Сверточная нейронная сеть с двойным спином и максимальным пулом для обнаружения трещин в солнечных элементах

Том 13 научных отчетов, номер статьи: 11099 (2023) Цитировать эту статью

1348 Доступов

2 Альтметрика

Подробности о метриках

В этой статье представлена ​​система обнаружения трещин солнечных элементов для использования в фотоэлектрических (PV) сборочных единицах. Система использует четыре различные архитектуры сверточной нейронной сети (CNN) с различной точностью проверки для обнаружения трещин, микротрещин, потенциально вызванных деградаций (PID) и затененных областей. Система исследует электролюминесцентное (ЭЛ) изображение солнечного элемента и определяет статус его принятия или отклонения на основании наличия и размера трещины. Предложенная система была протестирована на различных солнечных элементах и ​​достигла высокой степени точности с процентом приемки до 99,5%. Система была проверена с помощью термических испытаний с использованием реальных случаев, таких как затененные области и микротрещины, которые были точно предсказаны системой. Результаты показывают, что предлагаемая система является ценным инструментом для оценки состояния фотоэлектрических элементов и может привести к повышению эффективности. Исследование также показывает, что предлагаемая модель CNN превосходит предыдущие исследования и может иметь значительные последствия для фотоэлектрической отрасли за счет уменьшения количества дефектных ячеек и повышения общей эффективности сборочных единиц фотоэлектрических модулей.

Обнаружение трещин в солнечных элементах играет жизненно важную роль в фотоэлектрической (PV) промышленности, где автоматическое обнаружение дефектов становится все более необходимым из-за растущих объемов производства фотоэлектрических модулей и ограниченного применения ручного/визуального контроля. Предыдущие исследования были сосредоточены на использовании методов обработки сигналов и изображений для обнаружения трещин и аномалий в солнечных элементах. Однако эти традиционные подходы часто требуют сложных структур и большого количества данных для достижения точных результатов.

Сверточные нейронные сети (CNN) стали мощным инструментом обнаружения трещин, предлагая ряд преимуществ по сравнению с традиционными методами. CNN могут автоматически изучать и идентифицировать закономерности на изображениях, что позволяет им точно обнаруживать и классифицировать трещины в фотоэлектрических панелях, даже если трещины нечетко видны или имеют сложную форму. Более того, CNN можно обучить обнаруживать трещины с высокой точностью и эффективностью, экономя время и ресурсы по сравнению с методами ручного контроля. Это особенно важно в фотоэлектрической отрасли, где многие фотоэлектрические панели необходимо регулярно и эффективно проверять.

CNN служат доминирующим методом глубокого обучения и неизменно превосходят большинство подходов машинного обучения в различных реальных приложениях1,2. Среди лучших CNN, включая GoogleNet3, ResNet4 и DenseNet5, все архитектуры для достижения высокого уровня производительности профессионально разработаны экспертами, которые имеют глубокое понимание предметной области благодаря своему опыту исследования данных. и развитие CNN. Проблема в том, что не каждый пользователь, интересующийся конкретной предметной областью, обладает такими знаниями. Например, пользователи, имеющие опыт работы с имеющимися данными, не обязательно понимают, как создавать алгоритмы для CNN, или наоборот, в зависимости от их знакомства с данными6. Поэтому наблюдается всплеск интереса к автоматизации архитектур CNN, которая сделает настройку архитектур CNN прозрачной для пользователей без каких-либо знаний предметной области7,8,9,10. С другой стороны, алгоритм проектирования архитектуры CNN может способствовать широкому внедрению архитектур CNN, тем самым способствуя развитию области искусственного интеллекта посредством разработки CNN.

В зависимости от типа знаний предметной области, которые требуются при реализации алгоритмов проектирования архитектуры CNN, существующие алгоритмы проектирования архитектуры CNN можно разбить на две разные категории. В первом случае проекты архитектуры CNN создаются с использованием комбинации «автоматической и ручной настройки»11,12, и это означает, что ручная настройка все равно будет гарантирована в дополнение к автоматической настройке, основанной на опыте проектирования архитектур CNN. . В этой категории вы найдете информацию о генетических методах CNN и методах иерархического представления13. Другим типом проектирования архитектуры CNN является так называемое «автоматическое» проектирование архитектуры CNN14, которое не требует от пользователей ручной настройки ее параметров при ее использовании. Нет сомнений в том, что схема «автоматическая + ручная настройка» часто превосходит «автоматическую» схему, если принять во внимание дополнительные преимущества, которые дает ручная экспертиза CNN15. Таким образом, «автоматические» конструкции имеют существенное преимущество перед «ручными» конструкциями, поскольку они не требуют ручной настройки16. Пользователи, не имеющие каких-либо знаний о CNN, с гораздо большей вероятностью отдадут предпочтение этим автоматизированным проектам.