
Last Modified: 10 Dec 2023 07:47
URI: http://eprints.kfupm.edu.sa/id/eprint/142634