Réseau neuronal convolutif à double rotation maximale pour la détection des fissures des cellules solaires

Rapports scientifiques volume 13, Numéro d'article : 11099 (2023) Citer cet article

1348 Accès

2 Altmétrique

Détails des métriques

Cet article présente un système de détection de fissures de cellules solaires destiné à être utilisé dans les unités d'assemblage photovoltaïques (PV). Le système utilise quatre architectures de réseau neuronal convolutif (CNN) différentes avec une précision de validation variable pour détecter les fissures, les microfissures, les dégradations induites potentielles (PID) et les zones ombrées. Le système examine l'image électroluminescente (EL) d'une cellule solaire et détermine son statut d'acceptation ou de rejet en fonction de la présence et de la taille de la fissure. Le système proposé a été testé sur diverses cellules solaires et a atteint un haut degré de précision, avec un taux d'acceptation allant jusqu'à 99,5 %. Le système a été validé par des tests thermiques utilisant des cas réels, tels que des zones ombrées et des microfissures, qui ont été prédites avec précision par le système. Les résultats montrent que le système proposé constitue un outil précieux pour évaluer l’état des cellules photovoltaïques et peut conduire à une amélioration de l’efficacité. L'étude montre également que le modèle CNN proposé surpasse les études précédentes et peut avoir des implications significatives pour l'industrie photovoltaïque en réduisant le nombre de cellules défectueuses et en améliorant l'efficacité globale des unités d'assemblage photovoltaïque.

La détection des fissures des cellules solaires joue un rôle essentiel dans l'industrie photovoltaïque (PV), où la détection automatisée des défauts devient de plus en plus nécessaire en raison des quantités de production croissantes de modules PV et de l'application limitée de l'inspection manuelle/visuelle. Des recherches antérieures se sont concentrées sur l’utilisation de techniques de traitement du signal et de traitement d’images pour détecter les fissures et les anomalies dans les cellules solaires. Cependant, ces approches conventionnelles nécessitent souvent des structures complexes et une grande quantité de données pour obtenir des résultats précis.

Les réseaux de neurones convolutifs (CNN) sont devenus un outil puissant pour la détection des fissures, offrant plusieurs avantages par rapport aux méthodes traditionnelles. Les CNN peuvent automatiquement apprendre et identifier les modèles dans les images, ce qui leur permet de détecter et de classer avec précision les fissures dans les panneaux photovoltaïques, même lorsque les fissures ne sont pas clairement visibles ou ont des formes complexes. De plus, les CNN peuvent être formés pour détecter les fissures avec une grande précision et efficacité, économisant ainsi du temps et des ressources par rapport aux méthodes d'inspection manuelles. Ceci est particulièrement crucial dans l’industrie photovoltaïque, où de nombreux panneaux photovoltaïques doivent être inspectés régulièrement et efficacement.

Les CNN constituent la technique dominante d’apprentissage profond et ont systématiquement surpassé la plupart des approches d’apprentissage automatique dans diverses applications du monde réel1,2. Parmi les CNN haut de gamme, notamment GoogleNet3, ResNet4 et DenseNet5, les architectures permettant d'atteindre un haut niveau de performances sont toutes conçues professionnellement par des experts qui ont une compréhension approfondie du domaine en raison de leur expérience dans l'investigation des données. et le développement des CNN. Le problème est que tous les utilisateurs intéressés par un domaine particulier ne disposent pas d’une telle connaissance du domaine. À titre d’exemple, les utilisateurs qui ont de l’expérience avec les données disponibles ne comprennent pas nécessairement comment créer des algorithmes pour les CNN, ou vice versa, en fonction de leur familiarité avec les données6. Par conséquent, il existe un regain d’intérêt pour l’automatisation des architectures CNN, ce qui rendra le réglage des architectures CNN transparent pour les utilisateurs sans aucune connaissance du domaine7,8,9,10. Un algorithme de conception d’architecture CNN peut, en revanche, favoriser une large adoption des architectures CNN, favorisant ainsi le développement du domaine de l’IA grâce au développement des CNN.

En fonction du type de connaissances du domaine requis lors de la mise en œuvre des algorithmes de conception d'architecture CNN, les algorithmes de conception d'architecture CNN existants peuvent être divisés en deux catégories différentes. Dans le premier cas, les conceptions d'architecture CNN sont créées en utilisant une combinaison de « réglage automatique et manuel »11,12, et cela signifie que le réglage manuel serait toujours garanti en plus du réglage automatique, sur la base de l'expertise dans la conception d'architectures CNN. . Dans cette catégorie, vous trouverez des informations sur les méthodes génétiques CNN et les méthodes de représentation hiérarchique13. Un autre type de conception d'architecture CNN est la conception d'architecture CNN dite « automatique »14, qui n'exige pas que les utilisateurs ajustent manuellement ses paramètres lorsqu'ils l'utilisent. Il ne fait aucun doute que la conception « automatique + réglage manuel » est souvent supérieure à la conception « automatique » si l'on considère les avantages supplémentaires produits par l'expertise manuelle dans les CNN15. En tant que telles, les conceptions « automatiques » présentent un avantage significatif par rapport aux conceptions « manuelles », dans la mesure où elles ne nécessitent aucun réglage manuel16. Les utilisateurs sans aucune connaissance du domaine des CNN sont beaucoup plus susceptibles de privilégier ces conceptions automatisées.